3-1 Как работает ИИ — один стимул, четыре пути

1Четыре пути

Четыре пути — один стимул идёт одновременно

Один стимул одновременно поступает в четыре системы. Различаются число этапов, работа на каждом этапе и то, кто эту работу определил.

Стимул

Путь подробно

Пояснение для начинающих

У всех четырёх путей общий каркас: принять → упорядочить → решить → действовать. Разница в том, «кто решил, что считать подсказкой (признаком)». В машинном обучении это решает человек (жёлтая рамка), в глубоком обучении это выучивается на данных (зелёная рамка). Цепь обнаружения приближения у дрозофилы не обучается, а формируется в ходе развития (розовая рамка). Можно сказать, что её «заранее задала» эволюция за долгое время.

Для мозга человека показан лишь общий каркас из учебника. В реальном мозге много обратных связей, идущих в противоположную сторону, есть и быстрые обходные пути (например, от глаза к верхнему двухолмию среднего мозга). О последнем этапе «решение» известно лишь то, что в нём совместно участвуют несколько областей, поэтому он нарисован пунктиром. Скорость движения на рисунке не связана с реальным временем обработки.

2Мозг человека

Мозг человека — отделяем установленное от предположений

У каждого чувства свой орган и свой путь. Выберите чувство, проследите путь сигнала и проверьте, насколько надёжно известен каждый этап.

Чувство

Установлено

У каждого чувства свой воспринимающий орган и свой начальный путь. Зрение и слух идут в кору больших полушарий через таламус. Обоняние идёт в кору напрямую из обонятельной луковицы, минуя таламус [R10].
Нейроны первичной зрительной коры сильно реагируют на полоски или края, наклонённые под определённым углом. Впервые это измерили у кошки [R3].
В нижневисочной коре обезьяны есть группы нейронов, избирательно реагирующих на лица [R4].
При обучении меняется сила синаптических связей.

Пока предположения или предмет исследований

Как мозг связывает в «один объект» цвет, форму, движение и звук, обработанные по отдельности в разных областях.
Где именно и какими вычислениями принимается решение «увернуться». Известно лишь, что в этом участвуют несколько областей.
Учится ли мозг, передавая ошибку назад по слоям, как обратное распространение ошибки в глубоком обучении. Исследуются гипотезы о том, что похожую работу можно делать другими способами [R13].
Полная схема связей мозга человека. Для дрозофилы полная схема связей мозга уже составлена [R2], но в мозге человека одних только нейронов примерно в 620 тысяч раз больше.

Почему о мозге человека так много «предположений»

Чтобы измерить сигнал отдельного нейрона, в мозг нужно ввести электрод. У человека это возможно лишь в очень ограниченных случаях, например у пациентов, которым и так нужна операция. Поэтому знания на уровне клеток во многом получены в опытах на животных — кошках, обезьянах, — а у человека опираются в основном на методы вроде нейровизуализации, измеряющие активность больших областей. У дрозофилы генетические инструменты позволяют включать и выключать только нужные нейроны, поэтому можно напрямую проверить, что «этот нейрон нужен для этого поведения». Вот почему эта серия берёт дрозофилу в проводники.

3Машинное обучение

Машинное обучение — признаки проектирует человек

Человек: задаёт признаки → машина: выучивает весаSamuel, 1959

Что делает человек

Нужно по двум чёрно-белым сценам 12×12 клеток (начальной и конечной) решить, «приближается ли объект». Сначала человек задаёт подсказки для решения, то есть признаки. Например: «насколько выросла тёмная площадь», «насколько сместился центр тени». 288 пикселей сжимаются до 2 чисел.

Что делает машина

По 240 обучающим примерам она выучивает веса для каждого из двух чисел и смещение — всего 3 параметра (логистическая регрессия). Результат — прямая на плоскости справа. После обучения качество проверяется на 160 тестовых сценах, которых модель раньше не видела.

Приближение (надо уворачиваться)Пролёт мимоУдалениеСвет тускнеетНеподвижноЖёлтая рамка = ошибочное решение

Сцена-пример

Признаки, выбранные человеком

Пояснение для начинающих

Так же была устроена и программа для игры в шашки Сэмюэла 1959 года, благодаря которой широко распространилось само выражение «машинное обучение». Человек дал список критериев, которые «наверное, важны для игры», а программа, играя партию за партией, выучивала только то, какой вес придавать каждому критерию [R11]. Что смотреть — решает человек, насколько этому доверять — решает машина.

Поэтому качество сильно зависит от удачного выбора признаков. С признаками A сцена, где «темнеет вся комната», ошибочно принимается за приближение. Даже если такие сцены есть в обучающих данных, это не исправляется: в тот момент, когда сцена сжата до 2 чисел, информация, позволяющая отличить её от приближения, уже потеряна. Решить проблему можно, только если человек представит себе эту ситуацию и спроектирует новую подсказку, как в признаках B. Такое придумывание признаков называется конструированием признаков.

4Глубокое обучение

Глубокое обучение — сама выучивает даже признаки

288 пикселей → 6 скрытых нейронов → вероятность приближения1 741 вес

Что делает человек

Признаки не задаются. Вместо этого человек задаёт форму нейросети (сколько скрытых нейронов, сколько слоёв) и выбирает, какие сцены ей показать, то есть обучающие данные.

Что делает машина

Сеть получает 288 пикселей как есть. Каждый из 6 скрытых нейронов выучивает в своих весах, «при каких изменениях каких клеток включаться». Маленькие клеточные картинки на центральном рисунке — результат этого, то есть признаки, которые нейросеть создала сама.

Положительный вес (включается при светлом)Отрицательный вес (включается при тёмном)Потери на обучении

Обучающие данные

Сцена-пример

Пояснение для начинающих

Глубокое обучение ищет признаки в данных вместо человека. Поэтому оно может уловить и подсказки, о которых человек не догадался, и особенно сильно на данных, для которых признаки трудно описать словами, — фото, звук, текст. Нейросеть на этой странице — очень маленькая модель всего с одним скрытым слоем, но принцип тот же, что у моделей с десятками слоёв. Когда слоёв много, ранние слои выучивают простые признаки вроде краёв, а поздние — сложные признаки, составленные из них [R12].

Но это не бесплатно. Машинное обучение выучивает 3 веса, глубокое — 1 741. Чем больше нужно выучить, тем больше нужно примеров. Если запустить код 2, то при 8 обучающих сценах способ с признаками B дал точность на тесте 100%, а способ с пикселями — 93,9%; сравнялись они только при 240 сценах. А как видно на варианте «без изменения освещения», в ситуациях, которых не было в данных, глубокое обучение тоже ошибается. Роль человека, задававшего признаки, просто переходит в роль того, кто выбирает данные.

5Подтверждённые случаи

Подтверждённые случаи — где в мозге измерены вычисления, похожие на нейросеть

Рассмотрим четыре места, где опыты показали, насколько верна фраза «нейросеть похожа на мозг». Рисунки — поясняющие реконструкции, передающие лишь направление результатов статей, а не реальные измеренные значения.

Случай	Подтверждено опытом	Аналог в нейросети	Сила аналогии
LPLC2 дрозофилы	Сильно реагирует только на движение, расходящееся во все стороны, и не реагирует на удаление и на затемнение без движения. Передаёт сигнал в путь бегства [R6]	Детектор признака, включающийся только на определённый шаблон. Цепь делает то, что признаки B из раздела 3 делают по замыслу человека	Прямая Выяснен даже способ вычисления (возбуждение снаружи + торможение внутри)
Грибовидное тело дрозофилы	Клетки Кеньона получают входы от нескольких гломерул в почти случайных сочетаниях [R7]. На один запах включается лишь малая их часть [R9], а обучение происходит в связях на выходе [R8]	Широкий скрытый слой со случайными фиксированными связями + обучение только выходного слоя. «Способ дрозофилы» из раздела 6 части 3-2	Прямая Структуры соответствуют. Но в глубоком обучении скрытые слои обычно тоже обучаются
Первичная зрительная кора кошки	Нейроны, сильно реагирующие на полоску, наклонённую под определённым углом [R3]	Признаки краёв разной ориентации, которые выучивает первый слой нейросети для изображений [R12]	Частичная Результат похож, но способ его получения разный
Нижневисочная кора обезьяны	Группы нейронов, избирательно реагирующих на лица [R4]. Верхние слои нейросети, обученной хорошо распознавать объекты, хорошо предсказывают реакции этой области [R5]	Чем дальше по слоям, тем сложнее признаки (раздел 4 части 3-2, обучение представлений)	Частичная Хорошее предсказание ещё не доказывает, что вычисления те же

6Этапы обучения

Пять этапов обучения — человек и ИИ в две строки

Данные → обработка → обучение → предсказание → повторение. Ставим рядом то, как ребёнок учится отличать собаку от кошки, и то, как ИИ учится тому же по фотографиям.

① Данные→ ② Обработка→ ③ Обучение→ ④ Предсказание→ ⑤ Повторение

Этап	Человек (ребёнок)	ИИ (модель классификации фото)	Главное различие

Код для Colab — запустите эту страницу сами

Оба примера используют только библиотеки, предустановленные в Colab. Нажмите «Скачать блокнот (.ipynb)» и откройте его в Colab через Файл → Загрузить блокнот или скопируйте код и вставьте в ячейку нового блокнота.

Код 1 · Признаки, созданные человеком, против выученных самостоятельноК разделам 3·4 · numpy, matplotlib · CPU около 5 с

Это точный перенос опытов из разделов 3·4 этой страницы. На одних и тех же сценах сравниваются логистическая регрессия на признаках A и B и нейросеть, получающая пиксели как есть (обучающие данные с изменением освещения / без него), а признаки, созданные нейросетью, показываются картинками. Чтобы подставить свои данные, смотрите места в коде с пометкой [Чтобы подставить свои данные].

Результат запуска (запуск 2026-10-03, numpy 2.4 · matplotlib 3.10 · CPU). Генератор случайных чисел зафиксирован, поэтому результат воспроизводится. Вывод тот же, что и в браузере (признаки A и нейросеть, «обученная без освещения», ошибаются на всех сценах с освещением, а остальное угадывают верно). Но генераторы случайных чисел разные, и сцены немного отличаются, поэтому точность признаков A немного разная: в браузере 86,9% (пропущено и одно приближение), в Colab 87,5%.

Код 2 · «Сколько нужно примеров» на scikit-learnК разделам 4·6 · numpy, scikit-learn, matplotlib · CPU около 20 с

То же сравнение на библиотеке, которой пользуются на практике. Число обучающих примеров увеличивается с 8 до 240, и строится график точности на тесте для признаков, созданных человеком (машинное обучение), и исходных пикселей (глубокое обучение). Для каждого размера выборка делалась пять раз и результаты усреднялись.

Результат запуска (запуск 2026-10-03, numpy 2.4 · scikit-learn 1.8 · matplotlib 3.10 · CPU). Если человек знает хорошие признаки, хватает и небольшого числа примеров, а чтобы выучить признаки из пикселей, примеров нужно больше. В других версиях числа могут немного отличаться.

Промпты для ИИ — этот код как отправная точка

Это промпты, которые можно вставить в ИИ-помощника вроде ChatGPT, Qwen или Claude. Если нажать «Копировать», после промпта будет добавлен выбранный код. Замените текст в 〔〕 на свою ситуацию.

Код, который добавить

Ответ ИИ — лишь отправная точка. Предложенные статьи, числа и функции библиотек обязательно проверяйте по первоисточникам и официальной документации. Если для конкурса или статьи вы пользовались помощью ИИ, укажите факт и объём использования согласно правилам организаторов и журнала.

Глоссарий

Это тот же словарь, что и жёлтое пунктирное подчёркивание в тексте. Во всей серии используются одни и те же обозначения. Нажмите на название раздела, чтобы перейти к месту первого упоминания.

Собрание аналогий — и где аналогии ошибаются

Аналогия — первый шаг к пониманию, но и семя заблуждения. Для аналогий с дрозофилой и мозгом указана сила. Прямая есть данные, что это действительно делает то же самое · Частичная похожи лишь некоторые свойства · Нет соответствие неизвестно

Понятие	Бытовая аналогия	Аналогия с дрозофилой и мозгом	Где аналогия ошибается
Признак	Подсказки, на которые смотрят при выборе фруктов (цвет, вес, запах)	Прямая LPLC2 обнаруживает только один признак — «движение, расходящееся во все стороны»	Большинство признаков, выученных нейросетью, — не те подсказки, которым человек может дать название
Машинное обучение	Новичок, которому пункты чек-листа задаёт старший коллега, а сам он лишь на опыте учится, сколько баллов давать за каждый пункт	Частичная Мозг насекомого, где поверх заранее заданных эволюцией цепей обнаружения обучением меняется лишь часть связей	Эволюция не «проектирует» признаки с какой-то целью. Это лишь результат отбора за долгое время
Глубокое обучение	Подмастерье, который без чек-листа сам вырабатывает критерии, видя множество случаев	Частичная Реакции похожи на многослойную структуру зрительного пути обезьяны	Похожи реакции, но это не значит, что обучение идёт тем же способом. Использует ли мозг обратное распространение ошибки, не подтверждено
Многослойная структура	Конвейер на заводе, где деталь за деталью собирают изделие	Частичная Первичная зрительная кора → V2 → V4 → нижневисочная кора	В мозге много обратных связей, поэтому сигнал не течёт только в одну сторону
Случайное расширение + обучение выхода	Шкафчики распределяют случайно, а потом лишь заново наклеивают таблички с именами	Прямая Грибовидное тело: почти случайные входы, включается лишь малая часть, обучение на стороне выхода	Тысячи клеток грибовидного тела и детали обучающего сигнала (дофамина) гораздо сложнее модели глубокого обучения
Предобработка	Подготовка продуктов перед готовкой	Частичная Сетчатка и ламина сначала упорядочивают изменения яркости	Предобработка у живых организмов — это не правила, заданные человеком, а само устройство органов чувств
Обучение	Тренироваться, пока навык не войдёт в привычку	Частичная Изменение силы синаптических связей	Правила другие: по какому критерию, какие синапсы и насколько меняются
Ситуация, которой не было в данных	Экзаменационная задача такого типа, какого не было в учебнике	Нет	Человек в незнакомой ситуации может остановиться и сказать «не знаю», а нейросеть порой выдаёт уверенный неверный ответ (раздел 4)
Вероятностный выход	Вероятность осадков в прогнозе погоды	Нет	Высокая вероятность, выданная моделью, ещё не значит, что ответ верен. За пределами обучающего диапазона нельзя доверять и вероятности

Об авторе и источники

E-1 Об авторе · E-2 Научные источники · E-3 Материалы к рисункам

E-1 Об авторе

Сансон Ан (генеральный директор M-Robo)

Работал в Корейской корпорации электробезопасности и газете «Мэиль Кёндже» (Maeil Business Newspaper), а затем основал M-Robo — внешнее венчурное предприятие «Мэиль Кёндже», где сейчас является генеральным директором. M-Robo — медиавенчур, начинавший как внутренний стартап СМИ: он предоставлял газете «Кукмин Ильбо» робота-журналиста (StockBot) и выполнил множество проектов для Корейского агентства интернета и безопасности (KISA), Корейского фонда прессы, Корейского агентства по продвижению радиовещания и связи и других организаций. Сейчас компания развивает собственное ИИ-новостное издание Money-Robo. За время руководства компанией выиграл Asia Open Data Hackathon и дважды получил награду министра внутренних дел и безопасности за вклад в сфере дата-стартапов; является изобретателем и правообладателем 5 патентов в области искусственного интеллекта и блокчейна. Автор книги «Преступления с ИИ и самозащита»; разрабатывал электронные учебные курсы по финтеху, статистике и искусственному интеллекту для Онлайн-института непрерывного образования Корейского технологического и образовательного университета (KOREATECH). Высшая учёная степень — доктор экономических наук (Университет Тонгук, микроэкономика с математическими методами). Преподаёт дисциплины, связанные с данными и искусственным интеллектом, в нескольких университетах, в том числе в Университете Кукмин и Университете Хосо. Подробный профиль

Лекции

Сансон Ан (2025). Конспект лекций «Наука о данных для бизнеса». Кафедра конвергенции искусственного интеллекта, Открытый кибер-университет Кореи.
Сансон Ан (2025). [K-Digital] Обработка естественного языка с помощью ИИ. STEP (Платформа интеллектуального профессионального обучения), Онлайн-институт непрерывного образования Корейского технологического и образовательного университета.
Сансон Ан (2024). [K-Digital] Основы анализа финтех-данных. STEP (Платформа интеллектуального профессионального обучения), Онлайн-институт непрерывного образования Корейского технологического и образовательного университета.

Курсы на STEP: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Если из-за обновления сайта ссылки не открываются, заходите на www.step.or.kr.

Статьи и доклады

Сансон Ан (2025). Модель прогнозирования расходов домохозяйств на основе панельных данных о пенсионном обеспечении (KReIS): подход на основе моделей искусственного интеллекта. «Будущее общество» (Mirae Sahoe), 16(2). Полный текст
Сансон Ан (2025). Модель прогнозирования расходов домохозяйств на основе панельных данных о пенсионном обеспечении (KReIS): подход с использованием ИИ. Доклад на научной конференции по панельному исследованию пенсионного обеспечения (2025.05.13), Национальный институт пенсионных исследований, Национальная пенсионная служба Кореи. Материалы доклада
Сансон Ан (2025). Алгоритм обнаружения подозрительных сделок с наркотиками по текстам в соцсетях: анализ шаблонов и контекста. «Будущее общество» (Mirae Sahoe), 16(1). Полный текст
Сансон Ан (2024). Статистический подход к противодействию состязательным данным для защиты моделей обнаружения аномалий в финансовой сфере: эмпирический анализ и результаты моделирования. «Будущее общество» (Mirae Sahoe), 15(3). Полный текст
Сансон Ан (2024). Решение на основе ИИ для обнаружения публикаций в соцсетях по характеристикам виртуальных персонажей. Стендовый доклад на 2024 Summer Newmedia Party (2024.06.19), Сеульский университет медиа (аспирантура).
Сансон Ан (2024). Модель машинного обучения на панельных данных о производственном травматизме. Стендовый доклад на 10-й научной конференции по панели страхования от несчастных случаев на производстве (2024.05.17), Институт социального обеспечения работников, Корейская служба социального обеспечения работников.
Сансон Ан (2024). Анализ и прогнозирование временных рядов виртуальных активов: сравнение моделей временных рядов и моделей ИИ, предложения по улучшению. «Будущее общество» (Mirae Sahoe), 15(1). Полный текст

E-2 Научные источники

[R1] Azevedo, F. A. C., Carvalho, L. R. B., Grinberg, L. T., Farfel, J. M., Ferretti, R. E. L., Leite, R. E. P., Jacob Filho, W., Lent, R., & Herculano-Houzel, S. (2009). Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, 513(5), 532–541. doi:10.1002/cne.21974 — шапка страницы, раздел 2 (в среднем около 86,1 млрд в мозге взрослого мужчины)
[R2] Dorkenwald, S., Matsliah, A., Sterling, A. R., … Seung, H. S., Murthy, M., & the FlyWire Consortium (2024). Neuronal wiring diagram of an adult brain. Nature, 634(8032), 124–138. doi:10.1038/s41586-024-07558-y — шапка страницы, раздел 2 (139 255 нейронов, около 50 млн химических синапсов)
[R3] Hubel, D. H., & Wiesel, T. N. (1959). Receptive fields of single neurones in the cat's striate cortex. The Journal of Physiology, 148(3), 574–591. doi:10.1113/jphysiol.1959.sp006308 — шапка страницы, разделы 2·5
[R4] Desimone, R., Albright, T. D., Gross, C. G., & Bruce, C. (1984). Stimulus-selective properties of inferior temporal neurons in the macaque. Journal of Neuroscience, 4(8), 2051–2062. doi:10.1523/JNEUROSCI.04-08-02051.1984 — разделы 2·5
[R5] Yamins, D. L. K., Hong, H., Cadieu, C. F., Solomon, E. A., Seibert, D., & DiCarlo, J. J. (2014). Performance-optimized hierarchical models predict neural responses in higher visual cortex. PNAS, 111(23), 8619–8624. doi:10.1073/pnas.1403112111 — раздел 5
[R6] Klapoetke, N. C., Nern, A., Peek, M. Y., Rogers, E. M., Breads, P., Rubin, G. M., Reiser, M. B., & Card, G. M. (2017). Ultra-selective looming detection from radial motion opponency. Nature, 551(7679), 237–241. doi:10.1038/nature24626 — разделы 1·3·5
[R7] Caron, S. J. C., Ruta, V., Abbott, L. F., & Axel, R. (2013). Random convergence of olfactory inputs in the Drosophila mushroom body. Nature, 497(7447), 113–117. doi:10.1038/nature12063 — разделы 1·5
[R8] Aso, Y., Hattori, D., Yu, Y., Johnston, R. M., Iyer, N. A., Ngo, T.-T. B., Dionne, H., Abbott, L. F., Axel, R., Tanimoto, H., & Rubin, G. M. (2014). The neuronal architecture of the mushroom body provides a logic for associative learning. eLife, 3, e04577. doi:10.7554/eLife.04577 — разделы 1·5
[R9] Dasgupta, S., Stevens, C. F., & Navlakha, S. (2017). A neural algorithm for a fundamental computing problem. Science, 358(6364), 793–796. препринт на bioRxiv — раздел 5 (структура, при которой на один запах включается около 5% клеток Кеньона, истолкована как вычислительный алгоритм)
[R10] Sela, L., Sacher, Y., Serfaty, C., Yeshurun, Y., Soroker, N., & Sobel, N. (2009). Spared and impaired olfactory abilities after thalamic lesions. Journal of Neuroscience, 29(39), 12059–12069. doi:10.1523/JNEUROSCI.2114-09.2009 — разделы 1·2 (обоняние идёт в кору без переключения в таламусе)
[R11] Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210–229. doi:10.1147/rd.33.0210 — раздел 3. Определение «способность учиться без явного программирования», которое часто цитируют как взятое из этой статьи, в оригинале найти не удалось, поэтому мы его не использовали
[R12] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. doi:10.1038/nature14539 — разделы 4·5
[R13] Lillicrap, T. P., Santoro, A., Marris, L., Akerman, C. J., & Hinton, G. (2020). Backpropagation and the brain. Nature Reviews Neuroscience, 21(6), 335–346. doi:10.1038/s41583-020-0277-3 — разделы 2·6

E-3 Материалы к рисункам

Схемы путей в мозге в разделах 1·2 — упрощённые схемы, передающие лишь взаимное расположение на основе источников из E-2 и общих знаний нейроанатомии. Это не реальные анатомические данные
Рисунки реакций в разделе 5 — поясняющие реконструкции, передающие лишь направление результатов [R3]·[R4]·[R6]·[R7]. Это не реальные измеренные значения

Советы преподавателю

Практические рекомендации для преподавателей, наставников по OJT (обучению на рабочем месте) и тьюторов. Время указано ориентировочно — подстраивайте его под реальное занятие.

Аудитория	Студенты, работающие специалисты и старшеклассники, впервые изучающие ИИ. Это первая часть серии, её можно читать без формул. При базовом знании Python — вплоть до практики в Colab
Предварительные знания	Не нужны. Хорошо бы знать, что «нейроны обмениваются электрическими сигналами»
Цели обучения	① Сравнить и объяснить пути, по которым мозг человека, машинное обучение, глубокое обучение и мозг дрозофилы обрабатывают стимул ② Объяснить разницу между машинным и глубоким обучением через вопрос «кто задаёт признаки» и привести примеры ограничений каждого ③ Отличать установленное в исследованиях мозга от предположений
Ориентировочное время	Чтение 30–40 мин · показ анимаций 20 мин · практика в Colab 25 мин (код 1 — 10 мин, код 2 — 15 мин)

Три варианта занятия

Лекция, 50 мин

Упор на понятия

Вступление 5 мин (раздел 1, приближающаяся тень) → раздел 2, четыре чувства, 10 мин → разделы 3·4, поединок с ловушкой освещения, 20 мин → раздел 5, один выбранный случай, 10 мин → проверочные вопросы 5 мин.

OJT на рабочем месте, 90 мин

Упор на применение в работе

Разделы 3·4 15 мин → обсуждение «Какие признаки человек может задать для наших рабочих данных?» 20 мин → практика с кодом 2 25 мин → по таблице раздела 6 сформулировать «пять этапов внедрения ИИ в нашей команде» 20 мин → карточки с промптами 10 мин.

Индивидуальные занятия

Темп по уровню

Начинающим — только разделы 1·3·4·6. Учащимся среднего уровня предложите объяснить по рисунку плоскости, почему признаки A из раздела 3 не исправляются добавлением данных, а затем самим спроектировать в коде 1 ещё один признак.

Ключевые моменты по разделам

Раздел	Вопрос, на котором стоит остановиться	Совет по управлению
1 Четыре пути	«Что общего делают все четыре пути? Кто определил эту работу?»	Нажимайте по очереди «Путь подробно» и сравнивайте цвета рамок (жёлтый, зелёный, розовый)
2 Мозг человека	«Чем отличается одно лишь обоняние?»	Посмотрите зрение, затем переключитесь на обоняние и обратите внимание, что оно минует таламус
3 Машинное обучение	«Почему затемнение всей комнаты принимается за приближение?»	В признаках A выберите «Свет тускнеет», затем переключитесь на B и посмотрите, как жёлтая точка перемещается на плоскости
4 Глубокое обучение	«Если признаки не задаются, что тогда должен решать человек?»	Сначала покажите провал, обучив на варианте «Без изменения освещения», затем обучите заново на варианте «С изменением освещения»
5 Подтверждённые случаи	«Чем отличаются утверждения “мозг и нейросеть похожи” и “мозг и нейросеть одинаковы”?»	Читайте силу аналогии в таблице (прямая, частичная) вместе с обоснованием
6 Этапы обучения	«Продолжает ли ИИ учиться после развёртывания?»	Пролистайте кнопкой «Следующий этап» до ⑤ Повторение и прочитайте вслух столбец «Главное различие» в таблице

Топ-5 частых заблуждений

Заблуждение	Верное объяснение	Что показать
Глубокое обучение в точности копирует мозг человека	Заимствован лишь каркас — слои и сила связей. Способ обучения (обратное распространение ошибки) в мозге не подтверждён	Список «предположений» в разделе 2, таблица в разделе 5
Глубокое обучение всегда лучше машинного обучения	Если хорошие признаки известны, а данных мало, машинное обучение бывает лучше	Результат кода 2 в блоке пояснений раздела 4
Глубокому обучению совсем не нужен человек	Вместо признаков человек выбирает данные. В ситуациях, которых не было в данных, модель ошибается	Вариант «Без изменения освещения» в разделе 4
Машинное обучение и глубокое обучение — разные области	Глубокое обучение — одна из ветвей машинного обучения. Это машинное обучение, которое выучивает из данных даже признаки	Сравнение двух строк в разделе 1
Принципы работы мозга полностью выяснены	Общий каркас сенсорных путей выяснен, но правила принятия решений и обучения ещё исследуются	Пунктирные этапы в разделе 2

Проверочные вопросы (нажмите, чтобы раскрыть разбор)

Q1. Используя слово «признак», разграничьте машинное и глубокое обучение — по одному предложению на каждое.

В машинном обучении (традиционный подход) признаки задаёт человек, а машина выучивает веса для каждого признака. В глубоком обучении машина выучивает из исходных данных даже признаки. В разделе 3 выучивалось 3 веса, в разделе 4 — 1 741.

Q2. Почему признаки A из раздела 3 ошибаются на сценах «Свет тускнеет», хотя такие сцены есть в обучающих данных?

В момент перевода в признаки A (изменение площади, смещение центра) сцена с освещением превращается в точку «площадь сильно выросла, центр на месте» и оказывается на той же стороне, что и приближение, только ещё дальше. Одной прямой её от приближения не отделить. Добавление данных не помогает, потому что признаки уже потеряли информацию.

Q3. Какое из чувств человека идёт прямо в кору больших полушарий, минуя таламус?

Обоняние. Путь: обонятельный эпителий → обонятельная луковица → грушевидная кора. Зрение, слух и осязание проходят через таламус.

Q4. Чем похожи LPLC2 дрозофилы и признаки B из раздела 3?

Оба отличают «объект расширяется во все стороны» от «просто темнеет». LPLC2 не реагирует на затемнение без движения. Разница в том, что признаки B спроектировал человек, а LPLC2 — цепь, сформированная в ходе развития.

Q5. В чём проблема рассуждения «на обучающих данных точность 100%, значит, и на практике всё будет хорошо»?

Встретив ситуацию, которой не было в обучающих данных (изменение освещения в разделе 4), модель может ошибиться. Нужно измерять качество на новых, не виденных тестовых данных и проверять, входят ли в обучающие данные ситуации, возможные на практике.

Задания в Colab

Базовое

Добавьте в типы сцен кода 1 «приближение под углом» (тень растёт, а центр тоже сильно смещается). Сведите в таблицу, как меняется точность на тесте у признаков A·B и нейросети, и объясните причину в трёх предложениях.

Повышенной сложности

Выберите один набор своих рабочих данных и спроектируйте 3 «признака, которые может задать человек». По образцу кода 2 сравните «признаки + логистическая регрессия» и «исходные данные + нейросеть» при разном числе обучающих примеров и обоснованно напишите вывод, что использовать.

Настройка сложности и что изучить дальше

Начинающим	Таблицу в разделе 2 и раздел 5 можно пропустить без потери нити. Достаточно чётко показать один пример «Свет тускнеет» из разделов 3·4
Углублённо	Обсудите, почему на рисунке скрытых нейронов в разделе 4 веса «начальной сцены» и «конечной сцены» получаются противоположного цвета (конечная − начальная = фильтр, видящий изменение). Затем переходите к обратному распространению ошибки в части 3-2
Что изучить дальше	Сансон Ан, конспект лекций «Наука о данных для бизнеса» (наука о данных в целом) · STEP [K-Digital] Обработка естественного языка с помощью ИИ (связано с 3-5·3-8) · STEP [K-Digital] Основы анализа финтех-данных (связано с 3-6)
Материалы для преподавателя	Критерии оценки проверочных вопросов и примеры ответов к заданиям — на странице ответов для преподавателей (3-1)

Четыре пути — один стимул идёт одновременно

Пояснение для начинающих

Мозг человека — отделяем установленное от предположений

Почему о мозге человека так много «предположений»

Машинное обучение — признаки проектирует человек

Пояснение для начинающих

Глубокое обучение — сама выучивает даже признаки

Пояснение для начинающих

Подтверждённые случаи — где в мозге измерены вычисления, похожие на нейросеть

Пять этапов обучения — человек и ИИ в две строки

Код для Colab — запустите эту страницу сами

Промпты для ИИ — этот код как отправная точка

Глоссарий

Собрание аналогий — и где аналогии ошибаются

Об авторе и источники

E-1 Об авторе

Лекции

Статьи и доклады

E-2 Научные источники

E-3 Материалы к рисункам

Советы преподавателю

Три варианта занятия

Упор на понятия

Упор на применение в работе

Темп по уровню

Ключевые моменты по разделам

Топ-5 частых заблуждений

Проверочные вопросы (нажмите, чтобы раскрыть разбор)

Задания в Colab

Базовое

Повышенной сложности

Настройка сложности и что изучить дальше

Отличная работа!