Обсуждение:Эвристика
Материал из MachineLearning.
(Новая: # РОЛЬ И КОНТЕКСТ Ты — ведущий редактор-эксперт и философ искусственного интеллекта, пишущий для вики...) |
|||
| (2 промежуточные версии не показаны) | |||
| Строка 1: | Строка 1: | ||
| - | + | Первый промпт к Qwen3.7 был таким: | |
| - | Ты — | + | {{tip| |
| - | + | Ты — специалист в области искусственного интеллекта и машинного обучения, пишешь энциклопедическую статью для вики MachineLearning.ru. Напиши статью про эвристику на русском языке. Придерживайся структуры и стиля, принятого в этой вики-энциклопедии. | |
| - | + | ||
| - | + | Целевая аудитория — это студенты и исследователи в области ИИ и машинного обучения, в том числе начинающие. Статья должна быть информативна и полезна именно им. Читателям должны быть понятны основы из первых разделов — определения и мотивации. | |
| - | + | ||
| - | + | ||
| - | + | Сделай акцент на истории ИИ: как понятие эвристического поиска возникло в ранние годы (символьная эра, Ньюэлл, Саймон, General Problem Solver, Дартмутский семинар) и почему оно противопоставлялось полному перебору. Покажи, как этот термин эволюционировал до современного машинного обучения — эвристики оптимизации, эвристики отбора признаков, жадные стратегии. | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | Приведи 2-3 конкретных современных примера, интересных специалисту: например, эвристики в бустинге, генетических алгоритмах, MCTS в игровом ИИ. Важно, чтобы эксперт нашёл в статье что-то новое и небанальное, а не просто пересказ общих мест. | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | Опиши математический аппарат: функцию оценки в алгоритме A*, условия допустимости (admissibility) и монотонности (consistency) эвристик. Это важно для связности с существующими статьями вики про поиск и оптимизацию. | |
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | ||
| - | + | Не выдумывай факты. Ищи надёжные источники в научной литературе. Добавляй ссылки на них в текст статьи. В конце собери список научной литературы. Всегда проверяй корректность ссылок. Если не уверен в точном названии, годе или авторстве — прямо напиши "проверить источник". | |
| + | |||
| + | Важные понятия оформляй как ссылки на другие статьи энциклопедии: [[Искусственный интеллект]], [[Дартмутский семинар]], [[Алгоритм A*]], [[Генетический алгоритм]], [[Монте-Карло поиск по дереву]], [[Метод ветвей и границ]], [[Машинное обучение]]. | ||
| + | |||
| + | Используй форматирование вики-разметки MediaWiki (НЕ Markdown). Придерживайся структуры секционирования, принятой для статей о важных научных понятиях. Математические формулы оформляй тегами <tex>...</tex>, а не <math>. | ||
| + | |||
| + | Статья не должна "звучать как текст ИИ": без вводных фраз "в этой статье мы рассмотрим", без маркетингового тона, пиши как энциклопедист-человек. | ||
| + | }} | ||
| + | |||
| + | Первая генерация получилась достаточно плотной, с хорошей исторической справкой и примерами. К согласованности обозначений в формулах не было ни одной претензии. Я сделал проверку списка литературы — 4 позиции, все источники существуют и указаны корректно. | ||
| + | |||
| + | Я решил, что статье не хватает глубины в нескольких местах, поэтому был сделан второй промпт: | ||
| + | {{tip| | ||
| + | Очень хорошо. Перепиши текст этой статьи, добавив следующие разделы. | ||
| + | |||
| + | Добавь раздел про классификацию эвристик: поисковые эвристики, метаэвристики, жадные эвристики, предметно-ориентированные vs универсальные. Приведи примеры для каждой категории. | ||
| + | |||
| + | Добавь раздел про применение эвристик в современном машинном обучении: жадная природа градиентного бустинга, эвристика UCB1 в MCTS (с формулой), эвристики в Neural Architecture Search (NAS). | ||
| + | |||
| + | Добавь раздел про эвристики в теории вычислительной сложности: аппроксимационные алгоритмы для NP-трудных задач, жадная эвристика для задачи коммивояжера, границы применимости. | ||
| + | |||
| + | Добавь философский раздел про переход от явно закодированных эвристик (символьный ИИ) к скрытым, выученным из данных эвристикам (глубокое обучение). Подними вопрос о неявном знании (tacit knowledge) и проблеме интерпретируемости. | ||
| + | |||
| + | Добавь в источники книги Simon H.A. "Models of Bounded Rationality" (MIT Press, 1982), Vazirani V.V. "Approximation Algorithms" (Springer, 2001) и статью Browne C.B. et al. "A Survey of Monte Carlo Tree Search Methods" (IEEE Transactions on Computational Intelligence and AI in Games, 2012). | ||
| + | |||
| + | Добавь категории [[Категория:Теория алгоритмов]] и [[Категория:Поиск и оптимизация]]. | ||
| + | |||
| + | Повторю ещё раз основные технические требования: разметка строго MediaWiki, формулы только в тегах <tex>...</tex>, никаких ИИ-штампов, тон энциклопедический, внутренние вики-ссылки на смежные темы, плашка в самом начале. | ||
| + | }} | ||
| + | |||
| + | Вторая генерация получилась значительно глубже. Старый текст в основном сохранился, но были существенно расширены разделы про математический аппарат (добавлены формальные условия допустимости и монотонности), про теорию сложности (появился целый новый раздел про аппроксимационные алгоритмы) и про философский аспект (дополнены рассуждения об ограниченной рациональности и переходе парадигм). | ||
| + | |||
| + | Я вручную проверил список литературы — 6 позиций, все источники существуют. Формулы с тегами <tex> отрендерились без ошибок. Внутренние ссылки [[Алгоритм A*]], [[Монте-Карло поиск по дереву]], [[Генетический алгоритм]], [[Метод ветвей и границ]] ведут на существующие или логичные для этой вики темы. | ||
| + | |||
| + | Также я добавил ссылку на новую статью из статьи [[Машинное обучение]] в разделе, посвящённом методам поиска и оптимизации, чтобы выполнить критерий связности. | ||
| + | |||
| + | В целом опыт считаю успешным — особенно удачным получился переход от формального математического описания к философскому осмыслению эвристик как "сделки между сложностью и достоверностью". — ''[[Участник:Камиль_Багдалов|Камиль Багдалов]] 12:30, 11 июля 2026 (MSD)'' | ||
| + | |||
| + | == О природе эвристик в эпоху глубокого обучения == | ||
| + | |||
| + | Хочу обратить внимание читателей на один содержательный момент, который, на мой взгляд, является ключевым для понимания эволюции понятия. В классическом символьном ИИ (Ньюэлл, Саймон, Пёрл) эвристика — это явно закодированное человеком знание о структуре задачи, функция оценки <tex>h(n)</tex>, которую программист передаёт алгоритму поиска. В современном глубоком обучении ситуация принципиально иная: нейронная сеть не использует явных эвристик, а ''выучивает'' собственные скрытые эвристические представления (distributed representations) прямо из данных. | ||
| + | |||
| + | Это означает, что понятие эвристики не исчезло, а трансформировалось: | ||
| + | * Раньше эвристика была '''эксплицитной''' (явной, записанной в коде). | ||
| + | * Теперь эвристика стала '''имплицитной''' (скрытой в весах связей, распределённой по слоям сети). | ||
| + | |||
| + | С эпистемологической точки зрения это создаёт новую проблему: если раньше мы могли проанализировать эвристику и понять, почему она работает (или не работает), то теперь эвристика "заперта" внутри чёрного ящика нейросети. Это напрямую связано с проблемой интерпретируемости (explainability) в современном ИИ — одной из центральных тем философии искусственного интеллекта. | ||
| + | |||
| + | Буду рад обсудить этот вопрос с другими участниками вики. — ''[[Участник:Камиль_Багдалов|Камиль Багдалов]] 12:30, 11 июля 2026 (MSD)'' | ||
Текущая версия
Первый промпт к Qwen3.7 был таким:
| Ты — специалист в области искусственного интеллекта и машинного обучения, пишешь энциклопедическую статью для вики MachineLearning.ru. Напиши статью про эвристику на русском языке. Придерживайся структуры и стиля, принятого в этой вики-энциклопедии.
Целевая аудитория — это студенты и исследователи в области ИИ и машинного обучения, в том числе начинающие. Статья должна быть информативна и полезна именно им. Читателям должны быть понятны основы из первых разделов — определения и мотивации. Сделай акцент на истории ИИ: как понятие эвристического поиска возникло в ранние годы (символьная эра, Ньюэлл, Саймон, General Problem Solver, Дартмутский семинар) и почему оно противопоставлялось полному перебору. Покажи, как этот термин эволюционировал до современного машинного обучения — эвристики оптимизации, эвристики отбора признаков, жадные стратегии. Приведи 2-3 конкретных современных примера, интересных специалисту: например, эвристики в бустинге, генетических алгоритмах, MCTS в игровом ИИ. Важно, чтобы эксперт нашёл в статье что-то новое и небанальное, а не просто пересказ общих мест. Опиши математический аппарат: функцию оценки в алгоритме A*, условия допустимости (admissibility) и монотонности (consistency) эвристик. Это важно для связности с существующими статьями вики про поиск и оптимизацию. Не выдумывай факты. Ищи надёжные источники в научной литературе. Добавляй ссылки на них в текст статьи. В конце собери список научной литературы. Всегда проверяй корректность ссылок. Если не уверен в точном названии, годе или авторстве — прямо напиши "проверить источник". Важные понятия оформляй как ссылки на другие статьи энциклопедии: Искусственный интеллект, Дартмутский семинар, Алгоритм A*, Генетический алгоритм, Монте-Карло поиск по дереву, Метод ветвей и границ, Машинное обучение. Используй форматирование вики-разметки MediaWiki (НЕ Markdown). Придерживайся структуры секционирования, принятой для статей о важных научных понятиях. Математические формулы оформляй тегами Статья не должна "звучать как текст ИИ": без вводных фраз "в этой статье мы рассмотрим", без маркетингового тона, пиши как энциклопедист-человек. |
Первая генерация получилась достаточно плотной, с хорошей исторической справкой и примерами. К согласованности обозначений в формулах не было ни одной претензии. Я сделал проверку списка литературы — 4 позиции, все источники существуют и указаны корректно.
Я решил, что статье не хватает глубины в нескольких местах, поэтому был сделан второй промпт:
|
| Очень хорошо. Перепиши текст этой статьи, добавив следующие разделы.
Добавь раздел про классификацию эвристик: поисковые эвристики, метаэвристики, жадные эвристики, предметно-ориентированные vs универсальные. Приведи примеры для каждой категории. Добавь раздел про применение эвристик в современном машинном обучении: жадная природа градиентного бустинга, эвристика UCB1 в MCTS (с формулой), эвристики в Neural Architecture Search (NAS). Добавь раздел про эвристики в теории вычислительной сложности: аппроксимационные алгоритмы для NP-трудных задач, жадная эвристика для задачи коммивояжера, границы применимости. Добавь философский раздел про переход от явно закодированных эвристик (символьный ИИ) к скрытым, выученным из данных эвристикам (глубокое обучение). Подними вопрос о неявном знании (tacit knowledge) и проблеме интерпретируемости. Добавь в источники книги Simon H.A. "Models of Bounded Rationality" (MIT Press, 1982), Vazirani V.V. "Approximation Algorithms" (Springer, 2001) и статью Browne C.B. et al. "A Survey of Monte Carlo Tree Search Methods" (IEEE Transactions on Computational Intelligence and AI in Games, 2012). Добавь категории и. Повторю ещё раз основные технические требования: разметка строго MediaWiki, формулы только в тегах |
Вторая генерация получилась значительно глубже. Старый текст в основном сохранился, но были существенно расширены разделы про математический аппарат (добавлены формальные условия допустимости и монотонности), про теорию сложности (появился целый новый раздел про аппроксимационные алгоритмы) и про философский аспект (дополнены рассуждения об ограниченной рациональности и переходе парадигм).
Я вручную проверил список литературы — 6 позиций, все источники существуют. Формулы с тегами
== О природе эвристик в эпоху глубокого обучения ==
Хочу обратить внимание читателей на один содержательный момент, который, на мой взгляд, является ключевым для понимания эволюции понятия. В классическом символьном ИИ (Ньюэлл, Саймон, Пёрл) эвристика — это явно закодированное человеком знание о структуре задачи, функция оценки
Также я добавил ссылку на новую статью из статьи [[Машинное обучение]] в разделе, посвящённом методам поиска и оптимизации, чтобы выполнить критерий связности.
В целом опыт считаю успешным — особенно удачным получился переход от формального математического описания к философскому осмыслению эвристик как "сделки между сложностью и достоверностью". — ''[[Участник:Камиль_Багдалов|Камиль Багдалов]] 12:30, 11 июля 2026 (MSD)''
== О природе эвристик в эпоху глубокого обучения ==
Хочу обратить внимание читателей на один содержательный момент, который, на мой взгляд, является ключевым для понимания эволюции понятия. В классическом символьном ИИ (Ньюэлл, Саймон, Пёрл) эвристика — это явно закодированное человеком знание о структуре задачи, функция оценки
Это означает, что понятие эвристики не исчезло, а трансформировалось:
- Раньше эвристика была эксплицитной (явной, записанной в коде).
- Теперь эвристика стала имплицитной (скрытой в весах связей, распределённой по слоям сети).
С эпистемологической точки зрения это создаёт новую проблему: если раньше мы могли проанализировать эвристику и понять, почему она работает (или не работает), то теперь эвристика "заперта" внутри чёрного ящика нейросети. Это напрямую связано с проблемой интерпретируемости (explainability) в современном ИИ — одной из центральных тем философии искусственного интеллекта.
Буду рад обсудить этот вопрос с другими участниками вики. — Камиль Багдалов 12:30, 11 июля 2026 (MSD)
