---

1.	Интерпретация понятия искусственного интеллекта в рамках современных технологий 
Способность систем выполнять задачи, требующие человеческого интеллекта.
2.	Отличительная особенность систем искусственного интеллекта по сравнению с традиционными программами
Способность к обучению и адаптации.
3.	Характеристика этапа развития искусственного интеллекта, связанного с экспертными системами 
Использование баз знаний и логических правил.
4.	Сущность слабого (узкого) искусственного интеллекта в современной практике 
Выполнение одной специализированной задачи.
5.	Основное направление применения искусственного интеллекта в сфере здравоохранения 
Диагностика и анализ медицинских данных.
6.	Роль искусственного интеллекта в процессе цифровой трансформации экономики и общества 
Автоматизация и повышение эффективности процессов.
7.	Алгоритмическая природа интеллектуальных систем определяется как 
Совокупность вычислительных алгоритмов обработки данных.
8.	Роль данных в функционировании систем искусственного интеллекта характеризуется как 
Основа обучения и функционирования модели.
9.	Понятие модели в системах искусственного интеллекта интерпретируется как 
Математическое представление закономерностей данных.
10.	Процесс обучения модели искусственного интеллекта включает 
Настройку параметров на основе данных.
11.	Ограничения современных систем искусственного интеллекта проявляются в 
Отсутствии понимания и контекста.
12.	Классификация данных, используемых в системах искусственного интеллекта, включает 
Структурированные, неструктурированные и полуструктурированные данные.
13.	Прогнозирование как функция поддержки управленческих решений основывается на экстраполяции 
Исторических данных.
14.	Оптимизация процессов с использованием аналитики данных предполагает поиск такого набора управляемых параметров, который 
Обеспечивает наилучший результат.
15.	Ключевым ограничением аналитических моделей и систем искусственного интеллекта является их неспособность 
Полностью понимать контекст и смысл.
16.	Роль специалиста при интерпретации аналитических результатов заключается в критической оценке выводов модели с учётом 
Контекста предметной области.
17.	Метод оптимизации, имитирующий процесс естественного отбора для поиска наилучшего решения в многомерном пространстве, называется
Генетический алгоритм.
18.	При использовании прогнозных моделей для принятия решений специалист обязан учитывать, что любое предсказание несёт 
Вероятностный характер.
19.	Классификация данных в системах искусственного интеллекта определяется как 
Разделение данных по типам и структуре.
20.	Различие между размеченными и неразмеченными данными интерпретируется как 
Наличием или отсутствием меток ответов.
21.	Качество данных в задачах искусственного интеллекта характеризуется как 
Точностью, полнотой и актуальностью.
22.	Смещение данных в контексте машинного обучения определяется как
Систематическое искажение выборки данных.
23.	Влияние ошибок разметки на процесс обучения моделей проявляется в 
Снижении точности модели.
24.	Концепция data-centric artificial intelligence ориентирована на 
Улучшение качества данных.
25.	Машинное обучение -это… 
Метод обучения моделей на данных.
26.	Формальное определение процесса обучения в машинном обучении по Т. Митчеллу. 
Обучение — улучшение выполнения задачи на основе опыта.
27.	Задача классификации в машинном обучении. 
Отнесение объектов к категориям.
28.	Различие регрессии и прогнозирования в машинном обучении. 
Регрессия предсказывает числовое значение, прогнозирование — будущие состояния.
29.	Сущность кластеризации как задачи машинного обучения. 
Группировка похожих объектов без меток.
30.	Принципы выбора метрик оценки качества моделей машинного обучения. 
Соответствие метрик задаче и данным.
31.	Сущность генеративных моделей в машинном обучении 
Создание новых данных на основе изученного распределения.
32.	Отличие генеративных и дискриминативных моделей 
Генеративные создают данные, дискриминативные различают классы.
33.	Понятие латентного пространства в генеративных моделях 
Скрытое представление признаков данных
34.	Принцип работы генеративных состязательных сетей (GAN) 
Состязание генератора и дискриминатора.
35.	Суть генерации текста в трансформерных моделях 
Предсказание следующего токена.
36.	Ключевое ограничение генеративного искусственного интеллекта 
Галлюцинации и недостоверность.
37.	Сущность больших языковых моделей в контексте искусственного интеллекта 
Модели обработки и генерации естественного языка большого масштаба.
38.	Назначение архитектуры Transformer в современных языковых моделях 
Эффективная обработка последовательностей данных.
39.	Функциональная роль механизма самовнимания в трансформерных моделях 
Определение значимости элементов последовательности.
40.	Назначение токенизации в обработке естественного языка 
Разделение текста на токены.
41.	Принцип авторегрессивной генерации текста в LLM 
Последовательная генерация токенов.
42.	Методы взаимодействия пользователя с языковыми моделями 
Промпты и диалоговое взаимодействие.
43.	Понятие галлюцинации применительно к большим языковым моделям характеризует 
Генерацию ложной информации
44.	Основная архитектурная причина возникновения галлюцинаций в больших языковых моделях заключается в 
Вероятностной природе генерации текста.
45.	Риск использования интеллектуальной системы с галлюцинациями в юридической деятельности связан прежде всего с 
Выдачей недостоверной правовой информации.
46.	Метод Retrieval-Augmented Generation (RAG) направлен на снижение галлюцинаций путём 
Подключения внешних источников знаний.
47.	Какое утверждение соответствует эпистемологическому аспекту галлюцинаций искусственного интеллекта 
ИИ не обладает истинным знанием смысла.
48.	Полное устранение галлюцинаций в больших языковых моделях на современном этапе развития технологий 
Пока невозможно.
49.	Трансформация профессиональных сфер под влиянием искусственного интеллекта проявляется в 
Автоматизации и изменении профессий.
50.	Изменение требований к компетенциям специалистов в эпоху внедрения искусственного интеллекта предполагает 
Развитие цифровых и аналитических навыков.
51.	Эффективная совместная деятельность человека и интеллектуальной системы основывается на принципе 
Распределения ролей между человеком и ИИ.
52.	Подготовка кадров для цифровой экономики требует в первую очередь формирования у специалистов 
Цифровых компетенций.
53.	В модели взаимодействия человека и искусственного интеллекта ключевым ограничением интеллектуальной системы признаётся
Отсутствие осознанности и ответственности.
54.	Основным направлением трансформации высшего образования под влиянием искусственного интеллекта становится 
Персонализация обучения.
55.	Базовой операцией обработки естественного языка, заключающейся в выделении отдельных слов или значимых частей из непрерывного текста, является 
Токенизация.
56.	Метод компьютерного зрения, позволяющий выделять на изображении области, соответствующие отдельным объектам или смысловым фрагментам, называется 
Сегментация изображений.
57.	Отличительной особенностью мультимодальных интеллектуальных систем по сравнению с универсальными моделями является способность 
Обрабатывать несколько типов данных одновременно.
58.	Применение интеллектуальных методов в задаче автоматического распознавания дорожных знаков для беспилотных транспортных средств относится к области 
Компьютерного зрения.
59.	В обработке естественного языка задача определения эмоциональной окраски высказывания (позитивной, негативной или нейтральной) получила название 
Анализ тональности.
60.	Мультимодальная система, способная по текстовому описанию «красное яблоко на белой тарелке» сгенерировать соответствующее изображение, демонстрирует интеграцию 
Обработки текста и генерации изображений.
61.	Этическая проблема «чёрного ящика» применительно к системам искусственного интеллекта заключается в 
Непрозрачности принятия решений.
62.	Защита персональных данных при использовании систем искусственного интеллекта требует прежде всего 
Соблюдения конфиденциальности данных.
63.	Принципиальная сложность распределения ответственности за решения, принятые искусственным интеллектом, обусловлена
Автономностью и сложностью систем ИИ.
64.	Согласно современным подходам к регулированию искусственного интеллекта, системы высокого риска должны подвергаться 
Строгой проверке и контролю.
65.	Правовая проблема использования синтезированных мультимедийных данных (дипфейков) связана в первую очередь с 
Подделкой личности и дезинформацией.
66.	Ключевым требованием к системам искусственного интеллекта с точки зрения информационной безопасности является обеспечение 
Защиты данных и устойчивости к атакам.
67.	Основной задачей анализа данных в профессиональной деятельности является 
Получение полезной информации для решений.
68.	Ключевое значение первичных источников данных по сравнению с вторичными заключается в 
Более высокой достоверности.
69.	Роль анализа данных в поддержке управленческих решений проявляется в переходе от 
Интуитивных решений к обоснованным.
70.	Взаимосвязь анализа данных и искусственного интеллекта определяется тем, что методы ИИ 
Используют данные для обучения и прогнозирования.
71.	Этап анализа данных, включающий удаление дубликатов, заполнение пропусков и нормировку значений, называется 
Очистка данных.
72.	Принципиальным ограничением анализа данных как инструмента принятия решений является 
Зависимость от качества данных.
73.	Ключевым преимуществом сбора данных с помощью автоматизированных систем (логгеры, API, датчики) перед ручными методами является 
Высокая скорость и точность сбора.
74.	Проблема достоверности данных при подготовке аналитических систем выражается в несоответствии 
Реальных данных фактическим значениям.
75.	Метод очистки данных, направленный на выявление записей, значительно отклоняющихся от основного массива, называется 
Обнаружение выбросов.
76.	При подготовке данных для обучения нейросетевых моделей обязательным этапом является 
Нормализация данных.
77.	Основной проблемой качества данных, возникающей при объединении нескольких разнородных источников, является 
Несогласованность форматов и структур.
78.	Метод предварительной обработки, заключающийся в приведении числовых признаков к диапазону от нуля до единицы, получил название 
Min-max нормализация.
79.	Описательный анализ данных (дескриптивная статистика) включает в первую очередь расчёт таких показателей, как 
Среднего, медианы и дисперсии.
80.	Выявление линейной тенденции в динамическом ряде данных с течением времени осуществляется с помощью 
Линейной регрессии.
81.	Коэффициент корреляции Пирсона принимает значения в диапазоне от минус единицы до плюс единицы и отражает 
Силу и направление линейной связи.
82.	Типичной ошибкой при интерпретации корреляционного анализа является смешение корреляции с причинностью, известное как 
Ложная причинность.
83.	Мера центральной тенденции, наиболее устойчивая к наличию экстремальных выбросов в числовом ряду, называется 
Медиана.
84.	Ситуация, при которой два признака имеют нулевой коэффициент корреляции, но связаны нелинейной зависимостью, иллюстрирует 
Нелинейную зависимость признаков.
85.	Основное значение визуализации данных в аналитической деятельности заключается в возможности 
Наглядного выявления закономерностей.
86.	Графический метод, наиболее подходящий для сравнения распределения одной непрерывной переменной по нескольким категориям, называется 
Box plot.
87.	Современное программное средство, позволяющее выполнять аналитику данных без программирования через интерфейс перетаскивания блоков, представлено платформой 
KNIME
88.	Линейчатая диаграмма (bar chart) в отличие от круговой (pie chart) предпочтительнее для визуализации, когда требуется 
Сравнить значения между категориями.
89.	Аналитический инструмент без программирования, встроенный в электронные таблицы, и позволяющий строить прогнозные модели, называется 
Data Analysis ToolPak.
90.	Точечная диаграмма (scatter plot) является оптимальным выбором для визуализации связи между 
Двумя количественными переменными.