Жасанды Интеллект Дәрістері PDF

**Абай атындағы Қазақ ұлттық педагогикалық университеті** Информатика және білімді ақпараттандыру кафедрасы Пәні: Жасанды интеллект негіздері Жазған: Садуақас Ұлдана Мамандық:Сән дизайны Курс:3 (1 топ) **Дәріс 3.** Кодсыз жасанды интеллект платформалары. Бүгінгі технологияның қарқынды дамуынд...

**Абай атындағы Қазақ ұлттық педагогикалық университеті** Информатика және білімді ақпараттандыру кафедрасы Пәні: Жасанды интеллект негіздері Жазған: Садуақас Ұлдана Мамандық:Сән дизайны Курс:3 (1 топ) **Дәріс 3.** Кодсыз жасанды интеллект платформалары. Бүгінгі технологияның қарқынды дамуында жасанды интеллект (ЖИ) бизнес пен ғылымда маңызды рөл атқаруда. ЖИ негізіндегі шешімдер көптеген салаларда инновациялар әкеледі, соның ішінде медицина, қаржы, маркетинг, логистика және басқа да салалар. Алайда, дәстүрлі ЖИ құралдарын жасау күрделі бағдарламалау дағдыларын талап ететін. Бұл көптеген адамдардың ЖИ технологияларын пайдалануына кедергі болды. Бірақ соңғы жылдары кодсыз жасанды интеллект платформаларының пайда болуы бұл мәселені шешті. Бұл платформалар жасанды интеллектті қолдануды барынша жеңілдетіп, оны кең аудитория үшін қолжетімді етті.Кодсыз ЖИ платформалары деген не?Кодсыз жасанды интеллект платформалары (ағылшынша: \*no-code AI platforms\*) -- бұл пайдаланушыларға ЖИ шешімдерін жасау және қолдану үшін бағдарламалау білімінсіз жұмыс істеуге мүмкіндік беретін құралдар. Мұндай платформалар интуитивті интерфейстерді, визуалды құрылғыларды және деректерді жеңіл өңдеу мүмкіндіктерін ұсынады, сондықтан оларды кәсіпқой емес пайдаланушылар да игере алады. Кодсыз ЖИ платформаларының артықшылықтары: \- Қолжетімділік: Кодсыз платформалар кез келген адамға, тіпті бағдарламалау білмейтіндерге де, жасанды интеллекттің мүмкіндіктерін қолдануға жол ашады. \- Жылдамдық: Дәстүрлі ЖИ жобалары айлар немесе жылдар бойы дамуы мүмкін болса, кодсыз платформалар процесті бірнеше сағат немесе күн ішінде аяқтауға мүмкіндік береді. \- Шығынды үнемдеу: Көптеген платформалар тегін немесе қолжетімді бағамен ұсынылады. Бұл шағын және орта бизнестер үшін тиімді шешімдер жасауға көмектеседі. \- Автоматтандыру: Платформалар автоматты түрде деректерді өңдеу, модельдерді құру және оларды талдау бойынша қадамдарды жеңілдетеді. Кодсыз ЖИ платформалары қалай жұмыс істейді?Кодсыз платформалар визуалды интерфейстерді қолдану арқылы жұмыс істейді, мұнда пайдаланушылар ЖИ модельдерін құру үшін түрлі құралдарды таңдап, олардың арасындағы байланыстарды құрастырады. Пайдаланушы мәліметтерді енгізіп, оларды өңдеп, ЖИ модельдеріне оқыту үшін дайындайды. Модельдер оқытылғаннан кейін оларды нақты әлемде қолдану үшін оңай біріктіруге болады. Танымал кодсыз ЖИ платформалары: \- Teachable Machine (Google): Бұл платформа машиналық оқыту модельдерін оңай құруға мүмкіндік береді. Пайдаланушылар өздерінің суреттерін, дыбыстарын немесе позаларын енгізіп, ЖИ-ді үйретеді. Бұл білім беру, зерттеу және шығармашылық жобаларда өте пайдалы. \- Lobe(Microsoft): Lobe платформасы бейнелер мен суреттерді тану негізінде модельдерді құруды жеңілдетеді. Пайдаланушы суреттерді жүктеп, ЖИ моделін жасайды, содан кейін оны түрлі мақсаттарда пайдалана алады. \- MonkeyLearn: Бұл платформа мәтіндерді талдау, автоматты түрде жіктеу, эмоциялар анализі сияқты мәтінге негізделген ЖИ құралдарын жасауға бағытталған. Компаниялар осы құралдарды клиенттер пікірлерін талдауда жиі пайдаланады. -Akkio: Akkio -- бизнес-аналитикаға арналған кодсыз ЖИ платформасы. Бұл платформа деректерді жүктеу, талдау және нәтижелерді болжау үшін өте тиімді құралдармен жабдықталған. \- DataRobot: Бұл платформа деректер ғылымы мен машиналық оқыту процесін автоматтандыруға мүмкіндік береді. DataRobot кеңірек аналитикалық және қаржылық талдаулар жасауға бағытталған. Кодсыз ЖИ платформаларын қолданудың негізгі салалары: \- Медицина: Жасанды интеллект ауруларды ерте кезеңде анықтауға және медициналық диагноздарды қоюға көмектеседі. Кодсыз платформалар бұл саланы цифрлық трансформациялауға ықпал етеді. \- Маркетинг:ЖИ платформалары тұтынушылардың мінез-құлқын болжауға, маркетингтік кампанияларды автоматтандыруға және жарнамаларды тиімді бағыттауға көмектеседі. \- Қаржы: Платформалар қаржылық талдауларды жеңілдетіп, несиелік тәуекелдерді болжау, алаяқтықты анықтау және инвестициялық шешімдер қабылдауды автоматтандыруға көмектеседі. \- Білім беру: Жасанды интеллект оқушылардың үлгерімін бақылау, оқу мазмұнын бейімдеу және оқыту процесін тиімді етуге мүмкіндік береді. Қорытынды: Кодсыз жасанды интеллект платформалары ЖИ технологияларын қолжетімді етіп, оны күнделікті өмір мен бизнес процестерге енгізуді жеңілдетеді. Бұл құралдар арқылы кез келген адам деректерді талдау, модельдер құру және болашақ үрдістерді болжау сияқты күрделі процестерді игере алады. Кодсыз платформалар инновацияларды ынталандырып, цифрлық трансформацияны жылдамдатуға үлкен үлес қосады. **Дәріс 4-5.** Үлкен тіл үлгілері (LLM). Үлкен тілдік модельдермен таныстыру. ### LLM - бұл қысқартылған сөз **Үлкен тіл үлгісі**.Жасанды интеллект түрі ([AI](https://kk.martech.zone/acronym/ai/)) оқудан өткен деректер негізінде адамға ұқсас мәтінді түсінуге, түсіндіруге және жасауға арналған бағдарлама. Бұл автотолтырудың жоғары жетілдірілген нұсқасы сияқты, бірақ ол бірнеше сөзді ұсынудың орнына мәтіннің үйлесімді және контекстік сәйкес абзацтарын жасай алады ([GenAI](https://kk.martech.zone/acronym/genai/)).Мысалы, ол маркетингтік мазмұнды жаза алады, есептерді жасай алады, тұтынушылардың сұрауларына жауап бере алады немесе тіпті мәтіндік деректер негізінде нарық трендтерін талдай алады. Оның тілді жоғары деңгейде өңдеу және генерациялау қабілеті оны дәстүрлі түрде көп адам енгізуін қажет ететін тапсырмаларды автоматтандыру және жақсарту үшін пайдалы етеді, осылайша уақыт пен ресурстарды үнемдейді, сонымен бірге тиімділік пен дәлдікті арттырады.LLMs іскерлік әлемде көптеген қосымшаларды ұсына отырып, AI-ның адам тіліне негізделген тапсырмалармен өзара әрекеттесу және оларға көмектесу қабілетіндегі елеулі жетістіктерді білдіреді. Үлкен тілдік модельдер (LLM) табиғи тілді өңдеу (NLP) саласын күрт жетілдірді. Бұл модельдер адамға ұқсас мәтінді түсінуге және құруға қабілетті. Олар тұтынушыларға қызмет көрсету чат-боттарынан кеңейтілген мәтіндік аналитикаға дейін кең ауқымды қолданбаларда жаңа мүмкіндіктерді ашады. Shaip-те біз LLM-дің дамуы мен жетілдірілуін қамтамасыз ететін жоғары сапалы, әртүрлі және жан-жақты деректер жиынын ұсыну арқылы осы эволюцияны қамтамасыз етеміз.Үлкен тіл үлгісін дамыту жолындағы қазіргі ұстанымыңызға қарамастан, біздің толық қызметтеріміз AI бастамаларыңыздың өсуін жеделдетуге бағытталған. Біз AI-ның үнемі дамып келе жатқан талаптарын түсінеміз және AI моделін дәл, тиімді және инновациялық оқытуды жеңілдететін деректер шешімдерін ұсыну үшін бар ынтамен жұмыс істейміз.Табиғи тілді өңдеу (NLP), есептеу лингвистикасы және AI негізіндегі мазмұнды жасау саласындағы бай тәжірибеміз AI енгізудегі «соңғы миль» қиындықтарын еңсере отырып, жоғары нәтижелерге қол жеткізуге мүмкіндік береді. ### Генеративті мазмұнды құру Пайдаланушы сұрауларынан адамға ұқсас мазмұнды жасау үшін LLM мүмкіндіктерін пайдаланыңыз. Бұл тәсіл білім қызметкерлерінің тиімділігіне көмектеседі және тіпті негізгі тапсырмаларды автоматтандыруға мүмкіндік береді. Қолданбаларға сөйлесу AI және чат-боттар, маркетингтік көшірмелерді жасау, кодтау бойынша көмек және көркем шабыт кіреді. ### Сурет пен бейнені жасау Мәтіндік сипаттамалардан кескіндер жасау үшін DALL-E, Stable Diffusion және MidJourney сияқты LLM-дің шығармашылық әлеуетін зерттеңіз. Сол сияқты, мәтіндік нұсқауларға негізделген бейнелерді жасау үшін Imagen Video қолданбасын пайдаланыңыз. ### Кодтау бойынша көмек Codex және CodeGen сияқты LLM-лер кодты құруда маңызды рөл атқарады, автотолтыру ұсыныстарын береді және кодтың бүкіл блоктарын жасайды, осылайша бағдарламалық жасақтаманы әзірлеу процесін жылдамдатады. ### Қорытынды Деректер жарылыс дәуірінде қорытындылау маңызды болады. LLMs дерексіз қорытындылауды, ұзағырақ мазмұнды көрсету үшін жаңа мәтінді құруды және тиісті фактілер іздеуге негізделген қысқаша жауапқа жинақталатын үзінді қорытындылауды қамтамасыз ете алады. Бұл мақалалардың, подкасттардың, бейнелердің және т.б. үлкен көлемдерді түсінуге көмектеседі. **Дәріс 6-7.** Жасанды интеллект көмегімен деректерді визуализациялау. Кескінді тану құралдары. Сандық өнердегі жасанды интеллект. Жасанды интеллект (AI) деректерді визуализациялау, кескінді тану және цифрлық өнерді қоса алғанда, әртүрлі салалардың ажырамас бөлігіне айналады. Бұл дәрісте біз AI деректерді визуализациялауға қалай көмектесетінін, кескінді тану үшін қандай құралдар қолданылатынын және AI цифрлық өнерге қалай әсер ететінін қарастырамыз. Деректерді визуализациялау -- бұл ақпаратты графикалық түрде ұсыну процесі. Бұл үлкен көлемдегі деректерді талдауды және заңдылықтарды анықтауды жеңілдетеді. Жақсы орындалған визуализация пайдаланушыларға ақпаратты тезірек және оңай түсінуге көмектеседі. AI визуализация процесін автоматтандыруға мүмкіндік береді. Машиналық оқыту алгоритмдері деректерді талдап, Графиктер мен диаграммаларды автоматты түрде жасай алады. Ai көмегімен деректерді визуализациялаудың кейбір танымал құралдары: - Tableau-интерактивті визуализацияны құрудың қуатты құралы. - Power BI-деректерді талдау және визуализациялау үшін Microsoft корпорациясының платформасы. - Python кітапханалары: - Matplotlib --- статикалық графика үшін. - Seaborn --- статистикалық визуализация үшін. - Plotly --- интерактивті графиктер үшін. Кескінді тану құралдары. Кескінді тану-бұл кескіндердегі объектілерді анықтау және жіктеу процесі. Бұл суреттердегі беттерді, заттарды және басқа элементтерді анықтауды қамтиды. Кескінді тану үшін қолданылатын негізгі технологияларға мыналар жатады: - конволюциялық нейрондық желілер (CNN) --- суреттерден сипаттамаларды автоматты түрде алуға қабілетті кескіндерді талдауға арналған негізгі модельдер. - OpenCV-кескінді өңдеуге арналған көптеген құралдарды ұсынатын компьютерлік көру кітапханасы. - TensorFlow және keras --- нейрондық желілерді құруға және оқытуға арналған құрылымдар. Кескінді тануды қолдану. Кескінді тану әртүрлі салаларда қолданылады: - медицина-Медициналық бейнелеу бойынша ауруларды диагностикалау; - қауіпсіздік - бетті тану жүйелері; - маркетинг-суреттер арқылы тұтынушылардың мінез-құлқын талдау. Сандық өнердегі жасанды интеллект. Сандық өнер-бұл цифрлық технологияны қолдану арқылы жасалған өнер түрі. Жасанды интеллект көркем шығармаларды жасауда жаңа көкжиектер ашады. Кейбір танымал әдістер: - генеративті қарсыласу желілері (GANs) --- бар стильдерге еліктейтін жаңа кескіндер жасау үшін қолданылады; - стильді тасымалдау-бірегей туындылар жасай отырып, бір кескіннің стилін екіншісіне ауыстыруға мүмкіндік береді. - Janelle Shane-ai көмегімен өнер туындыларын жасайды; - Mario Klingemann-бірегей визуалды туындыларды жасау үшін алгоритмдерді қолданады. Жасанды интеллект деректерді визуализациялауға, кескінді тануға және цифрлық өнерге айтарлықтай әсер етеді. Ол деректерді талдау процесін жақсартады, нысандарды тануды автоматтандырады және шығармашылық үшін жаңа мүмкіндіктер ашады. Болашақта AI дамуын жалғастырады және осы және басқа салаларда жаңа қолданбаларды табады. **Дәріс 8.** Teachable Machine: Машиналық оқыту Машиналық оқыту (Engl. Machine learning, ML) --- бұл жасанды интеллект әдістерінің классы. Оның сипаттамасы мәселені тікелей шешу емес, көптеген ұқсас мәселелерге шешім қолдану процесінде жаттығу болып табылады. Мұндай әдістерді құру үшін математикалық статистика, сандық әдістер, оңтайландыру әдістері, ықтималдық теориясы, графтар теориясы, сандық түрде мәліметтермен жұмыс істеудің әртүрлі әдістері қолданылады. Машиналық оқыту күнделікті біздің өмірімізде көптеген қолданыстарға ие болуда. Оның қолданылуының кеңдігіне байланысты IT технологияда маңызды орын алады. Қазіргі кезде машиналық оқыту әдістеріне негізделген кейбір қосымшалар жақсы жұмыс істейді. Жасанды Интеллект туралы мақаланы мына жерден оқи аласыз: [Жасанды Интеллект қалай пайда болды?]Машиналық оқыту жасанды интеллекттің бір саласы болып саналады. Оның негізгі идеясы компьютер алдын-ала жазылған алгоритмді қолданумен ғана шектеліп қоймай, мәселені өздігімен шешуді үйрену. Кез келген жұмыс машиналық оқыту технологиясын шартты түрде қол жетімділікке байланысты үш деңгейдің біреуіне тағайындалуы мүмкін. Бірінші деңгей --- бұл Google немесе IBM деңгейіндегі әртүрлі технологиялық алыптар үшін қол жетімді болған кезде. Екінші деңгей --- белгілі бір білімі бар студент оны қолдана алатын кезде. Үшінші деңгей --- бұл тіпті ата-әжелер оны басқара алатын кез. Қазір машиналық оқыту екінші және үшінші деңгейлердің түйіскен жерінде, осы технологияның көмегімен әлемнің өзгеру қарқыны күн сайын артып келеді.Машиналық оқыту тапсырмаларының көпшілігін "бақыланатын оқытуға" (supervised learning) және "бақыланбайтын оқытуға" (unsupervised learning) бөлуге болады. «Бақыланатын» түсінігінде адамның мәліметтерді өңдеуге араласуы деп түсініледі. Адам машиналық оқытуға араласқан кезде бізде белгілі бір болжамалы ақпараттар бар. Ал адамсыз оқу кезінде бізде тек анықталатын мәліметтер болады. 1. Бақыланатын оқыту. Мысалы, бізде Алматы қаласындағы 10 000 пәтерлер туралы мәліметтер бар. Сондай-ақ, әр пәтердің ауданы, бөлмелер саны, орналасқан қабаты, автотұрақтың болуы, метро станциясына дейінгі қашықтық және басқалары белгілі. Сонымен қатар, әр пәтердің құны белгілі. Біздің міндетіміз --- осы белгілер негізінде пәтердің құнын болжай алатын модель құру. Бұл бақыланатын оқытудың классикалық мысалы. Мұндай тапсырма регрессиялық есеп деп аталады. Басқа мысалдар: әр түрлі медициналық көрсеткіштерге негізделген ақпараттар бойынша науқаста қатерлі ісіктің бар-жоғын болжау. Немесе электрондық поштаның мәтініне сүйене отырып, бұл спамның ықтималдығын болжау және т.б. 2. Бақыланбайтын оқыту. Бұл оқыту өте қызықты болып келеді. Себебі біз нақты дұрыс жауабын білмейміз. Мысалы, бізге белгілі бір адамдардың бойы мен салмағы туралы деректер берілсін. Деректерді 3 санатқа (немесе топ) топтастыру керек. Сонымен қатар адамдардың әр санаты үшін қолайлы өлшемдегі көйлек жасау керек. Бұл тапсырма класстерлік тапсырмасы деп аталады. Машиналық оқыту класстары Регрессиялық мәселелер. Әр түрлі белгілерге сүйене отырып, материалдық реакцияны болжау. Басқаша айтқанда, жауап 1, 5, 23.575 немесе кез-келген нақты сан болуы мүмкін. Жіктеу мәселесі. Әр түрлі белгілер негізінде категориялық жауапты болжау. Мысалдар: мәтінді қолжазбамен тану, фотосуреттегі адамның немесе мысықтың бар-жоғын анықтау. Класстерлік мәселелер: мәліметтерді ұқсас категорияларға бөлу. Мысалдар: ұялы байланыс операторы клиенттерінің төлем қабілеттілігі бойынша бөлу, ғарыш объектілерінің ұқсас заттарға бөлу және т.б. (галактикалар, планеталар, жұлдыздар және басқалар). Өлшемді азайту мәселесі: біздің мәліметтерімізді N белгілерімен емес, кішірек санмен сипаттауға үйрену (әдетте кейінгі визуализация үшін 2-3). Мысал ретінде, визуализация қажеттілігінен басқа, деректерді сығуды келтіруге болады. Аномалияларды анықтауға байланысты мәселелер: белгілер негізінде аномалияларды «аномалиялардан» айыра білуді үйрену. Бұл міндеттің жіктеу мәселесінен еш айырмашылығы жоқ сияқты. Бірақ аномалияны анықтаудың ерекшелігі --- бізде модельді үйрету үшін аномалиялардың мысалдары өте аз немесе мүлдем жоқ. Сондықтан біз классификация мәселесін шеше алмаймыз.