Мапа штучного інтелекту: що є що і як усе це пов’язано

Штучний інтелект, машинне навчання, глибоке навчання, мовні моделі та AI-агенти — як вони пов’язані, на одній сторінці. Вступна частина серії «Основи ШІ».

6 хвилин Matěj Žalmánek 2026-10-15

Серія Основи ШІ Частина 1 з 52

1. Мапа штучного інтелекту: що є що і як усе це пов’язано
2. Коротка історія штучного інтелекту: від Тюрінга до мовних моделей
3. Дані, модель, тренування, інференс: основні поняття на одному прикладі
4. Як читати математичний запис: символи, індекси, суми та квантори
5. Множини й відношення: конструктор, з якого складаються означення в ШІ
6. Функції й відображення: чому кожна модель у ШІ — це функція
7. Логіка й доведення: правила, за якими міркують у ШІ
8. Графи й дерева: структура, на якій тримаються пошук і нейронні мережі
9. Лінійна алгебра для машинного навчання: вектори, матриці й чому ШІ передусім множить
10. Похідні, градієнт і правило ланцюжка: як модель дізнається, у якому напрямку вчитися
11. Градієнтний спуск: як навчається модель
12. Що таке ймовірність: від кидка кубика до аксіом Колмогорова
13. Умовна ймовірність і теорема Баєса: як змінити оцінку, коли дізнаєтеся щось нове
14. Випадкова величина і функція розподілу: одна функція, яка каже про розподіл усе
15. Функція щільності та функція маси ймовірності: чому неперервна величина має в точці ймовірність нуль
16. Математичне сподівання, дисперсія і коваріація: де лежить розподіл, наскільки він широкий і що з чим пов’язано
17. Огляд розподілів ймовірностей: Бернуллі, біноміальний, Пуассона, рівномірний, нормальний і експоненційний
18. Закон великих чисел і центральна гранична теорема: чому середні поводяться так передбачувано
19. Статистика й оцінювання параметрів: максимальна правдоподібність, MAP і довірчі інтервали
20. Теорія інформації: ентропія, перехресна ентропія і KL-дивергенція — звідки беруться функції втрат
21. Пошук у просторі станів: BFS, DFS, UCS і A* з анімаціями
22. Ігри та суперник: мінімакс, альфа-бета відсікання і Monte Carlo tree search
23. Задоволення обмежень: бектрекінг, поширення обмежень і AC-3 на судоку та мапі чеських країв
24. Логіка й системи, засновані на знаннях: пряме і зворотне виведення, резолюція та експертні системи
25. Планування: STRIPS, світ кубиків, евристики з релаксації та планування в AI-агентах
26. Локальний пошук та імітація відпалу: комівояжер через обласні центри Чехії
27. Генетичні алгоритми: популяція, схрещування, мутація і добір на рюкзаку для походу
28. Еволюційні стратегії і генетичне програмування: від правила однієї п’ятої до закону Кеплера
29. Оптимізація мурашиною колонією: як феромоновий слід знаходить короткий шлях
30. Оптимізація роєм частинок: інерція, власний досвід і досвід рою
31. Нейроеволюція: еволюція ваг і форми нейронних мереж та алгоритм NEAT
32. Нечіткі множини й функції належності: як записати «трохи тепло»
33. Нечітка логіка та ймовірність: чому «трохи тепло» не означає «імовірно тепло»
34. Нечітка логіка: t-норми, імплікації та правила ЯКЩО–ТО
35. Нечітке керування: Мамдані та Суґено від вентилятора до маятника на візку
36. Нечітка кластеризація: алгоритм fuzzy c-means і точки між кластерами
37. Нейро-нечіткі системи (ANFIS): нечіткі правила, які навчаються з даних
38. Марковські ланцюги: матриця переходів, стаціонарний розподіл і PageRank
39. Приховані марковські моделі: алгоритм Вітербі й нечесне казино
40. Байєсівські мережі: чому трава мокра і що з цього випливає для дощувача
41. Фільтр Калмана: як за неточними вимірюваннями оцінити, де авто і як швидко воно їде
42. Види машинного навчання: з учителем, без учителя, з частковим залученням учителя та інші
43. Промпти, контекст і RAG: як дати моделі правильну інформацію
44. Варіаційні автокодувальники (VAE): нові зображення з неперервного латентного простору
45. Генеративні змагальні мережі (GAN): фальшувальник проти детектива
46. Дифузійні моделі: як із чистого шуму постає зображення
47. Марковські процеси ухвалення рішень: стани, дії, винагороди й рівняння Беллмана
48. Q-навчання і DQN: як навчитися цінності дій — від таблиці до нейронної мережі
49. Policy gradient і PPO: навчання безпосередньо політики
50. Як працює ШІ-агент: мовна модель у циклі з інструментами
51. Програмування з AI-агентами: завдання, тести й перевірка
52. Оцінювання і безпека систем ШІ: як вимірювати і як стежити

Повна програма серії Готово: 52 з 83 тем

Штучний інтелект, машинне навчання, нейронні мережі, мовні моделі, агенти. Слова, які сьогодні вживають майже як синоніми, — а проте кожне означає щось інше. Ця частина — мапа: вона покаже, що є що і як усе це пов’язано. Глибше в тему заходять інші частини серії; кожну з них можна читати й окремо.

1. Що таке штучний інтелект

Означення — раціональний агент (Рассел і Норвіг)

Агент — це будь-що, що сприймає своє середовище за допомогою сенсорів і впливає на нього за допомогою дій. Формально — функція f : P* → A з послідовностей сприйнять у дії.

Агент раціональний, якщо для кожної послідовності сприйнять він обирає дію, яка максимізує очікуване значення міри продуктивності.

Штучний інтелект — це галузь, яка таких агентів проєктує і створює.

Усю галузь можна намалювати як вкладені одна в одну множини. Глибоке навчання — це вид машинного навчання, машинне навчання — один зі шляхів до штучного інтелекту, а AI-агент сьогодні часто поєднує все разом — і пошук, і навчання:

2. ШІ, що шукає

Найстаріша родина ШІ нічого не навчається. Вона отримує точний опис задачі — звідки починаю, що можу зробити, куди хочу дістатися, — і перебирає можливості, доки не знайде розв’язок. Так працює навігація, що шукає найкоротший маршрут, шахова програма, яка прораховує ходи наперед, чи планувальник розкладу.

Перевага: коли задачу добре описано, результат надійний і можна довести, що він найкращий із можливих. Недолік: хтось мусить задачу точно описати — а світ точно описати майже ніколи не вдається.

Детальніше: Частина 2 — Пошук у просторі станів.

3. ШІ, що навчається

Означення — машинне навчання (Т. Мітчелл)

Програма навчається з досвіду E щодо задачі T і міри продуктивності P, якщо її продуктивність на T, виміряна за P, зростає з досвідом E.

Машинне навчання поділяють за тим, який сигнал модель отримує під час навчання: правильні відповіді (навчання з учителем), лише дані без відповідей (без учителя), трохи того й іншого (з частковим залученням учителя), відповіді, створені із самих даних (самонавчання), або винагороди за дії (навчання з підкріпленням).

Детальніше: Частина 3 — Види машинного навчання.

4. Глибоке навчання та нейронні мережі

Глибоке навчання — це машинне навчання з одним конкретним видом моделі: нейронною мережею з багатьма шарами. Кожен шар перераховує вхід трохи по-іншому — перші шари мережі для зображень розпізнають краї, наступні — форми, останні — цілі предмети. Ніхто не каже їм, що шукати; вони вчаться цього з даних.

Чому «глибоке»? Через кількість шарів. А чому лише тепер, якщо нейронні мережі існують із п’ятдесятих років? Бо лише сьогодні маємо достатньо даних і обчислювальної потужності (відеокарти), щоб великі мережі можна було натренувати.

Детальніше: готуємо частини «Градієнтний спуск: як навчається модель» і «Нейронна мережа з нуля».

5. Генеративний ШІ та мовні моделі

Більшість моделей відповідає на запитання «що це?» — спам чи ні? Генеративні моделі створюють нові дані: текст, зображення, звук, код. Велика мовна модель — це нейронна мережа, яка на величезній кількості тексту навчилася одного: передбачати наступне слово. Коли вона вміє це досить добре, то принагідно вміє й відповідати, перекладати та писати код.

Мовні моделі навчаються у три кроки, і кожен — інший вид навчання: самонавчання на текстах з інтернету, донавчання з учителем на зразкових відповідях і навчання з підкріпленням за тим, які відповіді люди оцінюють краще.

Детальніше: готуємо частину «Трансформери та великі мовні моделі».

6. AI-агенти: де все це зустрічається

AI-агент — це мовна модель, яка не лише відповідає, а й діє: читає файли, запускає команди, шукає в інтернеті й за результатами вирішує, що робити далі. Тут обидві родини ШІ знову зустрічаються — модель навчилася мови й міркування, але задачу розв’язує як пошук: пробує крок, дивиться на результат, а якщо він не веде до мети, пробує інший.

Агенти сьогодні пишуть і виправляють код, і саме для роботи з ними створено coden: агент працює на вашому комп’ютері, а ви керуєте ним із телефона.

Детальніше: готуємо частину «Як працює AI-агент».

7. Як читати цю серію

• Кожну частину можна читати окремо. Угорі ви знайдете, що з неї винесете і що варто знати заздалегідь.
• Пояснення простими словами достатньо. Точні математичні означення сховано під розгортанням — для тих, кому вони потрібні.
• Зображення справжні. Анімації в частинах — це результат справжнього виконання алгоритмів, а не ілюстрації.

Список усіх частин, зокрема тих, які ми готуємо, є в рамці серії вгорі та в огляді статей.

Маєте іншу думку? Напишіть на support@coden-app.com.