Гуманитарные ведомости. Вып. 3(55) 2025 г

Гуманитарные ведомости ТГПУ им. Л. Н. Толстого № 3 (55), ноябрь 2025 г. 183 высокоуровневые выходные данные. Например, система глубокого обучения, которая обрабатывает изображения природы в поисках маргаритки определенного вида, на первом уровне распознает просто растение. По мере перемещения по нейронным слоям она будет идентифицировать цветок, затем маргаритку и, наконец, конкретный требуемый вид. Примерами применения алгоритмов глубокого обучения являются распознавание речи, классификация изображений, семантическое понимание текста. В контексте данной статьи наибольший интерес представляют самообучающиеся нейронные сети, одной из задач которых является работа с текстом и его анализ. Важно отметить, что алгоритмическими методами невозможно научить машину понимать семантику текста, категории абстрактности. Алгоритмическим методом можно обучить искусственный интеллект правилам языка, правилам перевода, но не пониманию прагматики текста. Для алгоритмического программирования постановка задачи «сделай программу, которая осуществит краткий пересказ любой книги» в принципе невыполнима. Однако существующие нейросети относительно неплохо справляются с такими задачами. Нейросети глубокого обучения пишут осмысленные стихи, сочиняют музыку, рисуют картины. И в каждом случае результат уникален. Фактически, эмуляция процессов человеческого мозга дает основания говорить о потенциальном машинном абстрактном мышлении, сравнимым с человеческими мыслительными процессами. Примером может послужить фрагмент из книги ведущего исследователя в области искусственного интеллекта и нейронных сетей, Джейда Картера, «Нейросети. Обработка естественного языка» Джейда Картера: «Представьте, у нас есть фраза "Солнце светит ярко". Для нас это понятно, но компьютеру нужно преобразовать это в числа. Для этого создается словарь, который выглядит как список всех уникальных слов в наших текстах. В нашем случае, это "Солнце", "светит" и "ярко". Каждому слову присваивается номер, например: "Солнце" – 1, "светит" – 2, "ярко" – 3. Теперь мы создаем векторы слов, которые выглядят как таблица, где каждое слово имеет свой вектор с числами. Например: – "Солнце" может быть [0.2, 0.8, 0.5] – "светит" может быть [0.5, 0.9, 0.1] – "ярко" может быть [0.7, 0.6, 0.3] Когда мы хотим понять фразу, компьютер находит вектор каждого слова и комбинирует их. Например, если мы хотим понять "Солнце светит ярко", то компьютер возьмет вектор "Солнце" + вектор "светит" + вектор "ярко" и получит что-то вроде [1.4, 2.3, 0.9]. Это числовое представление фразы. Теперь, когда фраза представлена числами, компьютер может выполнять различные задачи, такие как определение ее смысла, перевод на другие языки и многое другое. Пример: представьте, что у нас есть векторы слов "хороший" и "плохой", и они похожи на [0.9, 0.7] и [0.2, 0.1] соответственно. Если мы сложим вектор