В «Гамлете» придворный Озрик так усердно украшает речь, что ремешки для оружия превращаются у него в гужи — часть конской упряжи. Ещё немного, и к рапире придётся прилагать лошадь, кучера и место в конюшне. Гамлет предлагает пока оставить шпагам обычные портупеи. Слово становится проще, снаряжение — заметно легче.
Собираетесь подготовить приглашение на встречу фотокружка, открываете описание подходящего обучения — и встречаете AI, ML, DL, нейросети, генерацию. Названия стоят рядом, будто в субботу придётся созвать пять специалистов. Между тем вам нужен один короткий текст с датой и местом. Карта поможет понять, какие слова описывают область, какие — метод, а какие — нужное действие.
Возьмём три решения: экспертный помощник с заданными правилами, обученный фильтр писем и нейросетевой генератор текста. У каждого выясним одну вещь: откуда взялся способ получать ответ. Проверим карту на письмах фотокружка: здесь одно и то же действие на экране ещё не выдаёт способ работы программы.
Машинное обучение и искусственный интеллект на одной карте
Положите перед собой лист и нарисуйте большой круг «ИИ». В нём — круг «Машинное обучение», а во втором — «Глубокое обучение». Внутреннюю область можно обвести пальцем, не выходя за внешние. Так и решение на глубокой нейросети одновременно относится к машинному обучению и ИИ.
Карта отношений областей. Внешнее название охватывает разные способы построить решение.
ИИ объединяет методы создания систем, которые решают задачи распознавания, рассуждения, выбора действий и другие интеллектуальные задачи. В эту область входят разные подходы. Для части систем знания и ход вывода можно описать явно — например, в экспертной системе, которая применяет заданные специалистами правила.
ML — сокращение от machine learning, машинного обучения. Здесь модель обучают на данных, чтобы она делала полезные предсказания или создавала содержание. Например, показывают сообщения с известными метками «спам» и «обычное письмо», а затем используют обученную модель для новых сообщений.
DL — deep learning, глубокое обучение. Это семейство методов машинного обучения с многослойными нейронными сетями. Слои преобразуют представления данных по ходу обработки. Глубину здесь считают по устройству сети. Ведро житейской мудрости в комплект поставки не входит — даже если приглашение вышло душевным.
В сравнении Microsoft эти отношения заданы прямо: машинное обучение входит в ИИ, глубокое — в машинное. Так удобно читать карту. ИИ не стоит рядом с ML как ещё один сервис, на который надо отдельно завести учётную запись.
Правила можно написать заранее
Представим экспертного помощника для разбора обращений в маленький фотокружок. Ведущий кружка описал знания о ситуациях: какие сведения нужны для ответа, когда стоит уточнить дату, когда просьба требует решения организатора. Разработчик перенёс эти знания в правила, а программа применяет их к описанному случаю.
Приходит сообщение: «Перенесём прогулку? В субботу не смогу». В правилах этой системы предусмотрено, что для переноса нужна новая дата. Помощник выбирает уточняющий вопрос. Когда дата названа, следующая ветвь направляет предложение организатору на решение. Можно пройти по цепочке условий и увидеть, где сработало каждое из них.
На нашей карте это пример системы с явно заданными знаниями и выводом по правилам. Мы специально описали её без обученного компонента: параметры модели на подборке примеров для неё не подбирали. Допустим, кружок договорился, что новую дату сначала предлагают всем участникам. Специалист меняет правило согласования. Простая команда «покажи ещё десять примеров писем» прежнюю логику не перепишет: в этом варианте нужно изменить сами явно заданные знания.
Экспертные системы относятся к подходам ИИ; их, в частности, называет обзор Google Cloud. В нашей схеме такой помощник находится внутри ИИ, за пределами круга ML. Из названия «интеллектуальный» обучение на данных само по себе не следует.
Рядом оставим обычный почтовый фильтр: «если пришло письмо от клуба, переложить в папку “Клуб”». Здесь достаточно одного сравнения адреса. Уменьшим торжественность названия до размера действия: программа перекладывает письмо. Позже поставим рядом обученный фильтр и увидим, почему похожее движение по экрану ещё не делает их одинаковыми.
Классификатор учится различать письма
Теперь поменяем способ решения. Есть много сообщений, часть помечена как спам, часть — как обычная переписка. На этих данных обучают классификатор. Он подбирает параметры по примерам, а потом получает новое сообщение и оценивает, к какой категории его отнести.
Такое обучение называют обучением с учителем: в примерах есть известные правильные ответы. «Учитель» здесь — наличие меток, а не человек, который сидит за каждым новым письмом. Введение Google в ML объясняет классификацию через предсказание категории, в том числе на примере спама.
Пусть в нашем случае выбран метод без нейронной сети. Тогда классификатор попадёт в область ML внутри ИИ, но останется снаружи DL. Научиться на примерах можно разными способами. Нам не нужно менять название всей области, если разработчик выбрал другой алгоритм.
Два письма оказались в одной папке. Первое туда отправило ваше условие о знакомом адресе, второе — обученный фильтр. На экране одинаковое движение: письмо исчезло из входящих. Но если открыть объяснение устройства, обнаружатся две разные причины этого движения. Одна — заданное условие, другая — предсказание модели после обучения.
Различие пригодится, когда приглашение от знакомого попало в спам. У простого фильтра вы откроете условие и проверите адрес. Для обученного классификатора нужно смотреть, какие новые сообщения он путает и как его проверяли после обучения. Одно письмо можно вернуть во входящие сразу. А вот превратится ли ваша поправка в материал следующего обучения — отдельный вопрос об устройстве программы.
Давайте задержимся в моменте, когда пришло новое письмо. Раньше на данных подобрали параметры модели — это обучение. Теперь готовая модель обрабатывает вход и выдаёт оценку — это применение. Почтовое уведомление сообщает о новом письме; свидетельством нового обучения оно не служит.
Генератор пишет новое содержание
Третий пример — генератор текста на глубокой нейросети. Вы сообщаете, что фотокружок собирается в субботу на прогулку, и просите подготовить короткое приглашение. На выходе появляется новый текст, составленный по запросу. Теперь задача состоит в создании содержания.
Для каждого решения указано происхождение способа работы. Генератор в этом примере использует глубокую нейросеть.
Его место — внутри DL, а значит, одновременно внутри ML и ИИ. Когда знакомый спрашивает «это ИИ?», можно ответить «да». Когда спрашивает о методе — назвать глубокую нейросеть. Когда интересуется, что вы с ней делаете, — показать приглашение. Ответы относятся к одному примеру и раскрывают разные его стороны.
Получается, у описания есть разные стороны. «Глубокое обучение» говорит о методе. «Генерация» говорит о характере результата. Глубокая сеть может также распознавать объекты или относить сообщения к категориям. Если заменить наш второй классификатор глубокой нейросетью, его задача по-прежнему будет звучать «отличить спам». Но точку на карте придётся передвинуть внутрь DL: поменялся метод.
Не любой генератор текста обязательно устроен так же. Программа может вставлять дату и место в заранее написанную фразу: «Ждём вас [дата] в [место]». В нашем третьем примере задана именно обученная глубокая нейросеть. Поэтому мы можем разместить её во внутреннем круге, не пытаясь угадать устройство по одной красивой строке.
Дата субботней прогулки приходит к генератору в запросе и становится материалом текущего приглашения. Это ещё один пример применения готовой модели. Вопрос о том, использует ли продукт сообщения для последующего обучения, решается отдельно по правилам и документации этого продукта.
Сведём три решения в одну таблицу
Пока круги лежат перед глазами, подпишем для каждого примера место и основание. Здесь важно условие «в нашем примере»: для реального сервиса понадобилось бы узнать, какие компоненты внутри него действительно используются.
| Решение | Откуда берётся способ работы | Место на карте |
|---|---|---|
| Экспертный помощник без обученного компонента | Знания и правила явно задал человек | ИИ, вне ML |
| Классификатор спама без нейронной сети | Параметры подобраны на помеченных примерах | ML внутри ИИ, вне DL |
| Генератор на глубокой нейросети | Модель обучена на данных; в запросе дан материал приглашения | DL внутри ML и ИИ |
Для второго примера фраза «без нейронной сети» существенна. Уберите это условие — и по слову «классификатор» уже нельзя решить, находится ли модель внутри DL. Категорию можно предсказывать разными методами. Если в описании метода нет, возле внутреннего круга останется вопрос.
Для третьего существенна глубокая нейросеть. Замените её готовым шаблоном — приглашение всё ещё можно получить, только в нашем примере исчезнет основание для внутреннего круга. Теперь проверять карту удобно двумя вопросами: что программа сделала и каким способом? Один ответ не заменяет другой.
Почтовый фильтр не помещается в ярлык целиком
Вернёмся к правилу «письмо от клуба — в папку “Клуб”». Чтобы выполнить его, достаточно сравнить адрес и выбрать папку. Само по себе такое действие не требует обучения на примерах и не даёт нам основания описывать его как нейросетевую модель.
А теперь пусть в той же почтовой программе работает обученный фильтр спама и рядом есть кнопка создания черновика ответа. В одном продукте оказались простое правило, классификатор и генератор. Название всего приложения не распределит компоненты по кругам за нас.
Общий интерфейс объединяет действия, которые могут быть устроены по-разному. Это схема состава, а не изображение конкретного сервиса.
Поэтому пограничный случай разберём вопросами: какая часть принимает решение, на чём основан выбор, где использована обученная модель? Если ответ известен только для фильтра спама, так и подпишите его на карте. Остальные части приложения можно описать по доступным сведениям.
Теперь откройте описание занятия, с которого началась история. Там предлагают написать приглашение в готовом чате или собрать данные, обучить классификатор и проверить его на новых письмах? Первый результат — практика применения готовой модели. Второй — работа над обучением своей. Оба относятся к большой области ИИ, но день за столом у вас пройдёт по-разному. Вот для чего пригодилась карта.
Попросите ИИ проверить вашу карту
Начните с трёх уже описанных примеров. Откройте DeepSeek или привычный чат и попросите объяснить их расположение. Полезнее получить основание для каждого выбора, чем просто ещё один рисунок с кругами.
Помоги проверить карту ИИ, машинного и глубокого обучения.
Примеры:
1. Экспертная система применяет вручную заданные знания и правила.
Обученного компонента в ней нет.
2. Классификатор спама обучен на помеченных письмах.
В этом примере нейронная сеть не используется.
3. Генератор текста использует обученную глубокую нейронную сеть.
Размести примеры во вложенных областях ИИ → ML → DL.
Для каждого укажи, где правила заданы человеком, а где параметры обучены.
Отдельно объясни, почему по слову «классификатор» нельзя узнать,
используется ли глубокое обучение.
Если сведений о реальном сервисе не хватает, не угадывай его устройство.Сверьте ответ со схемой и таблицей. Первый пример остаётся за пределами ML, второй входит в ML без DL, третий находится во всех трёх областях. Хорошее объяснение сохраняет условия каждого примера. Если помощник отправил любой классификатор во внутренний круг, верните его к строке про отсутствие нейронной сети.
После этого принесите описание одной знакомой программы. Попросите помощника выделить сведения об обучении и архитектуре. Если текст сообщает только «умный фильтр», полезным результатом станет вопрос: «Фильтр использует обученную модель или явно заданные условия?» Когда у помощника есть поиск, пусть найдёт ответ в официальной документации; без поиска можно вставить подходящий фрагмент самому. Пустое место на карте превратится в конкретный вопрос.
Если хотите перейти от карты к небольшому результату, выберите первую задачу для ИИ. А когда сравниваете программы занятий, пригодится разбор как выбрать обучение под свою задачу. Каждый переход продолжает свой вопрос: что попробовать или чему учиться дальше.
В «Первопроходцах» можно продолжить такую практику на своих материалах, задавать вопросы и разбирать результат. Условия участия помогут выбрать следующий шаг. На первую пробу достаточно одного знакомого дела и понятного ответа, по которому вы увидите, что получилось.
Частые вопросы
ИИ и ML — конкурирующие технологии?
ML входит в область ИИ. Это отношение части и более широкой области. Один и тот же компонент может правильно называться обоими словами.
Глубокое обучение всегда создаёт текст или картинки?
Нет. Многослойные нейронные сети применяют и для предсказаний, и для распознавания. Генерация описывает результат задачи, а DL — семейство методов.
Любая нейросеть относится к глубокому обучению?
Для DL важна многослойная глубокая архитектура. Слово «нейросеть» само по себе ещё не сообщает достаточно об устройстве конкретной модели.
Нужно ли учить ML, чтобы попросить ИИ написать приглашение?
Для первой работы с готовым чатом достаточно поставить задачу и проверить ответ. Разработка и обучение собственных моделей требуют другого набора знаний и практики.
Вернитесь к трём кругам и расставьте примеры по местам. Для каждого у вас есть основание: явно заданные знания, обучение на помеченных письмах, глубокая нейросеть. В описании занятия тоже стало видно, какое дело вам предлагают. Лошадь для рапиры можно не заказывать. До субботы осталось дописать приглашение.