Как сделать искусственный интеллект самому: три пути и код на Python

Свой искусственный интеллект можно сделать за вечер: в инструкции рабочий код модели на scikit-learn, которая узнаёт рукописные цифры с точностью 97 %, и классификатор обращений в поддержку.

Там же нейросеть с нуля на NumPy, путь к помощнику на GigaChat и YandexGPT и пять ошибок, из-за которых модель ошибается на новых данных.

Статью написал:
Ваня Буявец, продюсер, основатель Checkroi
Ваня Буявец
Основатель Checkroi, продюсер, эксперт в выборе онлайн-курсов
Все 3330 статей автора Подписаться на Телеграм-канал
Одобрено экспертом:
Наташа Буявец, основатель Checkroi, эксперт по онлайн-курсам
Наташа Буявец
Основательница Checkroi, продюсер Youtube-каналов, эксперт по онлайн-курсам
Все 3984 экспертных мнения Подписаться на Телеграм-канал
Обложка: Как сделать искусственный интеллект самому: три пути и код на Python

Сделать искусственный интеллект самому можно за один вечер, если понимать под ним программу, которая учится на примерах и потом отвечает на новые вопросы. Для старта хватит Python и библиотеки scikit-learn: два десятка строк кода, и модель узнаёт рукописные цифры с точностью 97 %. Как это работает изнутри, мы разбирали в статье про машинное обучение для неспециалистов.

Свою языковую модель уровня ChatGPT в одиночку не обучить. А вот ассистент на готовой модели через API собирается за пару вечеров. Ниже разобраны оба варианта: своя модель с нуля и помощник поверх чужой нейросети.

Три пути к своему ИИ и какой выбрать

Рой выбирает, с чего начать свой первый ИИ-проект

Под фразой «сделать ИИ» прячутся три разные задачи. Они отличаются и сроками, и тем, что вы получите на выходе.

Путь Что получится Что нужно уметь Сколько времени на первый результат
Готовая модель через API (GigaChat, YandexGPT) Чат-бот или помощник, который отвечает по вашим правилам и документам Основы Python или no-code-конструктор От вечера до недели
Классическое машинное обучение (scikit-learn) Модель под одну задачу: сортировка заявок, прогноз спроса, распознавание Python и немного статистики Вечер на первую модель
Нейросеть с нуля (NumPy, потом PyTorch) Понимание, как устроено обучение, и учебные проекты Python, матрицы, производные Несколько недель

Я бы начинал со второго пути. Он быстро даёт работающую модель и измеримую цифру качества, а заодно учит главному: данные важнее алгоритма. Этому же учат на курсах машинного обучения, только на задачах крупнее. Чем отличаются виды искусственного интеллекта и какие бывают модели машинного обучения, мы рассказали отдельно.

Пошаговая инструкция: первая модель на Python

Возьмём классическую учебную задачу: научить программу узнавать рукописные цифры. Данные для неё уже лежат внутри библиотеки, скачивать ничего не придётся.

  1. Установите Python 3. Если его ещё нет, берите версию с python.org, по шагам это описано в инструкции как скачать и установить Python.
  2. Создайте виртуальное окружение и поставьте scikit-learn. Окружение хранит библиотеки проекта отдельно от системных: так их описывает документация модуля venv, а по шагам это разобрано в статье про venv в Python. Команда установки взята из официальной инструкции scikit-learn.
  3. Загрузите данные. Набор digits содержит 1 797 картинок, каждая размером 8×8 точек (описание набора в документации).
  4. Отложите часть примеров для проверки. Модель учится на трёх четвертях данных, а оценку получает на оставшейся четверти, которую ни разу не видела.
  5. Обучите модель и посчитайте точность. Код ниже делает это целиком.

Окружение на macOS и Linux:

python3 -m venv ai-env
source ai-env/bin/activate
pip install -U scikit-learn

На Windows вторая строка другая: ai-env\Scripts\activate. Дальше создайте файл digits.py:

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 1797 картинок 8×8 с рукописными цифрами от 0 до 9
X, y = load_digits(return_X_y=True)

# откладываем четверть примеров: на них модель не учится
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42)

model = LogisticRegression(max_iter=5000)
model.fit(X_train, y_train)          # обучение

pred = model.predict(X_test)         # ответы на новых картинках
print("Примеров для обучения:", len(X_train))
print("Примеров для проверки:", len(X_test))
print("Точность:", round(accuracy_score(y_test, pred), 3))
print("Первые 10 ответов:", pred[:10])
print("Правильные ответы:", y_test[:10])

Запуск python digits.py выдал у нас (Python 3.14, scikit-learn 1.9):

Примеров для обучения: 1347
Примеров для проверки: 450
Точность: 0.973
Первые 10 ответов: [6 9 3 7 2 1 5 2 5 3]
Правильные ответы: [6 9 3 7 2 1 5 2 5 2]

Модель верно узнала 97,3 % цифр, которых не видела при обучении. В первой десятке одна ошибка: двойку она приняла за тройку. Это нормально, у любой модели есть процент промахов, и его надо знать заранее.

Что здесь происходит

  • X хранит признаки: каждая картинка превращена в 64 числа, по яркости каждой точки.
  • y хранит правильные ответы, то есть цифру на картинке.
  • fit() подбирает внутренние коэффициенты модели так, чтобы она как можно реже ошибалась на обучающих примерах.
  • predict() отвечает на новых данных, и только эта проверка показывает реальное качество.

Зачем откладывать примеры, в документации scikit-learn объяснено прямо: учить модель и проверять её на тех же данных называют там методологической ошибкой, такая модель «would fail to predict anything useful on yet-unseen data» (раздел о кросс-валидации). Писать и запускать такой код удобно в Jupyter Notebook: результат каждого шага виден сразу под ячейкой.

Канал основателя Checkroi Вани Буявца3 800 человек читают мой Телеграм-канал про нейросетиСобрал промпты для Claude Code и ChatGPT, разборы ИИ-инструментов и лайфхаки по продвижению бизнеса в одном местеПрисоединиться

Как научить модель вашей задаче

Цифры хороши для тренировки, но интереснее научить модель тому, что нужно именно вам. Допустим, в поддержку пишут сотни сообщений в день, и их надо раскладывать по отделам. Это задача классификации текста.

Нужны примеры сообщений с готовыми ответами. Для демонстрации хватит двенадцати фраз, по четыре на категорию:

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline

texts = [
    "не приходит код из смс", "не могу войти в личный кабинет",
    "забыл пароль от аккаунта", "приложение пишет неверный пароль",
    "списали деньги дважды", "верните деньги за заказ",
    "когда придёт возврат", "оплата прошла, а заказа нет",
    "где мой заказ", "курьер не приехал",
    "посылка застряла на складе", "перенесите доставку на завтра",
]
labels = [
    "вход", "вход", "вход", "вход",
    "оплата", "оплата", "оплата", "оплата",
    "доставка", "доставка", "доставка", "доставка",
]

model = make_pipeline(TfidfVectorizer(), LogisticRegression())
model.fit(texts, labels)

for q in ["не помню пароль", "деньги списали, а заказа нет",
          "курьер опаздывает на два часа"]:
    print(q, "→", model.predict([q])[0])

Вывод:

не помню пароль → вход
деньги списали, а заказа нет → оплата
курьер опаздывает на два часа → доставка

TfidfVectorizer превращает текст в числа: каждое слово получает вес, и чем реже слово встречается во всех текстах, тем больше оно говорит о конкретном сообщении (описание класса). Дальше работает та же логистическая регрессия, что и с цифрами.

Теперь спросим то, чего в примерах не было:

print(model.predict(["приложение вылетает при запуске"])[0])
print(model.predict_proba(["приложение вылетает при запуске"]).round(2), model.classes_)
вход
[[0.42 0.29 0.29]] ['вход' 'доставка' 'оплата']

Модель отправила жалобу на сбой приложения в отдел входа. Причина простая: слово «приложение» встретилось ей только во фразе про неверный пароль. При этом уверенность всего 0,42, а случайный выбор из трёх вариантов дал бы 0,33.

Решение: собрать больше примеров (на практике сотни на каждую категорию) и завести правило «если уверенность ниже 0,6, отдать сообщение человеку».

Где взять данные для обучения

Модель не бывает лучше данных, на которых училась. Что такое датасет и как его собрать, мы разбирали подробно, а вот откуда брать готовые наборы:

Источник Что там есть Когда брать
Встроенные наборы scikit-learn Цифры, ирисы, диабет, вина: маленькие и чистые Первые эксперименты, грузятся одной строкой
Kaggle Datasets Тысячи наборов от компаний и участников соревнований Учебный проект на реальных данных, см. наш обзор платформы Kaggle
Hugging Face Datasets Тексты, аудио, картинки, в том числе на русском Задачи с текстом и речью
Портал открытых данных Москвы Городская статистика: транспорт, объекты, услуги Прогнозы и аналитика на российских данных
Свои выгрузки CSV и Excel Заявки, продажи, логи вашего сервиса Рабочая задача, читаются через pandas
CheckroiCheckroiПодборка курсов по Python574 курса • 53 школыСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→

Нейросеть с нуля на NumPy

Схема простой нейросети от руки в тетради рядом с ноутбуком

Scikit-learn прячет математику внутри fit(). Если хочется понять, как именно сеть учится, напишите свою нейросеть руками хотя бы один раз. Лучше всего подходит задача XOR: ответ 1, когда два входа разные, и 0, когда одинаковые.

Один нейрон XOR не решит, нужен скрытый слой. Сеть ниже состоит из четырёх скрытых нейронов и одного выходного. Понадобится только NumPy (pip install numpy, руководство для новичков):

import numpy as np

rng = np.random.default_rng(0)
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])          # XOR: 1, когда входы разные

W1 = rng.normal(size=(2, 4)); b1 = np.zeros((1, 4))   # скрытый слой
W2 = rng.normal(size=(4, 1)); b2 = np.zeros((1, 1))   # выходной нейрон
sigmoid = lambda z: 1 / (1 + np.exp(-z))

for step in range(10001):
    h = sigmoid(X @ W1 + b1)                 # прямой проход
    out = sigmoid(h @ W2 + b2)
    loss = np.mean((out - y) ** 2)
    d_out = (out - y) * out * (1 - out)      # обратный проход
    d_h = d_out @ W2.T * h * (1 - h)
    W2 -= 1.0 * h.T @ d_out; b2 -= 1.0 * d_out.sum(0, keepdims=True)
    W1 -= 1.0 * X.T @ d_h;   b1 -= 1.0 * d_h.sum(0, keepdims=True)
    if step % 2500 == 0:
        print(f"шаг {step:>5}: ошибка {loss:.4f}")

print("Ответы сети:", out.round(2).ravel())
шаг     0: ошибка 0.3430
шаг  2500: ошибка 0.0008
шаг  5000: ошибка 0.0003
шаг  7500: ошибка 0.0002
шаг 10000: ошибка 0.0002
Ответы сети: [0.   0.99 0.99 0.02]

Сеть начинает со случайных весов и ошибки 0,343, а через десять тысяч шагов почти без промаха отвечает на все четыре варианта.

  • Прямой проход считает ответ: входы умножаются на веса, проходят через сигмоиду, и так слой за слоем.
  • Обратный проход считает, насколько каждый вес виноват в ошибке, и сдвигает его в нужную сторону. Это и есть обучение.
  • Число 1.0 перед поправками называется скоростью обучения. Слишком большая раскачивает сеть, слишком маленькая заставляет ждать тысячи лишних шагов.

Для реальных задач веса руками никто не пересчитывает: это делает PyTorch, установка описана на официальном сайте. Но после такого упражнения слова «обратное распространение ошибки» перестают звучать как магия. Простым языком это разобрано в статье о том, как думают нейросети.

ИИ-помощник на готовой модели

Рой радуется первому ответу своего ИИ-помощника

Если нужен ассистент, который понимает обычную речь и пишет связные ответы, своя модель с нуля не подходит. Обучить языковую модель масштаба GigaChat или YandexGPT одному человеку не по силам: нужны огромные корпуса текстов и вычислительные кластеры. Поэтому берут готовую модель и надстраивают над ней свою логику.

  1. Выберите модель. Сравнение двух главных российских вариантов есть в статье GigaChat или YandexGPT.
  2. Получите ключ API и сделайте первый запрос. По шагам с кодом: GigaChat API на Python и YandexGPT API. Официальное описание лежит в документации GigaChat API и документации Yandex AI Studio.
  3. Напишите системный промпт. В нём роль помощника, тон, запреты и формат ответа. Как его составить, рассказано в материале про промпт-инжиниринг.
  4. Подключите свои документы. Перед каждым вопросом программа находит в вашей базе подходящие куски текста и подставляет их в запрос. Такой подход называют RAG: модель отвечает по вашим документам, а не по своей памяти.
  5. Проверьте ответы на выдумки. Языковые модели уверенно сочиняют факты. Почему так выходит, мы разбирали в статье про галлюцинации нейросетей.

Без программирования такой помощник тоже собирается: конструкторы ботов подключают готовые модели через настройки. Сравнение вариантов есть в инструкции как создать чат-бот.

Частые ошибки новичков

Код из примеров выше запускается с первого раза. Проблемы начинаются, когда модель переносят на свои данные.

  1. Точность 100 %. Почти всегда это значит, что модель проверяли на тех же данных, на которых она училась. Решение: всегда откладывать проверочную часть через train_test_split.
  2. Модель уверенно путает новые случаи. Мало примеров или в них нет нужных слов, как с «приложение вылетает» выше. Решение: собрать больше данных и отдавать человеку ответы с низкой уверенностью.
  3. Неравные классы. Если 95 % заявок про доставку, модель, которая всегда отвечает «доставка», получит те же 95 % и окажется бесполезной. Решение: смотреть точность по каждому классу, а не общую цифру.
  4. Подсказка ответа в данных. В признаки попадает то, что известно только после события: дата закрытия заявки, итоговый статус. На тесте всё блестит, в работе модель падает. Решение: оставлять только то, что известно в момент прогноза.
  5. Нейросеть там, где хватит простой модели. Для табличных данных и коротких текстов логистическая регрессия часто даёт ту же точность и обучается за секунды. Начинайте с простого и усложняйте, только если цифры просят.

Первую ошибку легко увидеть своими глазами. Дерево решений на тех же цифрах:

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42)

tree = DecisionTreeClassifier(random_state=42).fit(X_train, y_train)
print("На обучающих:", round(tree.score(X_train, y_train), 3))
print("На отложенных:", round(tree.score(X_test, y_test), 3))
На обучающих: 1.0
На отложенных: 0.858

На знакомых картинках дерево безупречно, на новых ошибается в каждом седьмом случае. Логистическая регрессия выше дала 0,973 на тех же отложенных данных, хотя устроена проще.

Ваня БуявецКанал основателя Checkroi Вани БуявцаЗабирайте промпты и обучение по нейросетям в моём Телеграм-каналеБольше 3 800 человек уже применяют Claude Code, ChatGPT и другие нейросети в работе, учёбе, бизнесе и жизниПерейти в канал

Что учить дальше, чтобы делать ИИ всерьёз

Три примера из статьи закрывают первый вечер. Дальше путь выглядит так:

  • Python увереннее: функции, словари, работа с файлами. Для разминки подойдут 30 задач для начинающих.
  • Данные: pandas для таблиц, графики, очистка выгрузок.
  • Математика: матрицы, производные, вероятности. Без неё модель останется чёрным ящиком.
  • Классическое ML: регрессии, деревья, бустинг, кросс-валидация в scikit-learn.
  • Глубокое обучение: PyTorch, свёрточные сети для картинок, трансформеры для текста.

Если хочется сделать из этого профессию, посмотрите, как стать ML-инженером или специалистом по нейросетям: там расписан план на год.

Где освоить машинное обучение системно

Первую модель вы уже обучили по этой инструкции. Чтобы делать такие модели на работе, нужны недели практики с наставником: разбор ошибок, проекты на реальных данных, ревью кода. Ниже курсы по машинному обучению из нашего каталога. Отдельно собраны программы по разработке ИИ, а базу языка можно подтянуть на курсах Python.

КурсШколаСтоимость со скидкойВ рассрочкуДлитель­ностьОбзор курса от Checkroi
Machine Learning с нуля до Junior
Перейти на сайт курса
SkillboxSkillbox123 543 ₽4384 ₽/мес.9 месяцевОбзор курса
Бакалавриат «Data Science & Machine Learning»
Перейти на сайт курса
SkillboxSkillbox75 000 ₽ - 48 месяцевОбзор курса
Машинное обучение
Перейти на сайт курса
НетологияНетология43 600 ₽2598 ₽/мес.10 месяцевОбзор курса
Machine Learning. Продвинутый уровень
Перейти на сайт курса
OTUSOTUS65 000 ₽8000 ₽/мес.5 месяцевОбзор курса
Machine Learning Engineer с нуля
Перейти на сайт курса
SkillboxSkillbox69 000 ₽ - 9 месяцевОбзор курса

Больше программ — в полном каталоге курсов по машинному обучению

Часто задаваемые вопросы

Можно ли сделать ИИ без программирования?

Помощника на готовой модели можно: конструкторы ботов подключают GigaChat или YandexGPT через настройки, без кода. Свою модель под задачу, например сортировку заявок, без Python собрать сложнее. Подробнее в инструкции как создать чат-бот.

Сколько данных нужно, чтобы обучить свою модель?

Для учебной задачи хватает сотен примеров: на 1 347 картинках цифр логистическая регрессия дала 97,3 % точности на отложенных данных. Для классификации текстов закладывайте хотя бы сотни примеров на каждую категорию, на двенадцати фразах модель путает новые формулировки.

На каком языке программирования делают искусственный интеллект?

Чаще всего на Python: для него есть scikit-learn для классического машинного обучения, NumPy для вычислений и PyTorch для нейросетей. С него и стоит начинать.

Можно ли сделать свой ChatGPT?

Обучить языковую модель такого масштаба с нуля одному человеку не по силам: нужны огромные корпуса текстов и вычислительные кластеры. Реальный путь: взять готовую модель через API и добавить к ней свои правила и документы.

Нужна ли мощная видеокарта, чтобы сделать ИИ?

Для примеров из статьи нет: модели на scikit-learn и нейросеть на NumPy обучаются на обычном ноутбуке за секунды. Видеокарта нужна, когда дело доходит до глубоких нейросетей на картинках и текстах в PyTorch.

Читайте Checkroi первым в Google
Добавьте Checkroi в избранные источники — и наши разборы курсов и обзоры школ будут показываться выше в вашей выдаче Google.
Оставить комментарий
0 комментариев
Форма комментария

Оставьте комментарий

Напишите, что думаете. Нам важно ваше мнение!