Python

Как сделать ИИ на Python: простой проект без магии

Если говорить честно, «сделать ИИ на Python» может означать разные вещи. Иногда человеку нужен простой бот с правилами. Иногда — модель машинного обучения, которая делает прогноз по данным. Иногда — нейросеть. Иногда — приложение, которое использует готовую модель через API

Для первого проекта лучше не пытаться повторить ChatGPT. Намного полезнее сделать маленькую модель, которая учится на примерах и потом делает предсказание. Так вы поймете базовую механику ИИ: данные, признаки, обучение, проверка и использование модели

Вариант 1: простой бот без машинного обучения

Самый простой «ИИ» — это программа с правилами. Она не учится, но реагирует на слова пользователя

text = input("Вы: ").lower()

if "привет" in text:
    print("Бот: Привет! Чем могу помочь?")
elif "пока" in text:
    print("Бот: До встречи")
else:
    print("Бот: Я пока не понимаю этот запрос")

Это не машинное обучение. Но такой пример полезен: вы видите, как программа анализирует ввод и выбирает ответ. Многие учебные чат-боты начинаются именно с правил

Вариант 2: первая модель машинного обучения

Теперь сделаем маленькую модель, которая по двум признакам будет решать, похож объект на яблоко или банан. Пример игрушечный, но в нем есть настоящая логика машинного обучения

Установите scikit-learn:

python -m pip install scikit-learn

Создайте файл first_ai.py:

from sklearn.tree import DecisionTreeClassifier

# Признаки: [вес, желтизна от 0 до 10]
features = [
    [150, 2],
    [170, 3],
    [140, 1],
    [120, 9],
    [110, 8],
    [130, 10],
]

# Ответы: 0 - яблоко, 1 - банан
labels = [0, 0, 0, 1, 1, 1]

model = DecisionTreeClassifier()
model.fit(features, labels)

new_item = 125, 9
prediction = model.predict(new_item)

if prediction[0] == 0:
    print("Похоже на яблоко")
else:
    print("Похоже на банан")

Запустите:

python first_ai.py

Программа должна вывести:

Похоже на банан

Что здесь является «обучением»

Строка:

model.fit(features, labels)

и есть обучение. Мы показываем модели примеры: у этих объектов такие признаки, а правильные ответы такие. Модель ищет правило, которое разделяет яблоки и бананы

Строка:

prediction = model.predict(new_item)

использует обученную модель для нового объекта. Мы даем признаки [125, 9], а модель возвращает класс

Почему это похоже на ИИ

Программа не содержит прямого условия:

if weight < 130 and yellow > 7:

Вместо этого она получила примеры и сама построила правило внутри модели. Именно это отличие важно: в машинном обучении мы не всегда вручную прописываем все условия, а даем данные и правильные ответы

Конечно, это очень маленький пример. Настоящие модели используют больше данных, аккуратную подготовку признаков, разделение на обучающую и тестовую выборку, метрики качества и сохранение модели

Как сделать проверку качества

Даже маленькую модель нужно проверять. Добавим тестовые примеры:

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

features = [
    [150, 2],
    [170, 3],
    [140, 1],
    [120, 9],
    [110, 8],
    [130, 10],
]

labels = [0, 0, 0, 1, 1, 1]

model = DecisionTreeClassifier()
model.fit(features, labels)

test_features = [
    [160, 2],
    [115, 9],
]

test_labels = [0, 1]

predictions = model.predict(test_features)
quality = accuracy_score(test_labels, predictions)

print("Предсказания:", predictions)
print("Точность:", quality)

В реальном проекте тестовых данных должно быть намного больше. Но принцип уже виден: модель надо не только обучить, но и проверить на примерах, которые она не видела в обучении

Вариант 3: использовать готовую ИИ-модель

Иногда под «сделать ИИ» имеют в виду приложение, которое обращается к готовой модели: языковой модели, распознаванию изображений, переводу, классификации текста. В этом случае вы не обучаете модель с нуля, а пишете Python-код вокруг готового сервиса

Такой путь часто практичнее. Например, можно сделать:

помощника для анализа текста
бота, который отвечает на вопросы
классификатор обращений
генератор описаний
поиск по базе знаний

Но для понимания основы все равно полезно сделать маленький пример с scikit-learn, потому что он показывает, что модель получает данные, учится и делает предсказания

Что нужно знать до нейросетей

Перед нейросетями полезно уверенно понимать обычный Python: списки, словари, функции, файлы, ошибки и установку библиотек. Если эти темы пока плавают, нейросети будут выглядеть как магия, а ошибки установки будут съедать весь энтузиазм

Минимальный порядок такой:

базовый Python
работа с файлами и таблицами
основы машинного обучения
простые модели scikit-learn
нейросети и фреймворки

Не нужно стыдиться простого старта. Маленькая модель, которую вы понимаете, полезнее огромного кода, который просто скопирован и не объясняется

Мини-практика

Измените пример с фруктами. Добавьте третий класс: апельсин. Придумайте признаки: вес, желтизна, шероховатость кожуры. Добавьте несколько примеров для каждого фрукта и проверьте, как модель предсказывает новый объект

После этого специально добавьте спорный пример. Например, желтый объект с весом яблока. Посмотрите, как модель ошибается или выбирает ближайший класс. Это важный момент: ИИ не «знает истину», он делает вывод по данным, которые вы ему дали

Частые ошибки

Первая ошибка — думать, что любой if-бот уже является машинным обучением. Правила могут выглядеть умно, но они не обучаются на данных

Вторая ошибка — начинать с нейросети без данных. Модель не станет полезной только потому, что в коде есть слово neural

Третья ошибка — проверять модель на тех же данных, на которых она обучалась. Так можно получить красивую точность, которая ничего не говорит о реальной работе

Четвертая ошибка — ждать, что маленький учебный пример будет понимать мир. Он решает только ту задачу, для которой вы дали признаки и примеры

Что почитать дальше по Python

Если нужен общий маршрут по теме, откройте рубрику Python. Для соседних задач пригодятся эти разборы:

0 комментариев

Старые

Новые Популярные