Нейросети на 1С для чайников (Андрей Федосеев)

• Андрей Федосеев рассказывает о своем опыте и достижениях.  

• Он 12 лет разрабатывает на Python, обучает стажеров и детей паркуру.  

• Андрей доехал автостопом от Тюмени до Крыма и стал лидером проекта.  

• Тема доклада - нейронные сети для начинающих.  

• Нейронная сеть - это математическая модель, основанная на принципах работы нервных клеток.  

• Понятие введено Уорреном Маккауком и Уолтером Питтсом около ста лет назад.  

• Нейрон состоит из отростков и ядра.  

• Входные сигналы и выход являются отростками, а ядро - математическая функция.  

• Пример: скалярное произведение для каждого входа.  

• Веса - это коэффициенты, которые определяют, насколько сильно нейрон реагирует на входной сигнал.  

• Пример с яблоками: разные люди предпочитают разные характеристики яблок.  

• Веса позволяют сравнивать предпочтения и выбирать оптимальные решения.  

• Функция активации преобразует числовое значение в логическое "да" или "нет".  

• Пример: сигмоид для преобразования числовых значений.  

• Это удобно для программистов, так как позволяет получать ответы "нравится" или "не нравится".  

• Пример с яблоками: спелость и размер как входные сигналы.  

• Нейрон-ядро выполняет скалярное произведение.  

• Пример: спелое яблоко с большим размером и неспелое яблоко с маленьким размером.  

• Обучение нейрона - это процесс нахождения правильных весов для тестовой выборки.  

• Пример с яблоками: тестовая выборка из четырех яблок.  

• Обучение включает подгонку ответов под желаемые результаты.  

• Процесс обучения может быть медленным и неэффективным.  

• Чем больше эпох обучения, тем больше подгонка ответов.  

• Обучение стремится к тому, чтобы быть правдивым, а не просто подгонкой под выборку.  

• Ошибки на первой итерации и использование функции рандомайс для начальных весов.  

• Функция сигмоиды преобразует значения от 0 до 1, но не может точно воспроизвести 0 и 1.  

• После 100 эпох обучения получены результаты, которые не совпадают с ожидаемыми весами.  

• Многослойная нейронная сеть использует выходы одних нейронов как входы для других.  

• Пример с акинатором для определения царства животных.  

• Входные данные: количество ног, жизнь в воде, способность летать и т.д.  

• Анализ данных и прогнозирование, обработка изображений, распознавание видео и речи.  

• Рекомендательные системы и оптимизация производственных процессов.  

• Анализ рисков и использование других языков программирования для ускорения обучения.  

• Модель искусственного интеллекта от компании OpenAI.  

• Работает на базе архитектуры GPT-3 и трансформера.  

• Возможность использования в OneDrive для получения релевантных ответов на вопросы.  

• Чат GPT-5 предоставляет код на других языках программирования, но не на C#.  

• Псевдокод можно перевести в код на C#, если знать синтаксис.  

• Чат GPT-5 не предоставляет код на C#, но может предоставить псевдокод.  

• На Инфостарте много публикаций по нейросетям, включая старые и новые.  

• Быстродействие нейросетей на Python выше, чем на C#.  

• Распознавание документов в платформе реализовано как сервис, который можно использовать локально.  

• Нейросети обучаются на реальных данных, загруженных в массив.  

• Можно использовать Excel для загрузки данных и создания регистра сведений.  

• Обучение нейросетей требует постоянной подгрузки данных и деления выборки пополам.  

• Примеры моделей уровня ChatGPT не являются искусственным интеллектом, а речевыми моделями.  

• Речевые модели угадывают слова по статистике, но не могут писать симфонии или рисовать картины.  

• В будущем разработчики могут работать в паре с нейросетями, что увеличит их выработку.