Найти похожее

😳ИИ может быть к нам предвзятым С одной стороны, нейросети не могут испытывать чувств, с другой стороны, могут проявлять предвзятость. Как так? Рассказываем👇 Алгоритмы ИИ обучаются на основе исторических данных, которые могут содержать существующие предрассудки и дискриминационные практики. Если обучающие данные отражают социальные предубеждения, алгоритм может воспроизводить и даже усиливать эти предубеждения. Вот, как это проявляется: 💙Системы распознавания лиц часто демонстрируют меньшую точность при идентификации людей с тёмным цветом кожи по сравнению с людьми с светлым цветом кожи. 💙Автоматизированные системы отбора резюме могут неосознанно дискриминировать кандидатов на основе пола, расы или возраста. Так, в 2018 году алгоритм найма, разработанный Amazon, демонстрировал предвзятость против женщин, так как обучался на данных, где преобладали резюме мужчин. 💙Алгоритмы, используемые для оценки кредитоспособности, могут демонстрировать предвзятость в отношении определённых демографических групп. Такой случай заметили в 2019 году, когда компания Apple Card предоставляла мужчинам более высокие кредитные лимиты по сравнению с женщинами, за что подверглась критике. Как с этим бороться? ✅ При обучении нужно включать данные, представляющие все группы населения, и регулярно проводить аудит данных на наличие предвзятости. ✅ Использовать различные метрики, такие как справедливость (fairness), для оценки работы алгоритмов и выявления потенциальных проблем. ✅ Следить за образованностью разработчиков и пользователей ИИ и повышать осведомлённость о таких проблемах и способах их решения. Это поможет создать культуру ответственности и этичного использования ИИ. Встречались с такими случаями? ❤️ — нет, что вы! 🔥 — возможно не заметил(а) 👀 — ой, было дело #теория@EDU4Telegrambot

👩‍⚖️Уроки: авторское право и этика в AI Продолжаем разговор о праве и AI. Эта тема актуальна не только для тех, кто работает юристом, но и всех, кто создает что-либо с помощью нейросетей. На курсе «Нейрограмотность» вы найдете уроки от основателя юридической фирмы на следующие темы: 🟣Автор и результаты AI-творчества 🟣Правила использования ChatGPT и DALL-E 3 🟣Правила использования Midjourney и HeyGen 🟣Деловая этика в AI 🔍КАК НАЙТИ УРОКИ? Меню ➡️ Теория ➡️ Модуль1.3. Авторское право и этика в AI 🔵 Все уроки в видео и текстовом формате находятсяв образовательном боте. Как считаете, кто создатель ваших картинок Midjourney? ❤️ — конечно я! 🔥 — уважаемый ИИ 😎 — Илон Маск #теория@EDU4Telegrambot

📖Открытый ИИ: кто и куда его открыл? Одна из последних моделей, DeepSeek, быстро набрала популярность благодаря так называемому открытому исходному коду. Давайте разберемся, что это все значит и зачем компаниям раскрывать на всеобщее обозрение все свои технологии. ➡️ Доступность и настройка DeepSeek дает возможность разработчикам адаптировать модель под свои конкретные нужды. Это помогает небольшим компаниям, стартапам и индивидуальным разработчикам использовать технологии AI без ограничений. ➡️ Сотрудничество Открытый код способствует созданию совместной среды, где разработчики могут вносить улучшения и инновации в модель. Это ускоряет процесс разработки и позволяет более разнообразному кругу экспертов участвовать в эволюции AI. ➡️ Прозрачность и доверие Модели с открытым исходным кодом часто воспринимаются как более надежные, потому что мы с вами можем смотреть и понимать, как все работает на самом деле. Получается классный эффект синергии, в ходе которого готовые технологии могут быть не только эффективно использованы, но и модернизированы путем объединения сил и идей. А все это — прямой путь к более быстрому развитию AI-мира 🤩 Знали про открытый ИИ? ❤️ — что-то где-то слышал(а) 🔥 — да, знаком(а) с этим! 👀 — ой, вообще что-то непонятное #теория@EDU4Telegrambot

🧐Как ИИ становится доступнее Раньше для того, чтобы самостоятельно создать и обучить эффективную модель, требовалось очень много данных и большие мощности. Значит, проекты без существенной поддержки извне были невозможны по умолчанию. Однако сейчас все меняется и способствует этому трансферное обучение. ❓Как это работает? Представим, что модель обучается распознавать картинки с животными. Затем её знания используются, чтобы распознавать картинки с транспортом. Модель уже знает много о том, как распознавать объекты, и ей не нужно учиться с нуля. Это помогает быстрее и лучше решать новые задачи! 🤯Что это все значит? Это значит, что теперь на обучение новых моделей требуются ни дни, а минуты, что еще больше ускоряет развитие сферы искусственного интеллекта и разработку новых моделей. Как вам скорости развития ИИ сейчас? ❤️ — просто бешенные! 🔥 — вполне обычный темп 👀 — а что вообще меняется? #теория@EDU4Telegrambot

🤯 Модели, которые могут все Встречали людей, про которых говорят «и швец, и жнец»? Так вот, то же самое можно сказать и про нейросети, только более научным языком. Если перед вами мультимодальная модель, значит к ней можно обратиться сразу с несколькими вопросами: распознать элементы на изображениях, интерпретировать текстовые запросы, обработать текст, звук, изображения и видео. 🔴 Часть нейросетей мы с вами знаем: ChatGPT, Gemini, которые, кстати, доступны в @GPT4Telegrambot. Где их применяют? ▶️В образовании для создания интерактивных обучающих материалов, которые комбинируют текстовые и визуальные элементы. ▶️В логистике для оптимизации маршрутов с использованием данных GPS и текстовой информации о заказах. ▶️В медицинской диагностике для анализа изображений (например, рентгеновских снимков) в сочетании с текстовыми описаниями симптомов. Как считаете, такие модели удобны? ❤️ — конечно, еще спрашиваете 🔥 — думаю, да 👀 — пусть лучше каждый делает свое #теория@EDU4Telegrambot

🔍Как работают лучшие нейросети для поиска? Чтобы избежать галлюцинаций и давать наиболее точные ответы на наши запросы, некоторые нейросети используют Retrieval-Augmented Generation (RAG). Это такой метод, который позволяет не просто «выдумывать» ответы, а еще и искать информацию в реальных источниках. Рассказываем, как это работает 👇 1⃣ Первый этап: поиск информации Когда мы задаем вопрос, нейросеть сначала ищет информацию в различных источниках: книгах, статьях или интернете. Это как если бы мы искали ответ на вопрос в библиотеке, вместо того, чтобы выдумывать его самостоятельно (вполне логично, не так ли?). 2⃣Второй этап: генерация ответа После того, как нейросеть находит нужные данные, она использует их, чтобы сформулировать ответ. Эта информация может быть скомбинирована с тем, что нейросеть уже знает. В итоге мы получаем новый, готовый текст, который будет понятным и полезным. 🔴 По такому принципу работает, например, известная нам нейросеть Perplexity. Вы можете убедиться в этом, если в @GPT4Telegrambot введете свой запрос после команды /s. Часто используете Perplexity? ❤️ — нет, чаще ChatGPT 🔥 — да, это лучший поисковик! 😎 — я вообще за Google #теория@EDU4Telegrambot

😯 ИИ галлюцинирует? Если вы когда-нибудь встречали странные руки или получали от ИИ информацию о том, чего не было на самом деле, значит вы столкнулись с галлюцинациями. 🤨Откуда они берутся? Галлюцинации могут возникать из-за недостатка данных для обучения, ошибок в обучающих данных или сложности моделей глубокого обучения. Эти факторы могут привести к тому, что ИИ начинает интерпретировать данные неправильно. Также, как и человек, искусственный интеллект иногда может «видеть» и «слышать» вещи, которых нет. Также это происходит из-за способа, с помощью которого нейросети формируют, например, текст. При ответе на наш запрос ИИ предсказывает следующее слово, основываясь на большом объеме предыдущих данных, при этом не всегда правильно подбирая фразы. Вспомните те самые странные подсказки Т9 в телефоне 😅 С каждой новой моделью таких ошибок встречается все меньше, но иногда мы на них все равно натыкаемся. А вы сталкивались с галлюцинациями ИИ? ❤️ — конечно, мои любимые 6 пальцев! 🔥 — было, но очень мало 😎 — у меня с ИИ все идеально #теория@EDU4Telegrambot

🌊Что такое глубокое обучение? Мы уже говорили о том, что такое слои в нейросетях и какие онибывают. Оказывается, нейросети с большим количеством этих самых слоев ведут себя определенным образом во время обучения (прямо как самые идеальные ученики). Рассказываем подробнее ⤵️ Представьте, что вы обучаете ребенка распознавать животных. Вы показываете ему множество картинок с кошками и собаками и объясняете, чем они отличаются. Со временем ребенок начинает сам распознавать, что на картинке — кошка или собака, даже если он никогда не видел именно эту картинку раньше. Так и с глубоким обучением: вам не нужно вручную выбирать, какие признаки использовать для обучения модели. Модель сама находит важные признаки на разных уровнях. Где применяется? ➡️ Компьютерное зрение: распознавание объектов, лиц и анализ изображений и видео. ➡️ Обработка естественного языка (NLP): перевод текстов, создание чат-ботов и анализ тональности. ➡️ Здравоохранение: диагностика заболеваний, анализ медицинских изображений и персонализированная медицина. Важно понимать, что глубокое обучение требует значительных вычислительных мощностей и с ним вряд ли справятся обычные компьютеры. Было ли понятно? ❤️ — точно да! 🔥 — загружаюсь... 😎 — все знаю #теория@EDU4Telegrambot

✍️Рекуррентные нейронные сети Не стоит бояться этих сложных слов — сейчас разберемся с новым типом нейросетей и объясним все простыми словами. Поехали👇 🤓Как это работает? Представьте, что робот читает книгу. Он может запоминать, что произошло на предыдущих страницах, чтобы лучше понять, что происходит сейчас. Например, если в начале истории сказано, что герой — смелый рыцарь, то когда он встречает дракона, робот вспомнит, что он смелый и не испугается. Так и с рекуррентными нейросетями: в отличие от обычных нейросетей, где информация передается только в одном направлении (от входа к выходу), в RNN есть циклы, которые позволяют информации возвращаться назад. Это помогает сети учитывать предыдущие состояния и использовать это для понимания следующих слов. 💬Где применяют RNN? 🟢В чат-ботах для обработки и генерации ответов на основе предыдущих сообщений 🟢Для перевода текстов с учетом контекста 🟢При преобразовании аудиосигналов в текст 🟢Для создания связного текста на основе заданного контекста Что еще важно? Известные нам ChatGPT и другие подобные нейросети не работают на основе RNN, но об этом мы расскажем на следующей неделе 🤫 Удалось разобраться с RNN? ❤️ — да, я все понял(а)! 🔥 — объясните еще раз... 😎 — говорю же, я все знаю #теория@EDU4Telegrambot

📺СNN в искусственном интеллекте? Продолжаем нырять глубже в теорию искусственного интеллекта и сегодня говорим про CNN. Нет, не про телеканал, а про тип нейросетей, который вам уже, кстати, встречался. 🧐Как это работает? Представьте, что вы смотрите на фотографию. Когда мы смотрим на изображение, мы не анализируем каждую деталь по отдельности, а вместо этого замечаем общие формы, текстуры и паттерны. Сверточные нейросети делают что-то похожее, но с помощью математических операций и на уровне слоев, о которых мы говорили ранее. Каждый слой находит всё более сложные паттерны. Например, первый слой может находить края, второй — формы, а третий — более сложные объекты. После всех этих операций информация передается в выходной слой, который принимает решение о том, что изображено на картинке (например, кошка или собака). 🧑‍💻Где еще применяют сверточные нейронные сети? 🟣Для анализа медицинских изображений (например, рентгеновских снимков) при выявлении заболеваний. 🟣Для распознавания дорожных знаков, пешеходов и другие объектов на дороге. Как вам такие подробности из мира ИИ? ❤️ — класс, все понятно! 🔥 — сложно... 😎 — я все знаю уже #теория@EDU4Telegrambot

🤯Слои в нейросетях Погружаемся все глубже в теорию нейросетей. Сегодня большая, но очень интересная тема (многослойная, так сказать). Разберем, как работают все слои, на примере яблок и бананов: ⬇️Входной слой Сначала показываем картинку фрукта. Этот слой просто принимает данные о цвете и форме (например, пиксели картинки). ⬇️Первый скрытый слой Слой замечает простые вещи: «О! Этот фрукт круглый!» или «Этот фрукт длинный!» ⬇️Второй скрытый слой Слой делает выводы чуть сложнее: «Круглый фрукт с красным цветом, скорее всего, яблоко», «Длинный желтый фрукт — это банан». ⬇️Выходной слой Нейросеть выдает нам результат: «Это яблоко!» или «Это банан!» Итак, теперь вы знаете еще чуть больше о том, как работают нейросети и можете смело блеснуть умом при разговоре с друзьями 😏 Хотели бы узнать еще больше подробностей на эту тему? ❤️ — конечно, еще спрашиваете! 🔥 — погодите, идет загрузка 😎 — а я и без этого все знаю #теория@EDU4Telegrambot

🤓Кто обучает ИИ? Мы уже узнали, что нейросети — очень хорошие ученики. Теперь нужно разобраться, кто помогает им учиться и как. Рассказали подробно про два вида машинного обучения, которые используются при работе с известными нам нейросетями. Читайте в карточках, когда нейросетям нужен «наставник», а когда они справляются сами. 🔴 Протестировать их работу можно в @GPT4Telegrambot прямо сейчас. Переключайте разные модели и смотрите, как они выполняют различные задачи. Знали о таких моделях обучения? ❤️ — нет, впервые слышу 🔥 — да, я молодец! 👀 — какие еще модели, вы о чем тут #теория@EDU4Telegrambot