Искусственный интелект

теория и практика

В настоящее время искуственным интелектом принято называть технические решения предназначенные для анализа и/или генерации того или иного контента. Такие решения в основном базируются на методах машинного обучения и в целом ничем не отличаются от хорошо знакомых нам статистических и эконометрических моделей: единственным отличием является объем анализируемых данных

Разновидности

Аналитический

Уже классический подход основанный на машинном обучении с учителем: у алгоритма есть конкретная задача по предсказанию конкретного свойства анализируемого объекта

Генеративный

Относительно новый подход основанный на машинном обучении без учителя: алгоритм не решает конкретную задачу, а создает объекты похожие на изученные ранее, с учетом специфического контекста

Примеры - распознование тексат, банковский скоринг, игровое взаимодействие, распознование лиц

Примеры - большие языковые модели, генерация изображений, генерация музыки

Большие языковые модели

Большая языковая модель (LLM) - языковая модель , основанная на нейронной сети с множеством параметров (миллиарды весовых коэффициентов и более), которая проходит предварительное обучение на обширных массивах неразмеченного текста методами самообучения, а затем подвергается тонкой настройке с применением обучения с подкреплением на основе отзывов людей для согласования результатов генерации с человеческими предпочтениями

Wikipedia.org

Алгоритм работы

Текст для примера примера примера

# В R-скрипте или chunk'е (можно один раз выполнить)
svg_path <- "303.svg"
svg_content <- readLines(svg_path, warn = FALSE)
svg_xml <- paste(svg_content, collapse = "\n")
svg_base64 <- base64enc::base64encode(charToRaw(svg_xml))
svg_data_uri <- paste0("data:image/svg+xml;base64,", svg_base64)

Текст для примера примера примера