---

Интерпретация понятия искусственного интеллекта в рамках современных технологий 
+++	область разработки систем, выполняющих интеллектуальные задачи на основе алгоритмов и данных

Отличительная особенность систем искусственного интеллекта по сравнению с традиционными программами 
+++	способность адаптировать поведение на основе анализа данных и предыдущего опыта

Характеристика этапа развития искусственного интеллекта, связанного с экспертными системами 
+++	использование правил и баз знаний для имитации решений специалистов в узкой области

Сущность слабого (узкого) искусственного интеллекта в современной практике 
+++	решение ограниченного круга задач в рамках конкретной предметной области

Основное направление применения искусственного интеллекта в сфере здравоохранения 
+++	анализ медицинских данных и изображений для повышения точности диагностики

Роль искусственного интеллекта в процессе цифровой трансформации экономики и общества 
+++	автоматизация процессов и улучшение принятия решений на основе анализа данных

Алгоритмическая природа интеллектуальных систем определяется как 
+++	способность системы действовать на основе формализованных последовательностей вычислительных операций

Роль данных в функционировании систем искусственного интеллекта характеризуется как…
+++	ключевой ресурс, обеспечивающий обучение моделей и корректность принимаемых решений

Понятие модели в системах искусственного интеллекта интерпретируется как
+++	математическая функция, описывающая зависимость между входными и выходными данными

Процесс обучения модели искусственного интеллекта включает
+++	последовательность этапов подготовки данных, оптимизации параметров и проверки обобщающей способности


Ограничения современных систем искусственного интеллекта проявляются в…
+++	зависимости от данных, ограниченной объяснимости решений и отсутствии понимания смысла

Классификация данных, используемых в системах искусственного интеллекта, включает 
+++	структурированные, неструктурированные и потоковые данные различной природы

Прогнозирование как функция поддержки управленческих решений основывается на экстраполяции 
+++	выявленных закономерностей на будущие периоды

Оптимизация процессов с использованием аналитики данных предполагает поиск такого набора управляемых параметров, который 
+++	оптимизирует (максимизирует или минимизирует) целевую функцию при заданных ограничениях

Ключевым ограничением аналитических моделей и систем искусственного интеллекта является их неспособность 
+++	учитывать изменения внешней среды, не отражённые в данных

Роль специалиста при интерпретации аналитических результатов заключается в критической оценке выводов модели с учётом 
+++	предметной области, контекста и возможных смещений

Метод оптимизации, имитирующий процесс естественного отбора для поиска наилучшего решения в многомерном пространстве, называется 
+++	генетическим алгоритмом с операторами скрещивания

При использовании прогнозных моделей для принятия решений специалист обязан учитывать, что любое предсказание несёт 
+++	вероятностный характер и возможность отклонений

Классификация данных в системах искусственного интеллекта определяется как 
+++	систематизация данных по структуре, форме представления и роли в процессе обучения модели

Различие между размеченными и неразмеченными данными интерпретируется как 
+++	присутствие или отсутствие целевых меток, используемых для обучения с учителем

Качество данных в задачах искусственного интеллекта характеризуется как 
+++	совокупность свойств данных, влияющих на точность, устойчивость и обобщающую способность модели

Смещение данных в контексте машинного обучения определяется как 
+++	систематическое отклонение обучающей выборки от реального распределения объектов предметной области

Влияние ошибок разметки на процесс обучения моделей проявляется в 
+++	формировании противоречивых обучающих сигналов и снижении точности выявляемых закономерностей

Концепция data-centric artificial intelligence ориентирована на 
+++	систематическое улучшение качества, структуры и разметки данных при фиксированной модели

Машинное обучение -это… 
+++	подмножество искусственного интеллекта, ориентированное на извлечение закономерностей из данных и улучшение решений на основе опыта

Формальное определение процесса обучения в машинном обучении по Т. Митчеллу. 
+++	качество выполнения задач улучшается при увеличении объёма опыта, измеряемого через заданную метрику для конкретного класса задач

Задача классификации в машинном обучении. 
+++	отнесение объектов к заранее заданным дискретным классам на основе признаков

Различие регрессии и прогнозирования в машинном обучении. 
+++	регрессия предсказывает числовые значения, прогнозирование — будущие значения с учётом времени

Сущность кластеризации как задачи машинного обучения. 
+++	выявление естественных групп объектов без наличия целевых меток

Принципы выбора метрик оценки качества моделей машинного обучения. 
+++	метрики выбираются в зависимости от типа задачи и структуры выходных данных

Сущность генеративных моделей в машинном обучении 
+++	модели, обучающие распределение данных и создающие новые объекты

Отличие генеративных и дискриминативных моделей 
+++	генеративные оценивают совместное распределение p(x,y), дискриминативные оценивают p(y∣x)

Понятие латентного пространства в генеративных моделях 
+++	внутреннее компактное представление скрытых характеристик объектов

Принцип работы генеративных состязательных сетей (GAN) 
+++	две модели обучаются совместно: генератор и дискриминатор

Суть генерации текста в трансформерных моделях 
+++	предсказание следующего токена с учётом контекста всей последовательности

Ключевое ограничение генеративного искусственного интеллекта 
+++	возможность генерации правдоподобного, но недостоверного контента

Сущность больших языковых моделей в контексте искусственного интеллекта 
+++	модели машинного обучения для обработки естественного языка текста

Назначение архитектуры Transformer в современных языковых моделях 
+++	параллельная обработка последовательностей с механизмом внимания текста моделей

Функциональная роль механизма самовнимания в трансформерных моделях 
+++	оценка взаимосвязей токенов внутри полного контекста модели текста

Назначение токенизации в обработке естественного языка 
+++	разделение текста на минимальные смысловые единицы для модели

Принцип авторегрессивной генерации текста в LLM 
+++	предсказание следующего токена на основе предыдущих шаг за шагом

Методы взаимодействия пользователя с языковыми моделями 
+++	формулирование запросов для получения точных ответов модели LLM

Понятие галлюцинации применительно к большим языковым моделям характеризует 
+++	создание правдоподобного, но фактически неверного ответа

Основная архитектурная причина возникновения галлюцинаций в больших языковых моделях заключается в 
+++	отсутствии встроенного механизма логической проверки фактов

Риск использования интеллектуальной системы с галлюцинациями в юридической деятельности связан прежде всего с 
+++	генерацией вымышленных судебных прецедентов и норм

Метод Retrieval-Augmented Generation (RAG) направлен на снижение галлюцинаций путём 
+++	интеграции поиска релевантных документов перед ответом

Какое утверждение соответствует эпистемологическому аспекту галлюцинаций искусственного интеллекта 
+++	статистическая репрезентация текстов не тождественна знанию

Полное устранение галлюцинаций в больших языковых моделях на современном этапе развития технологий 
+++	невозможно без потери креативности и гибкости модели

Трансформация профессиональных сфер под влиянием искусственного интеллекта проявляется в 
+++	автоматизации рутинных и аналитических задач

Изменение требований к компетенциям специалистов в эпоху внедрения искусственного интеллекта предполагает 
+++	развитие критического мышления и проверки данных

Эффективная совместная деятельность человека и интеллектуальной системы основывается на принципе 
+++	распределения функций с сохранением ответственности

Подготовка кадров для цифровой экономики требует в первую очередь формирования у специалистов 
+++	способности к адаптации и непрерывному обучению

В модели взаимодействия человека и искусственного интеллекта ключевым ограничением интеллектуальной системы признаётся 
+++	отсутствие этической и правовой субъектности

Основным направлением трансформации высшего образования под влиянием искусственного интеллекта становится 
+++	интеграция ИИ в качестве инструмента учебной деятельности

Базовой операцией обработки естественного языка, заключающейся в выделении отдельных слов или значимых частей из непрерывного текста, является 
+++	токенизация, разделяющая текст на минимальные единицы

Метод компьютерного зрения, позволяющий выделять на изображении области, соответствующие отдельным объектам или смысловым фрагментам, называется 
+++	сегментацией с группировкой визуально однородных элементов

Отличительной особенностью мультимодальных интеллектуальных систем по сравнению с универсальными моделями является способность 
+++	работать одновременно с разнородными типами информации

Применение интеллектуальных методов в задаче автоматического распознавания дорожных знаков для беспилотных транспортных средств относится к области 
+++	компьютерного зрения с классификацией изображений

В обработке естественного языка задача определения эмоциональной окраски высказывания (позитивной, негативной или нейтральной) получила название 
+++	анализа тональности или сентимент-анализа текста

Мультимодальная система, способная по текстовому описанию «красное яблоко на белой тарелке» сгенерировать соответствующее изображение, демонстрирует интеграцию 
+++	обработки естественного языка и генерации изображений

Этическая проблема «чёрного ящика» применительно к системам искусственного интеллекта заключается в 
+++	неспособности объяснить логику принятого решения

Защита персональных данных при использовании систем искусственного интеллекта требует прежде всего 
+++	минимизации собираемых данных и контроля целей обработки

Принципиальная сложность распределения ответственности за решения, принятые искусственным интеллектом, обусловлена 
+++	отсутствием правовой субъектности у программного кода

Согласно современным подходам к регулированию искусственного интеллекта, системы высокого риска (например, в медицине или на транспорте) должны подвергаться 
+++	обязательной оценке соответствия перед внедрением

Правовая проблема использования синтезированных мультимедийных данных (дипфейко) связана в первую очередь с 
+++	высокой вероятностью введения граждан в заблуждение

Ключевым требованием к системам искусственного интеллекта с точки зрения информационной безопасности является обеспечение 
+++	устойчивости к атакам и сохранения целостности

Основной задачей анализа данных в профессиональной деятельности является 
+++	выявление скрытых закономерностей и подтверждение гипотез

Ключевое значение первичных источников данных (опросы, эксперименты, датчики) по сравнению с вторичными заключается в 
+++	контролируемых условиях сбора и целевой направленности

Роль анализа данных в поддержке управленческих решений проявляется в переходе от 
+++	интуитивных суждений к обоснованным эмпирическими фактами

Взаимосвязь анализа данных и искусственного интеллекта определяется тем, что методы ИИ 
+++	используются для автоматического обнаружения сложных паттернов

Этап анализа данных, включающий удаление дубликатов, заполнение пропусков и нормировку значений, называется 
+++	предобработкой или очисткой исходной информации

Принципиальным ограничением анализа данных как инструмента принятия решений является 
+++	зависимость качества выводов от исходных данных

Ключевым преимуществом сбора данных с помощью автоматизированных систем (логгеры, API, датчики) перед ручными методами является 
+++	непрерывность фиксации и высокая периодичность измерений

Проблема достоверности данных при подготовке аналитических систем выражается в несоответствии 
+++	зафиксированных сведений реальному состоянию объектов

Метод очистки данных, направленный на выявление записей, значительно отклоняющихся от основного массива, называется 
+++	детектированием выбросов с последующей обработкой

При подготовке данных для обучения нейросетевых моделей обязательным этапом является 
+++	преобразование категориальных переменных в числовой вид

Основной проблемой качества данных, возникающей при объединении нескольких разнородных источников, является 
+++	согласование форматов, единиц измерения и семантики

Метод предварительной обработки, заключающийся в приведении числовых признаков к диапазону от нуля до единицы, получил название 
+++	нормализации минимаксным масштабированием диапазона

Описательный анализ данных (дескриптивная статистика) включает в первую очередь расчёт таких показателей, как 
+++	среднее значение, медиана и мода распределения

Выявление линейной тенденции в динамическом ряде данных с течением времени осуществляется с помощью 
+++	регрессионного моделирования временного тренда

Коэффициент корреляции Пирсона принимает значения в диапазоне от минус единицы до плюс единицы и отражает 
+++	направление и силу линейной взаимосвязи признаков

Типичной ошибкой при интерпретации корреляционного анализа является смешение корреляции с причинностью, известное как 
+++	ложная причинность (конфаундина) через неучтённую третью переменную

Мера центральной тенденции, наиболее устойчивая к наличию экстремальных выбросов в числовом ряду, называется 
+++	медианой как серединным элементом выборки

Ситуация, при которой два признака имеют нулевой коэффициент корреляции, но связаны нелинейной зависимостью, иллюстрирует 
+++	преимущество ранговой корреляции Спирмена перед пирсоновской

Основное значение визуализации данных в аналитической деятельности заключается в возможности 
+++	выявлять структуры и аномалии без числовых таблиц

Графический метод, наиболее подходящий для сравнения распределения одной непрерывной переменной по нескольким категориям, называется 
+++	ящиком с усами или коробчатой диаграммой (box plot)

Современное программное средство, позволяющее выполнять аналитику данных без программирования через интерфейс перетаскивания блоков, представлено платформой 
+++	Tableau Public или Power BI Desktop

Линейчатая диаграмма (bar chart) в отличие от круговой (pie chart) предпочтительнее для визуализации, когда требуется 
+++	сравнить большое количество категориальных значений

Аналитический инструмент без программирования, встроенный в электронные таблицы, и позволяющий строить прогнозные модели, называется 
+++	пакетом анализа или надстройкой регрессии

Точечная диаграмма (scatter plot) является оптимальным выбором для визуализации связи между 
+++	двумя количественными переменными одновременно