Дмитрий Ахметханов

Обзор искусственного интеллекта (AI) от SAFe®

Дата: 10.06.2026

Искусственный интеллект (ИИ, Artificial Intelligence, AI) быстро превратился из темы научно‑фантастических фильмов в практическую реальность как в бизнесе, так и в личной жизни людей. AI находится в центре научных исследований с 1950‑х годов и связан с новаторскими работами Алана Тьюринга. Хотя разработанные тогда теории были революционными, технологии того времени были недостаточно развиты и слишком дороги для раскрытия потенциала этих алгоритмов.

С быстрым развитием генеративного AI, поддерживаемого огромными объёмами данных и вычислительных мощностей, эта технология стала частью повседневной жизни. Практически каждая компания изучает способы применения AI для повышения эффективности операций и создания инновационных возможностей и продуктов. Люди также находят способы использовать AI для усиления своих личных и профессиональных возможностей. Вызовы, связанные с этой быстро развивающейся технологией, также регулярно становятся темой новостей.

Следующие разделы дают базовое представление о различных типах AI и наиболее распространённых сценариях их применения.

Вольный перевод статьи Introduction to Artificial Intelligence (AI) — Scaled Agile Framework.

Генеративный искусственный интеллект в 2 словах — как выжить и процветать в эпоху искусственного интеллекта, Хенрик Книберг

Искусственный интеллект (AI) — это категория программного обеспечения, способная выполнять задачи, которые обычно требуют человеческого интеллекта. Сегодня используется несколько типов AI.

Понимание основных типов AI

Потенциальные области применения AI чрезвычайно широки и затрагивают практически все аспекты бизнеса и потребительской жизни. Многие современные системы AI основаны на машинном обучении (Machine Learning, ML). Решения на основе ML способны автономно совершенствоваться на основе опыта и данных. Однако, некоторые архитектуры AI не используют машинное обучение и опираются на набор статических правил, кодирующих сложные схемы рассуждений. Другие архитектуры, включая генеративный AI, построены на глубоком обучении и нейронных сетях. Рисунок выше и последующий текст предоставляют типологию и описание различных подходов, основанных на AI и машинном обучении. Также рисунок иллюстрирует возможности, предоставляемые этими технологиями. Заметьте, что некоторые возможности достижимы при помощи более чем одного AI-подхода.

На рисунке выше показаны основные типы AI:

Контролируемое обучение (Supervised Learning).
Неконтролируемое обучение (Unsupervised Learning).
Обучение с подкреплением (Reinforcement Learning).
Глубокое обучение (Deep Learning).

Основное отличие типов – форма обучения. Все типы включают три ключевых компонента: данные, алгоритм обучения и модель обучения, см. рисунок ниже.

Контролируемое обучение (Supervised Learning)

Контролируемое обучение использует обучающие данные, чтобы научить модель выдавать требуемый результат. Обучающие данные должны содержать входные данные и целевые результаты в виде меток. Алгоритм обучения пропускает входные данные через модель, сравнивает результаты с метками и оценивает результаты модели.

Алгоритм корректирует параметры модели и повторяет процесс до достижения приемлемо низкого уровня ошибок. Такой подход называется контролируемым, поскольку желаемые результаты предоставляются вместе с входными данными и используются для управления процессом обучения. Если данные изначально не содержат меток (желаемых результатов), требуется инициировать процесс их создания до того, как начнется обучение модели.

Контролируемое обучение помогает выявлять известные закономерности (мошеннические транзакции, спам) и выполнять категоризацию данных (распознавание изображений, смысловой анализ текста). В некоторых случаях выходные данные уже доступны или могут быть автоматически получены без существенных усилий. Например, имя клиента может использоваться вместе с его фотографией профиля для обучения системы распознавания лиц, а пятизвёздочная оценка товара может использоваться совместно с текстом отзыва для анализа тональности. Такая ситуация часто называется самоконтролируемым обучением (Self-Supervised Learning). Выявление подобных характеристик данных открывает широкие возможности для применения контролируемого обучения в организационных процессах.

Неконтролируемое обучение (Unsupervised Learning)

В отличие от предыдущего подхода, неконтролируемое обучение не использует механизм обратной связи. Вместо этого оно извлекает полезную информацию посредством анализа внутренней структуры данных.

Преимущество данного подхода заключается в отсутствии необходимости создания данных, определяющих желаемый результат, что позволяет использовать огромные объёмы информации и упрощает масштабирование решений.

Такие алгоритмы применяются для кластеризации данных, обнаружения аномалий, поиска ассоциаций и выявления скрытых переменных (выделения скрытых признаков общности). Эти процессы разделяют данные по сходству и выявляют существующие взаимосвязи. Результаты могут использоваться для решения разного рода задач. Типичные сценарии использования включают сегментацию клиентов или продуктов, определение схожести объектов и рекомендательные системы. Неконтролируемое обучение также может использоваться как звено в более широкой цепочке контролируемого обучения для предварительной обработки данных.

Если вы дочитали до этого места, значит, вам интересен полезный контент о современных методах управления. Чтобы узнавать про новые статьи, видео и бесплатные мероприятия, вступайте в сообщество SAFe® Russia.

Обучение с подкреплением (Reinforcement Learning)

Обучение с подкреплением похоже на контролируемое обучение тем, что также использует обратную связь. Однако, она основана не на данных о желаемых результатах, а на функции вознаграждения. Система действует в определённой среде и получает оценку успешности своих действий, что позволяет модели определить действия, ведущие к желаемым результатам. Обучающий алгоритм провоцирует исследовательскую активность и отбор сценариев ведущих к максимальной награде.

Обучение с подкреплением широко применяется в робототехнике, игровых системах, системах поддержки принятия решений, персонализированных рекомендациях, рекламе, торгах и других областях, где можно построить симуляцию с оценкой результатов исследовательского поведения.

Глубокое обучение (Deep Learning)

Глубокое обучение — это класс моделей машинного обучения, основанных на искусственных нейронных сетях (Artificial Neural Networks, ANN). Оно может эффективно использоваться в контролируемом обучении, неконтролируемом обучении и обучении с подкреплением, а также в большом количестве практических задач, выдавая результаты сопоставимые или превосходящие эксперта-человека. Искусственная нейронная сеть построена по аналогии со структурой нейронов человеческого мозга. Она имеет вход и выход для информации и состоит из набора связанных нейронов. Примером работы сети может быть прием на вход цвета пикселей изображения и определение, какой объект изображён на нём.

Каждая связь в нейронной сети имеет определённый вес, который либо усиливает, либо ослабляет передаваемый сигнал. Когда все связи, ведущие к конкретному нейрону, передают суммарный сигнал достаточной силы, этот нейрон активируется и передаёт сигнал дальше другим нейронам, расположенным на следующих уровнях сети.

Нейронная сеть с несколькими скрытыми слоями называется глубокой нейронной сетью (Deep Neural Network) и является базовой архитектурой глубокого обучения.

Генеративный ИИ

Генеративный AI (Generative AI) — это разновидность искусственного интеллекта, основанного на глубоком обучении, которая сосредоточена на создании нового контента (пользовательских сценариев и опыта) с помощью алгоритмов машинного обучения. Эта технология коренным образом меняет способы ведения бизнеса и создания ценности для клиентов и бизнеса. Каждую неделю появляются сотни новых стартапов, предлагающих возможности, которые ещё недавно казались невозможными и стали доступны благодаря данной технологии. Ведущие компании-разработчики программного обеспечения добавляют функции генеративного AI в существующие продукты и создают совершенно новые решения, работающие на основе AI.

Генеративный AI отличается от других типов искусственного интеллекта своей ориентацией на создание оригинального контента. В отличие от многих других AI-решений, основанных на контролируемом обучении и обучении с подкреплением, алгоритмы генеративного AI обучаются создавать полностью новые результаты — изображения, видео, текст и другие виды контента. Это делает генеративный AI мощным инструментом для организаций, стремящихся автоматизировать творческие задачи, создавать цифровые артефакты и ускорять инновации. В то время как другие AI-системы в основном предназначены для распознавания закономерностей в существующих данных, генеративный AI ориентирован на создание нового, уникального контента, который отсутствовал в обучающем наборе данных.

Генеративный AI меняет устоявшиеся бизнес-практики, позволяя маркетинговым командам создавать персонализированный рекламный контент и реалистичные изображения продуктов, что значительно сокращает циклы проектирования и подготовки материалов. В операционной деятельности автоматизация ввода данных, выставления счетов и формирования отчётности на основе AI освобождает сотрудников для выполнения более сложных и ценных задач, тем самым повышая производительность труда. В разработке программного обеспечения инструменты программирования с поддержкой AI, такие как GitHub Copilot, помогают разработчикам создавать более эффективный код, ускоряя процесс разработки и одновременно повышая качество программных решений. В то же время генеративный AI способствует быстрому созданию прототипов и проведению тестирования при разработке продуктов, усиливая инновационность и сокращая время вывода продуктов на рынок (time-to-market). Каждый из этих примеров демонстрирует ключевую роль генеративного AI в совершенствовании бизнес-функций за счёт практических и ощутимых улучшений.

Дальнейшая эволюция AI

Хотя генеративный AI уже сделал возможными сценарии использования, которые ещё совсем недавно казались немыслимыми, этот этап развития искусственного интеллекта далеко не исчерпывает его потенциал. Среди новых направлений развития генеративного AI, которые только начинают формироваться, можно выделить мультимодальный генеративный AI (Multimodal Generative AI) и интерактивных AI-агентов (Interactive AI Agents).

Мультимодальный генеративный AI способен создавать контент на основе различных типов данных, включая текст, изображения, аудио и видео. Такие системы могут понимать и интерпретировать информацию одновременно в нескольких модальностях, что позволяет им выполнять задачи вроде создания изображений по текстовым описаниям или синтеза сложного мультимодального контента. Эта технология откроет новые возможности в области создания контента, индустрии развлечений и образования, воспроизводя многогранную природу человеческого общения и творчества.

Интерактивные AI-агенты обеспечивают более глубокое и естественное взаимодействие с пользователями. Благодаря технологиям обработки и понимания естественного языка они органично интегрируются в повседневную деятельность, предоставляя персонализированные рекомендации, поддержку и возможности обучения. По мере развития такие агенты будут всё больше превращаться в незаменимых персональных помощников как в профессиональной деятельности, так и в повседневной жизни.

Метки: SAFe ИИ

Автор:

Дмитрий Ахметханов

Поделиться

Самообучение «Быстрый старт в ИИ»

Узнайте, как поддержать цифровую трансформацию с помощью ИИ (искусственного интеллекта) или AI (Artificial intelligence) — наденьте экзоскелет, который усилит ваши способности, а на масштабе всей организации даст значительный рост эффективности, сокращения затрат и повысит ее конкурентоспособность.

Зарегистрироваться