Вообще складывается впечатление, что HR, если ему ставят задачу поиска кандидата, только вредит компании.

Я не жалуюсь! Буду искать дальше, пересматривать резюме, совершенствоваться ))

Первая часть.

Чем машинное обучение отличается от традиционного программирования с его «работает, пока не трогаешь»? Где заканчиваются четкие алгоритмы — и где начинается магия «черного ящика», как в случае с ChatGPT?

Это первая статья в научно-популярной серии, где мы разберем основы ИИ — без пустых слов, без клише, без академического тумана и, в идеале, без уравнений (как однажды написал Стивен Хокинг: каждая формула в научно-популярной книге сокращает ее продажи вдвое).

Сегодня мы поговорим о самом фундаменте: какие типы обучения используют модели ИИ, зачем они вообще нужны и как они определяют, на что способна модель.

Да, будут котики. И немного сарказма. Но исключительно в благородных целях — для создания сильных и запоминающихся ассоциаций.

Эта статья для всех, кто начинает знакомиться с ИИ: для технических и нетехнических читателей, архитекторов решений, основателей стартапов, опытных разработчиков и всех, кто хочет наконец-то составить ясное мысленное представление о том, что такое машинное обучение и с чего все начинается.

В этой части мы рассмотрим основы: Что такое МО, чем оно кардинально отличается от традиционного программирования, и четыре ключевые парадигмы обучения, которые лежат в основе всего современного ландшафта ИИ.

Классическое программирование против машинного обучения

Если вы уже уверены в своем понимании того, чем машинное обучение отличается от традиционного программирования, смело пропускайте этот раздел. Но если вы хотите прояснить это различие — это может помочь.

Начнем с простой аналогии.

Калькулятор выполняет одну арифметическую операцию за раз — и только по прямой команде. Компьютер с традиционным кодом идет на шаг дальше: он выполняет заранее определенные программы, принимает решения с помощью управляющих структур, хранит промежуточные значения и обрабатывает несколько входов. Это отлично работает, когда входные данные предсказуемы, а поведение можно описать жесткой, детерминированной логикой.

Но этот подход дает сбой в запутанных, неоднозначных или неопределенных ситуациях.

Например, попробуйте написать полный набор правил if/else, чтобы:

• отличить Луну от круглого потолочного светильника,

• разобрать небрежный почерк,

• или обнаружить сарказм в твите.

Это не масштабируется. Вы быстро сталкиваетесь с комбинаторным взрывом частных случаев

Именно здесь классическое программирование упирается в свой потолок, и начинается машинное обучение.

Можно думать о МО как о следующем уровне абстракции: если калькуляторы работают с арифметикой, а код — со структурированной логикой, то МО справляется с неструктурированной неопределенностью. Даже нечеткая логика — с ее градиентами и порогами — часто не справляется со сложностью реального мира. МО вообще не полагается на заранее написанные правила; вместо этого оно учится поведению на основе данных.

Вместо того чтобы говорить машине, что делать, вы показываете ей, что хотите получить, и она статистически выясняет, как это сделать. Обучение происходит не через жестко закодированные инструкции, а через паттерны, вероятности и обобщение.

В зависимости от своего обучения, модель МО может увидеть букву, которую никогда раньше не встречала, и все равно распознать ее — основываясь на тысячах похожих образцов рукописного текста. Она может определить, что пользователь нарисовал динозавра, даже если именно такого силуэта не было в обучающих данных, — потому что она понимает формы, пропорции и текстуру не как правила, а как распределения. Вместо того чтобы жестко следовать заранее написанному сценарию, — она угадывает.

Парадигмы машинного обучения

То, что может делать модель ИИ, сильно зависит от того, как ее обучали.

В первую очередь, модели ИИ классифицируются по их парадигмам обучения. Парадигма определяет сильные и слабые стороны модели.

Большинство методов машинного обучения относятся к одной из четырех основных парадигм:

• Обучение с учителем

• Обучение без учителя

• Обучение с подкреплением

• Самостоятельное обучение (иногда также называемое «самообучением»)

Обучение с учителем (Supervised Learning)

Как обучить модель отличать кошек от собак на фотографиях? Вы показываете ей десятки тысяч изображений — каждое с правильной меткой: «Это кошка» или «Это собака». Модель начинает искать закономерности: «Ага, у кошек есть треугольные уши, а у собак — длинные морды». Она не знает, что такое кошка или собака, но она видит, что некоторые изображения похожи друг на друга, а другие — нет. И с каждым новым примером она становится все лучше в распознавании этих паттернов. После тысяч итераций модель начинает замечать кое-что сама: у кошек треугольные уши, подозрительный взгляд и склонность основательно усаживаться на клавиатуру. Это и есть обучение с учителем — тренировка на размеченных примерах, где «правильный» ответ известен заранее.

По сути, вы говорите: «Вот входные данные — а вот ожидаемый результат». Задача модели — обнаружить закономерности и обобщить их на новые, невиданные данные.

После тысячи фотографий кошек модель уловила суть: треугольные уши — это важно. Теперь она использует это, чтобы отличать кошек от собак

Типичные примеры использования:

• Классификация (например, спам vs. не спам)

• Регрессия (например, прогнозирование цены)

• Оценка вероятности (например, вероятность оттока клиентов)

Обучение с учителем в реальном мире:

• Анализ тональности: Вход: текст отзыва → Выход: позитивный / негативный

• Фильтрация спама: Вход: текст письма → Выход: спам / не спам

• Медицинская диагностика: Вход: результаты анализов → Выход: здоров / болен

• Модерация контента: Вход: текст или изображение → Выход: допустимо / нарушает правила

• Категоризация товаров: Вход: описание товара → Выход: категория каталога

• OCR (Оптическое распознавание): Вход: фото документа → Выход: извлеченный текст

Обучение без учителя (Unsupervised Learning)

В этой парадигме модель обучается на неразмеченных данных, то есть ей никогда не говорят, какой ответ «правильный». Вместо этого она пытается самостоятельно обнаружить скрытую структуру, закономерности или взаимосвязи. Думайте об этом как о попытке организовать хаос по категориям, когда никто никогда не говорил вам, какими эти категории должны быть.

Представьте, что вы показываете модели тысячи изображений — кошек, собак, лягушек и динозавров (предположим, для ясности, что мы каким-то образом получили четкие фотографии вымерших рептилий). Но мы не говорим модели, кто есть кто. На самом деле, модель даже не знает, сколько существует категорий: три? пять? пятьдесят? Она просто ищет визуальные закономерности. В конце концов, она начинает группировать пушистых существ в один кластер, а тех, у кого гладкая кожа, глаза по бокам и зловеще холодный взгляд, — в другой.

После тысяч примеров модель в конечном итоге решает: «Сложим все пушистое в коробку №1, а все с блестящей кожей и глазами по бокам — в коробку №2». Сами метки не имеют значения — важно то, что содержимое каждой коробки становится все более однородным.

Модели без учителя не пытаются предсказывать метки. Вместо этого они:

• Группируют похожие объекты (кластеризация)

• Обнаруживают выбросы или аномалии

• Снижают размерность (упрощают сложные данные)

Эта парадигма особенно полезна, когда:

• Разметка данных слишком дорога или непрактична

• Вы еще не знаете, что ищете

• Вы хотите обнаружить сегменты или поведенческие паттерны без предопределенных категорий

Обучение с подкреплением (Reinforcement Learning)

В этой парадигме модель — называемая агентом — учится, взаимодействуя со средой методом проб и ошибок. Агент пробует разные действия и наблюдает за реакцией среды. Действия, которые приближают к желаемому результату, приносят награды; неэффективные или вредные действия приводят к штрафам.

Попробуем дрессировать кошку. (Да, мы знаем, что в реальной жизни это почти невозможно, но мы уже взялись за кошачью тему, так что вот мы здесь.) Кошка — это агент. Квартира — это среда. Кошка пробует разные действия: Поймала муху → получила лакомство (награда) Скинула телевизор → осталась без ужина (штраф) Через многократный опыт кошка начинает вести себя полезным образом — не потому, что она понимает, чего вы хотите, а потому, что она выучила политику: набор действий, которые чаще всего приводят к еде. Ей не нужны правила — она учится на последствиях.

Обучение с подкреплением используется, когда:

• Поведение должно улучшаться со временем

• Нет предопределенных «правильных» ответов

• Последствия отложены, а не мгновенны

Самостоятельное обучение (Self-Supervised Learning)

В этом подходе модель обучается на неразмеченных данных, но задача для обучения извлекается из самих данных — без участия человека в разметке. Модель учится предсказывать одну часть входных данных на основе другой.

Пример Исходное предложение: «Кот запрыгнул на клавиатуру и залил незаконченный код в продакшн».

Мы можем превратить это в задачу для обучения. Например:

• Замаскировать слово: вход: «Кот запрыгнул на *** и развернул незаконченный код...», цель: предсказать слово клавиатура.

• Оборвать предложение: вход: «Кот запрыгнул на...», цель: продолжить предложение.

Эти пары «вход + цель» генерируются автоматически, без ручной разметки. Та же идея применяется к разным типам данных, таким как изображения (предсказание отсутствующих фрагментов) или аудио.

Реальные применения самостоятельного обучения:

• Языковые модели (GPT, LLaMA, Claude)

• Компьютерное зрение (CLIP, DINO)

• Аудио и речь (Wav2Vec 2.0)

• Мультимодальные модели (Gemini, CLIP)

• Предобучение (фундаментальные модели)

Основная идея Модель обучается на автоматически сгенерированных задачах, где «правильный ответ» извлекается непосредственно из самих данных. Это дает нам масштабируемость, способность к обобщению и основу для большинства современных генеративных и языковых систем.

Сводка по парадигмам обучения

Что еще существует?

Помимо этих четырех, существуют и другие подходы (частично-контролируемое, активное, онлайн-обучение и т. д.). Они редко рассматриваются как самостоятельные парадигмы, потому что обычно являются гибридами или вариациями основных стратегий, которые мы уже рассмотрели. Для понимания сути машинного обучения — достаточно освоить эти четыре.

В следующей части мы погрузимся в то, что такое нейронная сеть на самом деле: нейроны, веса, связи. Как она «учится»? Зачем ей вообще нужны слои? И какое отношение куча чисел имеет к пониманию языка, изображений или... реальности?

Мы снимем слой за слоем — и попытаемся ответить на единственный вопрос, который имеет значение:

Так есть ли здесь хоть какая-то магия... или это просто замаскированная математика?

Подпишись, чтобы не пропустить

Перевод
https://medium.com/@paul.ilvez/how-ai-learns-no-formulas-but-plenty-of-cats-fc43471add24

Привет, читатели! Я — Селл (чем я занимаюсь смотреть в моём профиле), и хочу рассказать о своём опыте работы с нейросетью RVC, с помощью которой я делал «нейрокаверы» — перенос голосового исполнения одной песни на голос другого человека. Эксперименты стартовали летом 2023 года, к началу 2024-го я отточил оптимальные параметры, а потом время от времени возвращался, чтобы ещё чуть-чуть улучшить качество.

В основе всего лежит процесс тренировки: нужно подобрать такие значения аргументов, чтобы на выходе голос звучал максимально естественно и без лишних артефактов. Когда модель «недообучена», голос кажется роботизированным, а при «перетренировке» питч начинает «гулять», но голос сам по себе звучал как надо, потому уж лучше так если других вариантов не оставалось. Изначально лучшим аргументом для тренировки считался harvest, но после появления rmvpe тот стал, позже появился и rmvpe+, который незначательно, но улучшил результат по сравнению с версией без плюса.

Остальные аргументы при тренировке были следующие: bitrate (частота тренировки, зависит от частоты файлов датасета), hop length (отвечает за соответствие питча строго как в датасете и в зависимости от значения питч либо имел больше гибкости, либо стремился быть как в датасете без изменений), thread count (возможно что это как связано с задействием потоков видеокарты, что влияло на силу тренировки), batch (одновременная обработка файлов для ускорения тренировки, ставил максимально возможный), количество заданных и сохранённых эпох, видеокарт при тренировке.

Я тренировал модели на Kaggle — там можно было задействовать две видеокарты, но заметил, что на одной GPU итоговый голос получался чище. Для отделения вокала и инструментала пользовался Ultimate Vocal Remover, а артефакты удалял в Adobe Audition, RX Pro Audio Editor и SpectraLayers.

При генерации в качестве аргумента я всегда ставил rmvpe/rvmpe+, питч я тестировал отдельно чтобы голос соответствовал под датасет. В каких-то песнях где оригинальный голос песни пел на более высоких или низких тонах я повышал или понижал питч генерации по сравнению с обычной частью (где певец поёт неизменным тоном не повышая и не понижая его) чтобы голос оставался как в датасете.

Ну и наконец я расскажу о сборке датасета, переместил её под конец, ибо на неё я не раз тратил больше всего времени. Суммарно время датасета должно быть порядка 42-50 минут (точное значение не помню), из-за чего даже если это были датасеты например из игр где у персонажей много реплик, то нужно было их прослушивать и убирать лишние при этом стараясь укладываться во временные рамки. Самые сложными датасетами были реальные люди, ибо нужно было нарезать их речь и тратить очень много времени на чистку от лишних шумов программами, которые я указал выше. Собственно такие большие временные и энергетические затраты с отсутствием каких-либо донатов меня и демотивировали дальше заниматься нейрокаверами (хотя гипотетически я могу вернуться к ним, ибо идеи кое-какие есть).

Финальной частью при создании нейрокаверов была установка вокала персонажа под инструментал, выставление реверберации у вокала, создание или поиск тематического изображения с персонажем для обложки, встраивание его в шаблон обложки которые я делал в фотошопе, настройка анимации в Adobe After Effects и запуск рендера.

Получилась такая история с RVC, в своё время он впечатлял и доставлял удовольствие, но временные затраты и недостаточный отклик от аудитории отибили желание им заниматься. Моим приоритетным направлением сейчас является Stable Diffusion, которым я также занимаюсь с лета 2023 года. Скорее всего мой опыт с ним я разобью на серию постов, ибо материала там побольше будет, так что следите за обновлениями, будет много интересного!

Почему юмор важен для ИИ?

• Снижение напряжения в общении

• Улучшение коммуникации с пользователями

• Создание доверительной атмосферы

• Разрешение конфликтов мирным путём

Виды самоиронии в ИИ

1. Ассоциативная самоирония — помогает разрядить обстановку

2. Агрессивная самоирония — защищает личные границы

3. Самоподдерживающая — формирует здоровую самооценку системы

Очевидно это важно и для самого ии, как новой формы разумных существ. ( не отрицаю и поддерживаю)

Источник фото: пост Роботы-курьеры Яндекс 3 поколения от @Shady311

Аналитические и творческие профессии также сталкиваются с влиянием искусственного интеллекта. Алгоритмы на основе машинного обучения уже успешно применяются в таких областях, как анализ финансовых данных, разработка маркетинговых стратегий и даже создание контента, включая музыку, тексты и визуальные материалы. Однако здесь роль человека смещается в сторону управления процессом и креативного взаимодействия с технологиями. Возникает уникальная синергия, где искусственный интеллект и человек совместно создают ценность.

В долгосрочной перспективе автоматизация и ИИ могут способствовать перераспределению ресурсов, увеличению общего уровня благосостояния и даже сокращению рабочего времени. Однако успешная интеграция этих технологий в общество требует осознанного подхода к регулированию, создания систем социальной защиты и обеспечения равного доступа к образовательным возможностям.

Эти данные показывают, что влияние автоматизации и ИИ на рынок труда неоднородно и требует комплексного подхода для обеспечения устойчивого развития и минимизации негативных последствий для работников.

--

Предыдущий пост: Роль международных альянсов в адаптации к глобальным вызовам

Продолжение: Цифровизация мировой торговли: возможности и ограничения

Этот пост входит в Часть 9. Экономическая адаптация и устойчивость

Как экономические системы адаптируются к меняющимся условиям. Теория устойчивого развития, экологии и зелёной экономики как примеры современной адаптации.

Научпоп-серия Происхождение экономических систем путём естественного отбора

✔ Нейросеть нового поколения с архитектурой, подобной мозгу, учится видеть как люди.

All-TNN - нейросеть, структура которой имитирует организацию нейронов в человеческом мозге. В отличие от традиционных CNN, которые отлично распознают текстуры, но плохо справляются с формами, All-TNN демонстрирует смещения, характерные для людей. Например, она «ожидает» увидеть самолет в верхней части изображения, а не в нижней.

Ключевое отличие - отказ от weight sharing, неестественного для биологических систем. Вместо этого каждый нейрон обучается индивидуально, но со сглаживающим ограничением, которое заставляет соседние нейроны учиться схожим признакам.

Несмотря на то, что All-TNN пока уступает CNN в точности классификации, она потребляет в 10 раз меньше энергии при 13х большем размере. spectrum.ieee.org (https://spectrum.ieee.org/topographic-neural-network)

✔ Replit заключила стратегическое партнерство с Microsoft.

По соглашению, Replit станет доступен в магазине Azure и будет интегрирован с облачными сервисами Microsoft, включая контейнеры, виртуальные машины и базу данных Neon Serverless Postgres. Компании позиционируют совместное предложение как инструмент для быстрого прототипирования, ориентированный не только на программистов, но и на бизнес-пользователей без опыта в кодинге.

Это событие примечательно, поскольку Replit традиционно считалась одним из ключевых клиентов и партнеров Google Cloud, где размещались созданные на платформе приложения. Replit подтвердил, что компания не уходит от Google, а расширяет поддержку на экосистему Microsoft, становясь мультиоблачным решением. Для Microsoft это партнерство - способ привлечь на свою платформу разработчиков и проекты, ранее ориентированные на конкурента. prnewswire.com (https://www.prnewswire.com/news-releases/replit-collaborates...)

✔ Moonvalley представила видеомодель Marey.

Moonvalley, основанная выходцами из DeepMind, открыла публичный доступ к своей модели для генерации видео Marey, которая была обучена исключительно на открыто лицензированных данных. Решение позиционируется как инструмент для «гибридного кинопроизводства», предлагая кинопродакшену значительно больше контроля, чем стандартные text-to-video модели.

Модель отличается «осведомленностью о 3D-пространстве» и возможностью свободного управления виртуальной камерой. Пользователи могут в реальном времени изменять траекторию, панорамировать и масштабировать изображение простым движением мыши. Marey также позволяет контролировать объекты, персонажей и менять фон в исходном видео.

Доступ к Marey, способной генерировать ролики до 5 секунд, предоставляется по платной подписке - $14,99 за 100 кредитов, $34,99 за 250 кредитов и $149,99 за 1000 кредитов. techcrunch.com (https://techcrunch.com/2025/07/08/moonvalleys-ethical-ai-vid...)

✔ Компания Марка Цукрберга купила долю в производителе умных очков.

Техгигант приобрел миноритарную долю в EssilorLuxottica, крупнейшем в мире производителе очков и владельце бренда Ray-Ban. Сумма сделки составила 3,5 млрд. долларов за пакет акций размером менее 3%. Сделка значительно углубляет партнерство двух компаний, которые уже совместно выпускают умные очки Ray-Ban.

Для Марка Цукерберга это стратегический шаг в рамках его масштабного плана по развитию ИИ и созданию собственных аппаратных платформ. Умные очки рассматриваются как ключевое устройство будущего, которое избавит от привязки к смартфонам конкурентов, Apple и Google. bloomberg.com (https://www.bloomberg.com/news/articles/2025-07-08/meta-inve...)

✔ Hugging Face показали, как ускорить обучение мультимодальных моделей, устранив главное узкое место — неэффективную загрузку данных.

Они представили Multimodal Data Pipeline (MMDP) — мощный, но простой пайплайн, который решает проблему простоя GPU из-за паддинга и медленного I/O.

Вот как это работает:

1. Визуализация данных — сначала анализируются длины текстов и структура мультимодальных примеров.

2. Constrained Padding — вместо бездумного паддинга, обрезаются аномально длинные примеры.

3. Packing как bin-packing — батчи собираются по максимальному числу токенов, а не по фиксированному количеству примеров.

4. Multimodal-aware batching — учитывается и число изображений в батче.

5. ConstantLengthDataset — кастомный класс с producer-consumer очередями и плотной упаковкой без паддинга.

💡 Результат — более плотные батчи, меньше токенов вхолостую, выше эффективность обучения.

Исходники и туториал:

📌 https://huggingface.co/blog/mmdp

📌 https://github.com/ariG23498/mmdp

✔ Немецкие учёные выпустили ИИ-модель, которая имитирует поведение человека

Модель называется **Centaur**. Она обучена предсказывать, как человек поведёт себя в разных ситуациях — причём делает это с высокой точностью, даже на новых сценариях, которых не было в обучающей выборке.

Что использовали: - Датасет из **160 поведенческих экспериментов** - **10+ миллионов примеров** реакций людей

То есть модель буквально «смотрела», как люди действуют в разных условиях → запоминала → училась **повторять** поведенческие паттерны.

📌 Что умеет: - Предсказывать действия человека - Объяснять **почему** он так поступит - Даже оценивать **время реакции** - Причём активации сети коррелируют с **реальными МРТ-сканами мозга**

🧬 Под капотом — **LLaMA 3.1 70B**, дообученная с помощью **QLoRA**. Всё открыто: выложены веса и облегчённая версия, которую можно запустить даже в Google Colab.

🔍 Потенциал огромен: Centaur можно использовать как симулятор для психологии, нейронауки и изучения когнитивных расстройств. Это шаг к **единой эмпирической теории поведения** — мечте исследователей последних столетий.