Приложение 1
Основные определения
Машинное обучение
Машинное обучение (МО). Машинное обучение (Machine Learning, ML) – это подраздел искусственного интеллекта, который занимается разработкой алгоритмов и моделей, способных обучаться на данных и делать прогнозы или принимать решения без явного программирования для конкретной задачи. Основная идея машинного обучения заключается в том, чтобы позволить системам автоматически учиться и совершенствоваться на основе опыта. Термин «машинное обучение» предложил Артур Сэмюэл из IBM в 1959 году. Он также использовал принципы машинного обучения в исследованиях компьютерных игр. Благодаря резкому росту объема доступных данных, необходимых этим алгоритмам для обучения, сегодня МО применяется в таких разных областях, как исследования на основе компьютерного зрения, выявление мошенничества, прогнозирование цен, обработка естественного языка и пр.
Нейронная сеть – это тип машинного обучения, при котором алгоритм обрабатывает полученные данные примерно по тому же принципу, что и биологическая нервная система. Фрэнк Розенблатт из Корнеллского университета в 1957 году изобрел первую нейронную сеть с простой однослойной архитектурой, также именуемую неглубокой сетью.
Глубокое обучение и его разновидности: глубокие нейронные сети, рекуррентные нейронные сети, нейронные сети прямого распространения – это совокупность приемов для обучения многослойной нейронной сети. В глубоких нейронных сетях «усвоенные» данные пропускаются через несколько слоев; на каждом следующем слое результат предыдущего слоя используется в качестве вводной информации. В рекуррентных нейронных сетях данные могут распространяться между слоями вперед и назад, а в нейронных сетях с прямым распространением – только вперед.
Прогностические системы – это системы, которые на основе данных за прошедшие периоды устанавливают взаимосвязи между входными переменными и полученными результатами. На основе этих взаимосвязей разрабатываются модели, которые, в свою очередь, применяются для прогнозирования новых результатов.
Локальный поиск (оптимизация) – это математический подход к решению задач, где используется матрица возможных решений. Алгоритм ищет оптимальное решение, начиная с одного конца матрицы, а затем систематически, итерация за итерацией, двигается к смежным решениям, пока не найдет наилучшее.
Представление знаний – это область искусственного интеллекта, занимающаяся представлением информации о мире в такой форме, чтобы компьютерная система могла использовать ее для решения сложных задач – например, диагностики заболевания или беседы с человеком.
Экспертные системы (логические умозаключения) – это системы, использующие отраслевые знания (из медицины, химии, права) в сочетании со сводом правил их применения. Системы совершенствуются по мере добавления новых знаний либо обновления или совершенствования правил.
Компьютерное зрение – это дисциплина, в рамках которой компьютеры обучаются идентифицировать, распределять по категориям и «понимать» информацию, содержащуюся на изображениях и видео. Такие системы имитируют человеческое зрение и расширяют его возможности.
Обработка аудио и сигналов – это машинное обучение, которое может использоваться для анализа аудио- и других сигналов, особенно в средах с высоким уровнем шума. Такие технологии применяются, в частности, для компьютерного синтеза речи, обработки аудио- и аудиовизуальной информации.
Преобразование речи в текст – нейронные сети, преобразующие аудиосигналы в текст на множестве языков. Возможности применения: машинный перевод, голосовое управление, расшифровка аудио и пр.
Обработка естественного языка (NLP) – это область исследований, где компьютер обрабатывает человеческий (естественный) язык. Возможности применения: распознавание речи, машинный перевод и анализ интонации.
Сегмент прикладного искусственного интеллекта
Рекомендательные системы: формулируют рекомендации на основе неявных закономерностей, обнаруживаемых алгоритмами на основе искусственного интеллекта с течением времени. Они могут быть нацелены на взаимодействие с клиентом (предлагать новые продукты) либо использоваться внутри компании (подсказывать стратегические решения).
Распознавание текста, речи, изображений и видео: распознавание текста, изображений, речи, видеозаписей для извлечения данных и связей, которые могут быть применены для большого спектра аналитических задач и использоваться для создания более высокоуровневых систем, предназначенных для взаимодействия с людьми.
Приложение 2
Полезные промпты
Инструкция
Как я уже неоднократно писал в этой книге, результат работы ИИ зависит от того, как человек ставит ему задачу. За последние годы появились десятки курсов, где этому обучают. Моя компания тоже вышла в эту нишу и регулярно проводит обучающие курсы по нейросетям и тому, как их использовать. Здесь я кратко расскажу, какие бывают промпты. Несмотря на то что дисциплина по разработке промптов молодая, Корнельский университет уже разработал шкалу категоризации промптов . Ее активно используют в том числе в России. Какие пункты она включает?
1. Семантика ввода. Пользователь задает правила, которые модель запоминает и учитывает при ответе. Пример: «Запомни: когда я попрошу построить маршрут из точки А в точку Б, я введу только названия городов, а ты подставишь их вместо А и Б».
2. Можно также попросить модель выдавать информацию по шаблону. Сначала пользователь загружает в переписку конкретные правила и указывает, когда их использовать. Например: «Разбей ответ на три колонки и заполни таблицу, используя следующие показатели и шаблон».
3. Нужно помнить о том, что модель периодически галлюцинирует, выдавая за факты несуществующую информацию. Поэтому я не рекомендую копировать ответы бота и использовать их в работе без дополнительной проверки. Чтобы убедиться в том, что нейросеть говорит правду, можно запросить у нее источники информации, на основе которых она сгенерировала ответ. Можно попросить модель в ответ на задачу задавать пользователям уточняющие вопросы. Таким образом можно значительно повысить качество итогового результата.
4. Иногда модель отказывается отвечать на вопросы пользователя. Чаще всего она ссылается на то, что ее обучили на данных за конкретный период (до 2023 года) и у нее нет нужной информации. В целом эту проблему можно обойти, используя плагины (о них я рассказывал выше), которые открывают доступ модели к интернету. ChatGPT также не может в силу своих настроек отвечать на спорные вопросы, скажем, о расовой принадлежности или религии. Эти же настройки не позволят модели ответить на вопросы о незаконных видах деятельности и на аморальные темы. Однако даже эти ограничения можно обойти, используя правильные промпты. Чтобы не превращать эту книгу в сборник вредных советов, расскажу только о первом пункте. Скажем, на запрос «указать мотивацию подростков к учебе» она выдает пять основных пунктов. А когда пользователь просит уточнить их, говорит, что нет информации. Чтобы пробить этот барьер, стоит поговорить с нейросетью и позволить ей задать уточняющие вопросы.
5. Взаимодействие. К этой категории могут относиться задачи, когда нужно сгенерировать бесконечное количество маркетинговых слоганов или креативов по определенному правилу. Чтобы не вставлять шаблон каждый раз, можно сказать модели: «Генерируй мне ответы без остановки по заданному правилу».
6. Управление контекстом. Пригодится, когда нужно исключить из ответа некоторые источники. Например, вы исследуете российскую аудиторию и не хотите видеть информацию о людях из других стран. Тогда можно задать нейросети условие: «Подготовь мне ответ, не включая зарубежные источники». Так отсекается ненужный контекст – и модель выдает результат с учетом данных, которые важны для пользователя.
Что важно помнить при составлении промптов?
Главная ошибка новичка – полностью полагаться на ответ нейросети и не включать критическое мышление. Важно всегда оценивать ответы модели и фильтровать контент! Как минимум стоит просить модель указать источники информации, а после этого проверить факты в дополнительных релевантных и надежных источниках .
Один из примеров, как может выглядеть формула промпта:
