Искусственный интеллект — это что-то на очень модном. Умами сейчас владеет ChatGPT, а каждое второе письмо в новостной рассылке у меня в ящике или про этот самый чатжпт или про оценки рисков в новой реальности, которую искусственный интеллект скоро поглотит.

Но иногда у меня возникает чувство, что к системам искусственного интеллекта сегодня относятся также, как относились люди к теме электричества лет 150 назад. Будто это что-то очень-очень сложное, и надо быть очень умным, чтобы в этом разобраться. Но это совершенно не так! За кулисами любого ИИ стоит достаточно простая математическая идея. А «мощность» ИИ во многом определяют мощности ресурсов компьютеров, на которых считается модель, и количество накопленных данных для обучения модели.

Давайте попробуем разобраться в одной из таких идей, порождающей один из типов алгоритмов классического машинного обучения. А если этот пост хорошо залетит, то позднее разберем и другие (глядишь, доберемся и до нейросетей. К которым относится и Chat GPT).

Деревья решений — один из моих любимых классических алгоритмов. И для большинства прикладных задач они по-прежнему остаются нестареющим и неизменно надежным инструментом. Их ответы хорошо интерпретируемы, а потому именно их так часто используют в задачах о принятии медицинских решений. Ведь для врача при постановке диагноза важно не просто решение экспертной системы-помощника, но и объяснение от системы, почему она выбрала тот или иной ответ. (Для сравнения — нейросети обладают очень слабой интерпретируемостью. Большинство таких систем — это черный ящик: ответ система выдает, но почему он именно такой, выяснить практически невозможно).


Первые электронные системы принятия решений строились примерно также: эксперты задавали системе список вопросов и строили исходы в соответствии с ответами на эти вопросы.
Например, я решаю, что бы мне приготовить сегодня на ужин (какое вранье, Аня! Когда ты в последний раз хотя бы варила пельмени?!). У меня в голове есть несколько стандартных рецептов для ужина, но какой из них реализовать зависит от набора продуктов у меня дома. Так я задаю себе вопрос: есть ли у меня дома картошка? Если ответ «да», то новый вопрос — а есть ли дома сыр? Пусть ответ здесь «нет». Хмм, идея картофеля по-французски точно отпадает. А есть ли дома морковь и лук? «Да»! А какое-нибудь мясо или грибы? Снова «да»! Значит, тушеная картошка — лучший ответ для этого ужина.

Мы строим такие «деревья решений» в нашей голове по многу раз за день. Почему бы не применить этот же подход для решения абсолютно любых задач классификации и/или группировки (кластеризации)?

Главная загвоздка тут в том, что в голове у нас есть те самые ключевые вопросы, по которым и происходит ветвление алгоритма. Мы знаем, что спросить надо о картошке и это ключевым образом повлияет на конечный исход.
На таком принципе — принципе установления четких правил — работали первые медицинские и бухгалтерские системы. В тех задачах установить такие правила было несложно. «Сценарий» правил брался из привычной рутины врача или бухгалтера. Но как быть с более сложными задачами? С задачами, к которым таких правил никто не придумал?


Алгоритм случайного дерева говорит нам: придумывай совершенно случайные правила, разделяй по ним исходы и смотри, что получится. Например, если мы банк и хотим предсказать платежеспособных клиентов, то первое совершенно случайное правило ветвления может звучать так: этот человек живет ниже или выше 4 этажа? Скорее всего оно нам ничего не скажет о достатке человека, но нам сейчас это и не важно. Важно, что если мы будем много раз подряд генерировать случайные правила, то в конце концов получим какие-то ответы. Насколько они будут верными? Это останется проверить, сравнив с заранее известными правильными ответами.

(тут подразумеваем, что мы обучаем модель и потому используем обучающую выборку — выборку с известными целевыми переменными — ответами. Позднее уже обученную модель мы сможем «натравить» на настоящие данные и получить ответы для тех клиентов, о которых мы еще не знаем ответов)

Сравнили. Если ответы нашей модели сильно далеки от настоящих известных ответов, то снова запустим наше случайное дерево, а оно снова сгенерирует случайные правила. Новые ответы мы опять сравним с известными. И так по кругу. Пока полученные из модели ответы нас не устроят — не станут «достаточно» близкими к известным.
(тут есть свои риски и особенности, но об этом в другой раз, на ключевой принцип и понимание алгоритма они не влияют)

Есть ли способ повысить точность результата? Есть! Давайте «посадим» случайный лес таких случайных деревьев, которые будут генерировать случайные правила! Как в выражении «Если армия обезьян будет бить по клавишам пишущих машинок, они могут напечатать все книги Британского музея» (как говорил физик Артур Эддингтон). Каждое из случайных деревьев даст нам какие-то ответы. Если мы усредним ВСЕ ответы от ВСЕХ случайных деревьев, то такие ответы могут дать более точные результаты.

(Например, в нашем случайном лесу 100 деревьев. Если 80 деревьев дают результат, что X платежеспособный клиент, а 20 — что нет, то результатом работы леса будет ответ «X — платежеспособный».
Вот и все, никакой черной магии.

Теперь вы знаете, какая модель (вероятнее всего) дает по вам вердикт, если вы запрашиваете у банка кредит.
Если было интересно и понятно, дайте мне знать:) Знаете еще какие-то алгоритмы машинного обучения? Может быть, есть пожелания, о какой из них рассказать в следующий раз?

Друзья, кто хотел со мной в зоопарк на лекцию под открытым небом? В эту субботу последний шанс (следующая будет не раньше середины/конца июня)

И продолжение лекции про генетику ориентации тоже в эту субботу вечером.

Подробнее анонсы репостну сюда позже (в инсте уже есть). А пока можно планировать свои выходные в Ереване:))

‼️Организаторы предусмотрели скидки для тех, кто был на первой части лекции в прошлые выходные и для тех, кто днем со мной на лекцию в зоопарк.

Афиша мероприятий 27.04-30.04 от Letters and Numbers


ЧТ, 27.04
19:30 🎬Киноклуб LAN Yerevan: Улица Паради, дом 588, 1991
Вторая часть картины "МАЙРИК", трогающей до глубины души и не оставившей равнодушным никого из наших зрителей.
https://www.instagram.com/p/CrdkmGpI1rH/

ПТ, 28.04 🗣️🎤 Поэтический вечер «От сердца к сердцу»
Приглашаем погрузиться в мир чувств и дотронуться до души.
https://www.instagram.com/p/CrdlFbBtEGo/

СБ, 29.04
11:00 Разговорный армянский клуб для начинающих от Соны Арсенян
https://www.instagram.com/p/CrNtEvMrcRS/
12:00 👶 Мастерская иллюстрации для детей 6+ от Анны Тененбаум и Тимофея Бычкова https://www.instagram.com/p/CrdliTRNZt6/
13:30 🦁 Прогулка в зоопарк с Анной Ивановой @lab.mouse
https://www.instagram.com/p/CrdzmEzNudp/
15:00 🎯 English speaking club: this time we are discussing social media https://www.instagram.com/p/CrePcYBLwH4/
19:30 🎤🔞 Лекция “Генетика ориентации” с Анной Ивановой @lab.mouse 18+ https://www.instagram.com/p/Crdx1tTN5d-/

ВС, 30.04,
12:00 👶 Мастерская иллюстрации для детей 6+ от Анны Тененбаум и Тимофея Бычкова https://www.instagram.com/p/CrdliTRNZt6/
13:00 ✍️ Последнее оффлайн занятие каллиграфического клуба Марины Перелешиной @mysimpleletters
https://www.instagram.com/p/CrgcuzcNVkU/
13:00 👣 Прогулка по холмам Еревана: Козерн
https://www.instagram.com/p/CrgpVmOMt-F/?igshid=YmMyMTA2M2Y=
15:00 👶📖 Детский книжный клуб с Мариной Козловой. Читаем «Горилла, которая хотела повзрослеть» Джилл Томлинсон.
https://www.instagram.com/p/Crd4of6o-uK/
19:00 🎤 ☀️ Женщина, облачённая в солнце: история о Климте и австрийской Джоконде
Цикл лекций об искусстве Зарины Асфари
https://www.instagram.com/p/CrcrS1ttGam/

Кинопросмотр и обсуждение с ученым!🔥

Будем смотреть фильм-пророчество, в котором здорово отражено как работают ученые при вспышках пандемии, как разрабатывают вакцины и какое количество специалистов слаженно работает на разных направления на поле боя с инфекцией.

После фильма ученый биоинформатик Анна Иванова @lab_mouse расскажет:
🦠Как получилось, что создатели фильма будто предсказали пандемию Covid19?
🦠Как устроена работа мониторинговых организаций?

А в конце поговорим о том, ждут ли нас новые пандемии в будущем.

Фильм подобран неспроста!
В эту субботу состоится лекция с Анной Ивановой "Создание лекарств: от древних времён до наших дней", где поговорим о том, как разрабатывают современные лекарства

Четверг, 04 мая
🎬 Заражение , 2011
Сбор в 19:15
Начало в 19:30
💰 донейшен
Фильм показываем в оригинале с русскими субтитрами,
обсуждение пройдет на русском языке.

Предварительная запись в директ телеграме https://t.iss.one/LANYerevan

📍 Туманяна, 35Г
🐕 Можно с животными
🌐 lettersandnumbers.am

мур-мур 😍 Чего мне с утра прислало издательство. Уже совсем скоро-скоро! На днях запустят предзаказ 🤞

А вот скажите мне, котики, кто бы хотел пройти обучение программированию и биоинформатике в очень крутом месте?

(я для вас кое-что сейчас согласую и хочу понимать насколько есть запрос😜️️️️️️)

Python для анализа данных в науке — супер план от моих дорогих котиков Blastim и вашей Мышки😉.

Вы знаете, что я никогда не беру в блог рекламу. И это снова не она😂 Я очень давно думала договориться о чем-то таком с ребятами, и тут все сложилось идеально: ваш запрос + новый курс от Blastim именно для новичков, которые хотят в Data Science с уклоном в биоинформатику!
🟠Кому? Всем, кто любит биологию, химию или медицину, но совсем не умеет программировать (а очень хочет).
🟡Когда? Старт курса 16 мая, окончание 15 июня.
🟢Как? Онлайн. Занятия в вечернее время.
🔵 Дорого? А вот тут самое интересное!
Мы с ребятами договорились, что для всех читателей Мышки по промокоду LABMOUSE активируется скидка 15%.
А теперь вишенка 🍒: у меня есть еще один секретный промокод — на 90% скидку 🔥Я очень его хочу скорее подарить кому-то одному из вас💚
Что для этого нужно:
👉 быть подписанным на аккаунт @blastim.ru (или https://t.iss.one/blastim в ТГ)
👉 оставить ЗДЕСЬ комментарий, что вы в деле😎 (псс🤫, можно удвоить свои шансы, оставив один коммент в инсте https://www.instagram.com/lab.mouse/ и второй в ТГ)
👉 все. В понедельник, 8 мая, я в прямом эфире с помощью генератора случайных чисел выберу одного счастливчика и подарю ему этот код.
Подробности про курс вот тут: https://agency.blastim.ru/pythonfordatascience
Тут надо бы написать что-то веселое, но я напишу правду: в 2022 году рынок IT столкнулся с перенасыщением. Думаю, об этом уже хорошо знают джуны, кто был вынужден искать работу за последние месяцы. Многие гиганты сокращали штат и туже затягивали пояса. Сотрудники Apple, Google и Meta иногда одним днем потеряли работу. И рынок все еще не очнулся.
Но Data Science все еще немного исключение — спрос на внутреннем рынке только вырос, а на международном не особо просел (но требует специалистов категории выше джуна).
А внутри DS особое место все еще занимает рынок Life Science и Healthcare. И в этот момент ваши знания о биологии, медицине или химии — ваш огромный козырь. Не забывайте о нем.