---

1.  Интерпретация понятия искусственного интеллекта в рамках современных
    технологий Это область науки и техники, направленная на разработку
    методов и систем, способных выполнять задачи, традиционно требующие
    интеллектуальной деятельности человека, включая обучение,
    рассуждение, распознавание и принятие решений (Лекция 4.1).

2.  Отличительная особенность систем искусственного интеллекта по сравнению с
    традиционными программами В ИИ правила поведения системы не задаются
    разработчиком явно, а формируются автоматически на основе данных и
    опыта (Лекция 4.1).

3.  Характеристика этапа развития искусственного интеллекта, связанного с
    экспертными системами Этот этап (символический ИИ) основан на
    формальной логике, правилах вывода и явном представлении знаний
    (Лекция 4.1).

4.  Сущность слабого (узкого) искусственного интеллекта в современной практике В
    предоставленных лекциях прямого определения термина «слабый/узкий ИИ» нет.

5.  Основное направление применения искусственного интеллекта в сфере
    здравоохранения Использование систем поддержки принятия решений
    (СППР), диагностическая визуализация (анализ снимков МРТ, рентгена) и
    прогнозирование рисков заболеваний (Лекция 9.4, 15.4).

6.  Роль искусственного интеллекта в процессе цифровой трансформации экономики и
    общества ИИ выступает ядром трансформации, позволяя автоматизировать не
    только физические, но и когнитивные процессы, изменяя бизнес-модели и
    профессиональные роли (Лекция 8.1).

7.  Алгоритмическая природа интеллектуальных систем определяется как Способность
    вычислительных систем автоматически выявлять закономерности в данных и
    улучшать качество выполнения задач на основе опыта без явного
    программирования (Лекция 4.1).

8.  Роль данных в функционировании систем искусственного интеллекта
    характеризуется как Данные являются основным источником знаний,
    центральным элементом процесса обучения и стратегическим ресурсом
    (Лекция 4.1, 11.4).

9.  Понятие модели в системах искусственного интеллекта интерпретируется как
    Формализованное представление реального процесса или системы, которое
    аппроксимирует зависимость между входными данными и целевыми результатами
    (Лекция 4.1, 15.3).

10. Процесс обучения модели искусственного интеллекта включает Сбор и подготовку
    данных, выделение признаков, поиск алгоритмом закономерностей, построение
    внутренней модели принятия решений и проверку качества (Лекция 4.1, 4.2).

11. Ограничения современных систем искусственного интеллекта проявляются в
    Зависимости от качества данных, отсутствии истинного понимания смысла
    («черный ящик»), низкой интерпретируемости и возможности генерации
    галлюцинаций (Лекция 7.1, 15.3).

12. Классификация данных, используемых в системах искусственного интеллекта,
    включает По источникам: открытые, корпоративные, сенсорные (IoT),
    веб-данные, соцсети, научные данные. По типу: числовые,
    категориальные, бинарные, текстовые, визуальные
    (Лекция 4.2, 12.1).

13. Прогнозирование как функция поддержки управленческих решений основывается на
    экстраполяции Исторических данных и выявленных в них закономерностей на
    будущие периоды (Лекция 13.2, 15.1).

14. Оптимизация процессов с использованием аналитики данных предполагает поиск
    такого набора управляемых параметров, который Обеспечивает наилучший
    (оптимальный) вариант из множества допустимых на основе заданного
    критерия эффективности (прибыль, затраты) при наличии ограничений
    (Лекция 15.2).

15. Ключевым ограничением аналитических моделей и систем искусственного
    интеллекта является их неспособность Учитывать редкие и
    непредсказуемые события («черные лебеди»), истинный смысл данных
    и сложные человеческие контексты (Лекция 15.1, 15.3).

16. Роль специалиста при интерпретации аналитических результатов заключается в
    критической оценке выводов модели с учётом Конкретного управленческого,
    экономического или социального контекста, а также стратегических целей
    (Лекция 15.4).

17. Метод оптимизации, имитирующий процесс естественного отбора для поиска
    наилучшего решения в многомерном пространстве, называется Генетические
    алгоритмы (Лекция 15.2).

18. При использовании прогнозных моделей для принятия решений специалист обязан
    учитывать, что любое предсказание несёт Вероятностный характер и
    определенную степень неопределенности (Лекция 15.1).

19. Классификация данных в системах искусственного интеллекта определяется как
    Разделение данных на категории по источникам их происхождения и
    характеристикам (открытые, проприетарные, сенсорные и т.д.)
    (Лекция 12.1).

20. Различие между размеченными и неразмеченными данными интерпретируется как В
    размеченных данных каждому объекту сопоставлен корректный целевой ответ
    (метка), а в неразмеченных данных такие метки отсутствуют (Лекция 4.1).

21. Качество данных в задачах искусственного интеллекта характеризуется как
    Совокупность таких характеристик, как полнота, точность,
    согласованность, актуальность, уникальность и достоверность
    (Лекция 12.2).

22. Смещение данных в контексте машинного обучения определяется как
    Систематическая ошибка, возникающая из-за того, что обучающая
    выборка не репрезентативна или содержит исторически несправедливые
    паттерны (Лекция 10.1, 12.2).

23. Влияние ошибок разметки на процесс обучения моделей проявляется в Снижении
    точности модели и деградации её качества (принцип Garbage In — Garbage
    Out) (Лекция 12.2).

24. Концепция data-centric artificial intelligence ориентирована на В
    предоставленных лекциях данный конкретный термин не используется,
    хотя подчеркивается важность качества данных.

25. Машинное обучение — это… Раздел искусственного интеллекта, изучающий методы
    и алгоритмы, позволяющие системам автоматически выявлять закономерности в
    данных и улучшать качество решения задач на основе опыта (Лекция 4.1).

26. Формальное определение процесса обучения в машинном обучении по Т. Митчеллу
    Система обучается на опыте E относительно класса задач T и меры качества P,
    если её качество на задачах из T, измеренное P, улучшается с увеличением
    опыта E (Лекция 4.1).

27. Задача классификации в машинном обучении Задача обучения с учителем, в
    которой система учится распределять объекты по заранее известным
    дискретным группам (классам) на основе их характеристик (Лекция 4.2).

28. Различие регрессии и прогнозирования в машинном обучении Регрессия
    предсказывает непрерывное числовое значение, а прогнозирование —
    это частный случай регрессии для данных, упорядоченных во времени
    (Лекция 4.3).

29. Сущность кластеризации как задачи машинного обучения Задача обучения без
    учителя, направленная на автоматическое разделение объектов на группы
    (кластеры) по их сходству без заранее известных меток (Лекция 4.4).

30. Принципы выбора метрик оценки качества моделей машинного обучения Выбор
    зависит от типа задачи (категориальные или числовые ответы) и целей
    анализа (точность, минимизация ошибки или способность к обобщению)
    (Лекция 4.2, 4.3).

31. Сущность генеративных моделей в машинном обучении Тип моделей,
    предназначенный для изучения вероятностного распределения
    данных и последующей генерации новых объектов, статистически
    соответствующих исходной выборке (Лекция 5.1).

32. Отличие генеративных и дискриминативных моделей Генеративные модели
    оценивают полное распределение данных P(x, y) для создания новых
    данных, а дискриминативные — условное распределение P(y|x) для
    классификации (Лекция 5.1).

33. Понятие латентного пространства в генеративных моделях Скрытое пространство
    признаков (векторов), в котором модель представляет внутренние
    характеристики объектов для их последующей комбинации и
    генерации новых данных (Лекция 5.1, 5.2).

34. Принцип работы генеративных состязательных сетей (GAN) Две нейросети
    обучаются в противоборстве: генератор создает новые объекты, а
    дискриминатор пытается отличить их от реальных (Лекция 5.1).

35. Суть генерации текста в трансформерных моделях Вероятностное предсказание
    следующего токена (слова) на основе контекста всей предыдущей
    последовательности с использованием механизма внимания
    (Лекция 5.2, 6.2).

36. Ключевое ограничение генеративного искусственного интеллекта Отсутствие
    истинного понимания смысла контента (модель оперирует статистикой, а не
    логикой) и риск создания недостоверной информации (галлюцинаций)
    (Лекция 5.3, 7.1).

37. Сущность больших языковых моделей в контексте искусственного интеллекта
    Масштабные нейросетевые системы (LLM), обученные на гигантских массивах
    текста для анализа, понимания и генерации естественного языка (Лекция 6.1).

38. Назначение архитектуры Transformer в современных языковых моделях
    Обеспечение возможности анализировать все предложение целиком
    сразу и учитывать долгосрочные зависимости между словами (Лекция 6.1).

39. Функциональная роль механизма самовнимания в трансформерных моделях
    Позволяет модели оценивать релевантность и связи каждого слова со
    всеми остальными словами в последовательности (Лекция 6.1, 6.2).

40. Назначение токенизации в обработке естественного языка Разбиение текста на
    минимальные значимые единицы (токены — слова или части слов) для их
    последующего перевода в числовой формат, понятный машине
    (Лекция 6.2).

41. Принцип авторегрессивной генерации текста в LLM Модель предсказывает один
    токен за раз, при этом каждый новый токен основывается на всех предыдущих
    (Лекция 6.2).

42. Методы взаимодействия пользователя с языковыми моделями Промптинг
    (Zero-shot, Few-shot, Chain-of-thought), диалоговые интерфейсы (чат-боты),
    программные интерфейсы (API) и использование внешних инструментов
    (Лекция 6.3).

43. Понятие галлюцинации применительно к большим языковым моделям характеризует
    Генерацию фактически неверной, ложной или вымышленной информации,
    представленной в логичной и правдоподобной форме (Лекция 7.1).

44. Основная архитектурная причина возникновения галлюцинаций в больших языковых
    моделях заключается в Вероятностной природе моделей: они предсказывают
    наиболее вероятное продолжение текста по статистике, а не сверяются с
    базой истинных фактов (Лекция 7.2).

45. Риск использования интеллектуальной системы с галлюцинациями в юридической
    деятельности связан прежде всего с Возможностью генерации вымышленных
    судебных прецедентов, нормативных актов или ложных ссылок на законы
    (Лекция 7.3).

46. Метод Retrieval-Augmented Generation (RAG) направлен на снижение
    галлюцинаций путём Подключения модели к внешним проверенным
    источникам информации (базам данных, поиску) для формирования ответа на
    основе реальных документов (Лекция 7.4).

47. Какое утверждение соответствует эпистемологическому аспекту галлюцинаций
    искусственного интеллекта Знание ИИ — это статистическая репрезентация
    текстов; модель не имеет механизма истины и не различает правду и ложь в
    философском смысле (Лекция 7.1).

48. Полное устранение галлюцинаций в больших языковых моделях на современном
    этапе развития технологий На текущем этапе невозможно, так как они
    являются следствием вероятностной архитектуры моделей (Лекция 7.4).

49. Трансформация профессиональных сфер под влиянием искусственного интеллекта
    проявляется в Автоматизации рутинных и когнитивных операций,
    интеллектуальной поддержке принятия решений и появлении новых
    цифровых профессий (Лекция 8.1).

50. Изменение требований к компетенциям специалистов в эпоху внедрения
    искусственного интеллекта предполагает Рост значимости
    аналитического и критического мышления, технологической
    грамотности и способности к непрерывному обучению (Лекция 8.2).

51. Эффективная совместная деятельность человека и интеллектуальной системы
    основывается на принципе Синергии: распределения функций, где машина
    берет на себя вычисления, а человек — стратегическое мышление, этику и
    ответственность (Лекция 8.3).

52. Подготовка кадров для цифровой экономики требует в первую очередь
    формирования у специалистов Цифровой грамотности,
    междисциплинарности и готовности к обучению в течение всей
    жизни (Lifelong Learning) (Лекция 8.4).

53. В модели взаимодействия человека и искусственного интеллекта ключевым
    ограничением интеллектуальной системы признаётся Отсутствие эмпатии,
    моральной ответственности и интуитивного понимания контекста (Лекция 8.3).

54. Основным направлением трансформации высшего образования под влиянием
    искусственного интеллекта становится Переход к компетентностной и
    междисциплинарной модели, а также использование ИИ для индивидуализации
    обучения (Лекция 8.4).

55. Базовой операцией обработки естественного языка, заключающейся в выделении
    отдельных слов или значимых частей из непрерывного текста, является
    Токенизация (Лекция 9.1).

56. Метод компьютерного зрения, позволяющий выделять на изображении области,
    соответствующие отдельным объектам или смысловым фрагментам, называется
    Сегментация изображений (Лекция 9.2).

57. Отличительной особенностью мультимодальных интеллектуальных систем по
    сравнению с универсальными моделями является способность Одновременно
    обрабатывать и связывать информацию из нескольких различных типов данных
    (текст, изображение, аудио, видео) (Лекция 9.3).

58. Применение интеллектуальных методов в задаче автоматического распознавания
    дорожных знаков для беспилотных транспортных средств относится к области
    Компьютерного зрения (Computer Vision) (Лекция 9.2).

59. В обработке естественного языка задача определения эмоциональной окраски
    высказывания (позитивной, негативной или нейтральной) получила название
    Анализ тональности (Sentiment Analysis) (Лекция 9.1).

60. Мультимодальная система, способная по текстовому описанию «красное яблоко на
    белой тарелке» сгенерировать соответствующее изображение, демонстрирует
    интеграцию Обработки естественного языка (NLP) и компьютерного зрения
    (CV) (Лекция 9.3).

61. Этическая проблема «чёрного ящика» применительно к системам искусственного
    интеллекта заключается в Невозможности понять и объяснить, на основании
    каких именно логических шагов и признаков система приняла решение
    (Лекция 10.1).

62. Защита персональных данных при использовании систем искусственного
    интеллекта требует прежде всего Соблюдения принципов прозрачности,
    минимизации сбора данных и встраивания защиты в архитектуру системы (Privacy
    by Design) (Лекция 10.2).

63. Принципиальная сложность распределения ответственности за решения, принятые
    искусственным интеллектом, обусловлена «Пробелом ответственности»:
    автономная система наносит вред, но её действия не были
    непосредственно предписаны человеком-разработчиком или
    оператором (Лекция 10.3).

64. Согласно современным подходам к регулированию искусственного интеллекта,
    системы высокого риска должны подвергаться Обязательной оценке
    соответствия стандартам, регистрации в реестрах, надзору со
    стороны человека и аудиту (Лекция 10.4).

65. Правовая проблема использования синтезированных мультимедийных данных
    (дипфейков) связана в первую очередь с Возможностью дезинформации,
    мошенничества и нарушения прав личности (автономии) без согласия
    человека (Лекция 10.1).

66. Ключевым требованием к системам искусственного интеллекта с точки зрения
    информационной безопасности является обеспечение Конфиденциальности,
    целостности и доступности данных, а также устойчивости к специфическим
    атакам (отравление данных, состязательные атаки) (Лекция 10.2).

67. Основной задачей анализа данных в профессиональной деятельности является
    Выявление закономерностей и преобразование «сырых» данных в знания и
    выводы для принятия обоснованных решений (Лекция 11.1).

68. Ключевое значение первичных источников данных по сравнению с вторичными
    заключается в Их высокой релевантности конкретной задаче и возможности
    исследователя контролировать точность и качество сбора информации
    (Лекция 11.2).

69. Роль анализа данных в поддержке управленческих решений проявляется в
    переходе от Интуитивных оценок и субъективных предположений к
    подходу, основанному на объективных данных (data-driven decision
    making) (Лекция 11.3).

70. Взаимосвязь анализа данных и искусственного интеллекта определяется тем, что
    методы ИИ Служат инструментом для автоматизации обработки огромных массивов
    данных и выявления сложных нелинейных закономерностей (Лекция 11.4).

71. Этап анализа данных, включающий удаление дубликатов, заполнение пропусков и
    нормировку значений, называется Предобработка или очистка данных
    (Лекция 12.3).

72. Принципиальным ограничением анализа данных как инструмента принятия решений
    является Его вероятностный характер: модель не гарантирует точности и не
    может учитывать непредсказуемые события («черные лебеди»)
    (Лекция 15.1, 15.3).

73. Ключевым преимуществом сбора данных с помощью автоматизированных систем
    (логгеры, API, датчики) перед ручными методами является Возможность
    непрерывного получения огромных объемов структурированных данных в
    реальном времени с высокой точностью (Лекция 12.1).

74. Проблема достоверности данных при подготовке аналитических систем выражается
    в несоответствии Полученной информации реальному состоянию объекта или
    процесса (Лекция 12.2).

75. Метод очистки данных, направленный на выявление записей, значительно
    отклоняющихся от основного массива, называется Выявление выбросов
    (outliers) (Лекция 12.3).

76. При подготовке данных для обучения нейросетевых моделей обязательным этапом
    является Масштабирование признаков (нормализация или стандартизация)
    (Лекция 12.3).

77. Основной проблемой качества данных, возникающей при объединении нескольких
    разнородных источников, является Противоречивость и несогласованность
    данных (несоответствие форматов, дублирование) (Лекция 12.2, 12.4).

78. Метод предварительной обработки, заключающийся в приведении числовых
    признаков к диапазону от нуля до единицы, получил название
    Нормализация (Min-Max Scaling) (Лекция 12.3).

79. Описательный анализ данных (дескриптивная статистика) включает в первую
    очередь расчёт таких показателей, как Меры центральной тенденции
    (среднее, медиана, мода) и меры разброса (дисперсия, стандартное
    отклонение) (Лекция 13.1).

80. Выявление линейной тенденции в динамическом ряде данных с течением времени
    осуществляется с помощью Трендового анализа или аппроксимации методом
    линейной регрессии (Лекция 13.2).

81. Коэффициент корреляции Пирсона принимает значения в диапазоне от минус
    единицы до плюс единицы и отражает Степень, направление и силу
    линейной взаимосвязи между двумя переменными (Лекция 13.3).

82. Типичной ошибкой при интерпретации корреляционного анализа является смешение
    корреляции с причинностью, известное как Отождествление корреляции с
    причинно-следственной связью (Лекция 13.3).

83. Мера центральной тенденции, наиболее устойчивая к наличию экстремальных
    выбросов в числовом ряду, называется Медиана (Лекция 13.1).

84. Ситуация, при которой два признака имеют нулевой коэффициент корреляции, но
    связаны нелинейной зависимостью, иллюстрирует Ограниченность коэффициента
    Пирсона, который измеряет только линейные связи (Лекция 13.3).

85. Основное значение визуализации данных в аналитической деятельности
    заключается в возможности Быстрого выявления закономерностей,
    трендов и аномалий, а также эффективной коммуникации результатов
    анализа (Лекция 14.1).

86. Графический метод, наиболее подходящий для сравнения распределения одной
    непрерывной переменной по нескольким категориям, называется Гистограмма
    или диаграмма размаха (box-plot) (Лекция 14.2).

87. Современное программное средство, позволяющее выполнять аналитику данных без
    программирования через интерфейс перетаскивания блоков, представлено
    платформой Power BI или Tableau (Лекция 14.3).

88. Линейчатая диаграмма (bar chart) в отличие от круговой (pie chart)
    предпочтительнее для визуализации, когда требуется Сравнить
    значения большого количества различных категорий данных
    (Лекция 14.2).

89. Аналитический инструмент без программирования, встроенный в электронные
    таблицы, и позволяющий строить прогнозные модели, называется Функции
    анализа данных в Microsoft Excel (Лекция 14.3).

90. Точечная диаграмма (scatter plot) является оптимальным выбором для
    визуализации связи между Двумя количественными переменными для
    выявления характера корреляции между ними (Лекция 14.2).