Штучний інтелект: вступ для початківців

За кілька років штучний інтелект пройшов шлях від теми наукових конференцій до інструмента, яким користуються щодня: чат-боти пишуть листи, перекладачі перекладають, моделі допомагають писати код. Але ШІ — це не лише чат. На заводах він передбачає поломки, шукає брак і підбирає налаштування обладнання. Розберімося, що стоїть за цими словами, як це працює і де межі можливостей.

Що таке штучний інтелект

Штучний інтелект (ШІ) — це загальна назва для систем, які виконують задачі, що зазвичай потребують людського мислення: розпізнати, передбачити, вирішити, сформулювати. Важливо, що це широке поняття: всередині нього є кілька вужчих напрямів, які часто плутають.

• Штучний інтелект — найширше коло. Сюди потрапляє навіть шахова програма 1990-х, яка працює за написаними людиною правилами.
• Машинне навчання (ML) — системи, які вчаться на прикладах, а не виконують заздалегідь прописані правила.
• Глибоке навчання — машинне навчання за допомогою багатошарових нейромереж. Саме воно дало прорив у розпізнаванні зображень, мови і звуку.
• Генеративний ШІ і великі мовні моделі (LLM) — моделі, що створюють новий текст, код, зображення. До них належать сучасні чат-асистенти.

Чим машинне навчання відрізняється від програмування

У класичному програмуванні людина пише правила: «якщо температура вище 80 °C — увімкни вентилятор». Програма бере дані і за цими правилами видає відповідь.

Але є задачі, де правила неможливо записати. Спробуйте описати словами, як відрізнити кота від собаки на фото: вуха? Бувають різні. Розмір? Теж. У машинному навчанні ми даємо алгоритму тисячі прикладів разом з правильними відповідями («це кіт», «це собака»), і він сам підбирає внутрішні «правила». Результат навчання називають моделлю.

Далі модель застосовують до нових даних, яких вона ще не бачила. Цей етап називають інференсом. Навчання може тривати тижні на потужних серверах, а інференс — мілісекунди на маленькому пристрої.

Як вчиться нейромережа (без формул)

Нейромережа — це багато простих обчислювальних елементів, з’єднаних між собою. Кожне з’єднання має вагу — число, яке визначає, наскільки сильно один елемент впливає на інший. Спочатку ваги випадкові, і мережа відповідає навмання.

Навчання виглядає так:

1. Показуємо мережі приклад (фото кота).
2. Вона дає відповідь («собака, 70 %»).
3. Рахуємо, наскільки вона помилилася.
4. Трохи підкручуємо всі ваги в той бік, щоб помилка стала меншою.

Повторюємо мільйони разів. Поступово мережа вчиться розпізнавати ознаки — від простих ліній і плям у перших шарах до вух, очей і морд у глибших.

Три способи навчання

• З учителем: є приклади і правильні відповіді. Розпізнавання браку, прогноз споживання енергії.
• Без учителя: відповідей немає, модель сама шукає структуру в даних. Наприклад, групує схожі режими роботи машини або помічає незвичну поведінку.
• З підкріпленням: модель пробує дії і отримує «винагороду» за хороший результат. Так вчаться грати в ігри, а в промисловості — керувати складними процесами в симуляції.

Як працюють великі мовні моделі

LLM навчають на величезних обсягах тексту з простою на перший погляд задачею: передбачити наступне слово (точніше, наступний фрагмент слова — токен). Щоб робити це добре, модель змушена «вивчити» граматику, факти, логіку міркувань, стиль. Потім її додатково навчають бути корисним асистентом: виконувати інструкції і відповідати на питання.

З цього випливає важливе обмеження: модель генерує правдоподібний текст, а не перевіряє факти. Тому вона може впевнено сказати неправду — це називають галюцинаціями. Сучасні системи частково борються з цим через пошук у документах і вебі, але перевіряти важливі відповіді все одно треба.

Наступний крок — агенти: LLM, які не лише відповідають текстом, а й користуються інструментами — запускають код, шукають у базах даних, заповнюють документи, виконують багатокрокові задачі.

ШІ в промисловості

• Передбачуване обслуговування. Модель стежить за вібрацією, температурою, струмом двигуна і помічає, що поведінка змінилася, задовго до аварії. Замість раптової зупинки лінії ремонт планують на зручний час.
• Контроль якості. Комп’ютерний зір на основі нейромереж знаходить дефекти, які важко описати правилами.
• Оптимізація процесів. Моделі підбирають режими печі, дозування, швидкості, щоб витратити менше енергії і сировини.
• Асистенти для інженерів. LLM шукають відповідь у сотнях сторінок документації, допомагають писати й перевіряти код для ПЛК та роботів, готують звіти. Ключове слово — «допомагають»: в керуванні фізичним обладнанням рішення за людиною і за перевіреними системами безпеки.

Обмеження і ризики

• Дані. Модель не краща за дані, на яких навчена. Якщо в даних немає зимових місяців, модель «не знає» про зиму.
• Пояснюваність. Нейромережа часто не може пояснити, чому прийняла рішення. Для критичних систем це проблема.
• Галюцинації і помилки. Особливо у генеративних моделей.
• Безпека. Модель можна обдурити спеціально підготовленими даними, а підключення ШІ до виробничих мереж відкриває нові шляхи для атак. Про це — у вступі до кібербезпеки.
• Регулювання. У ЄС діє Закон про штучний інтелект (AI Act). Він набрав чинності 2024 року, і вимоги вводять поетапно; у 2026 році ЄС домовився відкласти частину вимог до систем високого ризику на 2027–2028 роки. Для українських компаній, що працюють з ЄС, це вже практичне питання.

З чого почати

1. Користуйтеся чат-асистентами усвідомлено: давайте контекст, просіть пояснити хід думок, перевіряйте факти.
2. Пройдіть безкоштовний вступний курс з машинного навчання і спробуйте навчити першу модель на Python (бібліотеки scikit-learn або PyTorch).
3. Візьміть реальний набір даних, наприклад показники вашого лічильника електроенергії, і спробуйте передбачити споживання на завтра.

ШІ — не магія і не заміна інженерії, а новий інструмент поверх неї. Найкраще він працює там, де є хороші дані, чітка задача і люди, які розуміють і процес, і обмеження моделі. У наступних статтях розберемо конкретні приклади.