Задание

Quiz Lab специализируется на создании обучения в микроформате: мы

передаем знания в виде коротких уроков по 10-15 минут. В каждый урок мы
включаем информацию в виде текстов и сопроводительных материалов (,
видео, изображения, ссылки на внешние ресурсы), проверяем знания с
помощью проверочных вопросов.

Пример такого урока здесь:

https://www.figma.com/proto/7XU0obAS8QHYMEKf0Y4hXe/Demo?node-
id=176%3A788&viewport=125%2C415%2C0.05258556827902794&scaling=sca
le-down.

Каждый урок мы собираем с помощью материалов, которые предоставляют

предметные эксперты. Часто эти тексты написаны сложным языком, не имеют
прямой связи с целью урока и наполнены лишней информацией.

Ваша задача - переработать исходный текст, улучшить его, при необходимости

убрать лишние темы или добавить недостающий материал и создать
качественный и увлекательный урок текста по теме “машинное обучение”.

Цель урока - рассказать, как результаты машинного обучения зависят от

качества и количества данных.

Целевая аудитория - линейные менеджеры, которые работают с данными и

таблицами, не умеют программировать и не понимают, что такое машинное
обучение.

Урок должен быть рассчитан на 10-15 минут, состоять из теоретической части

(текст, изображения, видео) и закрепления материала (тестовый или любой
другой формат на ваше усмотрение).

Мы ожидаем, что вы:

1. Адаптируете экспертный текст под наш формат: разобьёте на отдельные

экраны, перепишете, сократите лишнее и выделите важное;
2. При необходимости добавите в урок информацию из надежных
источников и приложите ссылки на дополнительные материалы или
видео;
 3. Сможете объяснить, как вы подобрали структуру и длительность урока,
какие факты из текста вы изложили подробнее, а какие – короче;
4. Выполните задание на любой удобной для вас платформе, где каждый
этап урока будет наглядно размещён на экране размером с мобильный
телефон. Варианты, которые мы предлагаем: Miro, Figma, формат Story в
Instagram.

Мы будем оценивать:
1. Соответствие урока поставленной цели урока.
2. Логику изложения материала и структуры урока.
3. Количество и качество материала на каждом экране. (контент не должен
когнитивно перегружать пользователя по объему и количеству мыслей)
4. Выбор изображений/видео и дополнительных материалов.
5. Качество вопросов, включенных в урок (целесообразность,
продуманность дистракторов, объяснение правильных ответов).
6. Грамотность: урок должен быть написан понятным, легким и емким
языком, не содержать стилистических, грамматических и пунктуационных
ошибок.

Если у вас появились вопросы, пишите на почту olesia@castlequiz.ru

Экспертный текст

“Давайте рассмотрим, как устроен самый распространенный метод построения

искусственного интеллекта – машинное обучение.
Основная задача машинного обучения — проанализировать исходные данные
и на основе этого анализа предложить самое выгодное решение для
поставленной задачи. Чем больше выборка данных (датасет) и чем лучше она
отражает реальность, тем проще машине обнаружить зависимости и
закономерности и выдать наиболее точный результат. Алгоритмы обучения как
бы тренируют программу выполнять конкретную задачу.

Представьте, что вы заходите на музыкальный сервис. В нём вы храните

музыку, которую обычно слушаете, и время от времени заходите в
рекомендации, чтобы послушать что-нибудь новое. Сервис часто угадывает
ваши предпочтения и предлагает песни и группы, которые в итоге вам
действительно нравятся. Как это происходит? Специальная программа с
помощью технологии машинного обучения строит эти рекомендации на основе
музыки, которую вы уже слушали. Если вы до этого слушали не очень много
композиций, и все они были довольно однообразными, программа с меньшей
вероятностью предложит песни и группы, которые вас действительно могут
заинтересовать. То же самое происходит и в сервисах просмотра фильмов и
сериалов и в интернет-магазинах, которые рекомендуют вам купить тот или
иной товар.
Теперь давайте разберемся, как происходит процесс машинного обучения.
Например, мы хотим, чтобы искусственный интеллект умел отличать
изображения собак от картинок с кошками. Для начала мы должны показать
компьютеру выборку данных, загрузить изображения животных и провести их
классификацию. То есть определить самостоятельно, на каких картинках
изображены кошки, а на каких – собаки. После этого ИИ возьмет все наши
изображения и самостоятельно разделит их на две части. Первую часть
картинок, на которых изображены и собаки, и кошки, он будет использовать для
обучения, а вторую часть – для проверки своих “знаний”. Сначала компьютер
попытается выяснить основные критерии, по которым мы отделили кошек от
собак, а потом попытается проверить, насколько хорошо он “понял” эти
критерии. Чтобы запустить эту проверку, он попробует определить, кто
изображен на второй части изображений.
Если первые результаты обучения ИИ окажутся недостаточно точными, и он
много раз распознает изображения неправильно, компьютер продолжит
обучаться и попытается выявить новые признаки, которые помогут ему
эффективнее справляться с задачей. Чтобы искусственному интеллекту было
проще обучаться и проверять свои навыки, мы должны предоставить ему очень
большую выборку изображений.
Машинное обучение может быть как контролируемым, так и
неконтролируемым: в первом случае для начала работы нужно, чтобы человек
разделил входные данные на категории, чтобы компьютер понял, в чем между
ними различия – как в уже описанном примере с изображениями кошек и собак.
Во втором случае компьютер учится самостоятельно и делит полученные
данные на группы по определенным характеристикам.
Есть ещё один вид обучения – обучение с учителем. В этом случае создатель
алгоритма задаёт правила, по которым за верное действие программа
получает поощрение, а за неверное – штраф. Программа начинает путём
подбора найти такое решение, при котором количество поощрений
максимально, а штрафов – минимально. С помощью таких алгоритмов
машинного обучения создаются программы, которые могут выиграть человека
в шахматы или смогут пройти компьютерную игру с максимальным
результатом.
Важно помнить, что в применении машинного обучения есть риски и
ограничения:
● нужно иметь большой объем данных, которые подходят для решения
конкретной задачи, иначе прогнозы машинного обучения будут
неточными;
● Данные, на которых мы обучаем алгоритм, должны хорошо отражать
действительность, то есть быть полными и вариативными, иначе
прогнозы нельзя будет применять в реальном мире;
● Подготовка для обучения может занимать длительное время, так как
ошибки или неточности в переданных алгоритму данных влияют на
качество выводов. “