🤖 ИИ · 20 вопросов · ~45 мин · ⏱ Таймер 45:00 · Средний ·

Что на самом деле умеет искусственный интеллект

Искусственный интеллект хорошо решает одни задачи и уверенно проваливает другие, даже когда ответ звучит убедительно. Этот тест предлагает не вспоминать рекламные формулировки, а разбирать конкретные системы: где нужен поиск закономерности, где достаточно жёстких правил, что можно поручить модели, а где без человека решение становится опасным.

Отвечено: 0 из 20

⏱ --:--

💡 Инструкция: Выбери один ответ из четырёх. В тесте 20 вопросов и 45 минут; не меньше половины заданий требуют прочитать код, конфигурацию или формализованную схему. После завершения откроются общий процент, четыре тематические шкалы, правильные ответы и разбор каждого решения.

Вопрос 1 из 20

Служба поддержки получает сообщение клиента и должна направить его в один из восьми отделов. Как точнее всего описать основную задачу?

Прогноз числовой стоимости обращения Генерация нового отдела для каждого сообщения Кластеризация без известных названий групп Классификация текста по заранее заданным категориям

Вопрос 2 из 20

Какой фрагмент действительно использует обученную модель, а не только заранее записанные правила?

Считать регулярный поиск по слову обученной моделью, поскольку он обрабатывает текстreturn bool(re.search(r"\brefund\b", message.lower())) Считать таблицу заранее заданных соответствий обученной моделью из-за наличия входных данныхreturn city_to_region.get(city, "unknown") Проверка порогаreturn amount > 100_000 Предсказание по признакам

features = encoder.transform([message])
return model.predict(features)[0]

Вопрос 3 из 20

Модель возвращает для фотографии распределение вероятностей. Какой вывод допустим?

scores = {'кошка': 0.72, 'лиса': 0.18, 'собака': 0.1}
label = max(scores, key=scores.get)
print(label)

Распределение показывает, какие биологические свойства животного модель поняла Высокая вероятность класса доказывает, что на снимке действительно кошка Низкие вероятности остальных классов означают, что других объектов на снимке нет Модель считает класс «кошка» наиболее вероятным среди известных ей классов

Вопрос 4 из 20

Банк обучил модель на прошлогодних покупках, а затем резко изменился способ оформления транзакций. На новых данных доля ложных тревог выросла втрое. Какое объяснение следует проверить первым?

После обучения модель начала самостоятельно менять цель принятия решения Сначала нужно искать ошибку в нумерации классов, не проверяя новый поток транзакций Рост ложных тревог объясняется естественным старением модели, поэтому входные данные можно не сравнивать Изменилось распределение входных данных

Вопрос 5 из 20

Разработчик утверждает, что эта функция «обучается на каждом вызове». Что происходит на самом деле?

def needs_summary(text):
    return len(text) > 240

На каждом вызове выполняется обучение без учителя по одному новому примеру Функция сохраняет предыдущие входы и использует их при следующем вызове Порог постепенно изменяется в зависимости от последних обработанных сообщений Выполняется неизменное правило с фиксированным порогом

Вопрос 6 из 20

Команда меняет temperature с 0.2 на 1.2 при генерации четырёх вариантов заголовка. Какой эффект наиболее ожидаем?

settings = {
    "model": "text-model",
    "temperature": 1.2,
    "n": 4
}

Модель станет лучше учитывать факты, потому что просмотрит больше вариантов продолжения Доступное окно контекста увеличится пропорционально значению temperature Ответы станут разнообразнее, но менее предсказуемыми Разнообразие вариантов уменьшит вероятность фактической ошибки в каждом из них

Вопрос 7 из 20

Система автоматически отклоняет заявку на срочную медицинскую помощь, если оценка модели ниже 0.5. Что является главным недостатком такого решения?

risk = model.predict_proba(case)[1]
if risk < 0.5:
    reject_request()
else:
    send_to_doctor()

Главная проблема в том, что порог задан десятичной дробью, а не целым процентом Для медицинских решений допустим только порог 1,0 независимо от качества и назначения модели Решение ненадёжно прежде всего потому, что модель возвращает число, а не текстовое объяснение Критическое решение передано модели без безопасного маршрута для сомнительных случаев

Вопрос 8 из 20

Интернет-магазин хочет находить товары, похожие по смыслу описания, даже если слова не совпадают. Какой класс решения подходит лучше всего?

Полнотекстовый поиск с расширенным словарём синонимов и точным совпадением после нормализации Генерация нового описания запроса и сравнение его длины с описаниями товаров Семантические векторные представления и поиск ближайших Кластеризация каталога по длине описаний с последующим случайным выбором товара внутри группы

Вопрос 9 из 20

Что можно заключить из этого результата без дополнительных данных?

text = "Ну да, обновление просто великолепно: всё сломалось"
print(sentiment_model.predict([text])[0])

Результат доказывает, что автор действительно испытывал положительную эмоцию Для переданной строки модель вывела метку positive Положительная метка подтверждает устойчивость модели к иронии и скрытому отрицанию Метка показывает, что алгоритм интерпретировал настроение так же, как большинство людей

Вопрос 10 из 20

В отчёте говорится: «точность 97%». Какие сведения нужны прежде, чем считать модель надёжной?

Архитектура интерфейса, длина названия модели и число доступных режимов ответа Число параметров и объём файла модели, поскольку крупные модели обычно точнее Опыт разработчика и язык реализации, без отдельного анализа ошибок на проверочной выборке Состав проверочной выборки, доли классов и виды ошибок

Вопрос 11 из 20

Какой компонент здесь выполняет задачу генерации, а какой — проверку формального ограничения?

answer = generate_text(prompt)
valid = bool(re.fullmatch(r"[A-Z]{2}-\d{4}", answer))
if not valid:
    request_retry()

generate_text создаёт вариант, а регулярное выражение проверяет формат Обе операции являются поиском ближайшего примера, но используют разные представления Регулярное выражение выбирает допустимый текст, а модель лишь вычисляет длину строки Обе части относятся к обучаемой модели: одна создаёт текст, другая дообучается на его формате

Вопрос 12 из 20

Изображение разбито на пиксели, а система должна выделить отдельной маской каждую повреждённую область. Какой тип задачи требуется?

Классификация всего изображения с отдельным классом для каждой возможной формы повреждения Обнаружение объектов рамками без построения точных границ каждой повреждённой области Пиксельное преобразование изображения в текстовое описание обнаруженных дефектов Сегментация

Вопрос 13 из 20

Почему добавление ещё одного if не превращает программу в обучаемую модель?

def approve(age, income, debt):
    if age < 21:
        return False
    if debt > income * 0.4:
        return False
    return income > 60_000

Обучение начинается лишь при выполнении кода на графическом ускорителе Потому что поведение всё ещё полностью задано разработчиком и не извлекается из примеров Оператор if применяет только числовые пороги и поэтому не может участвовать в интеллектуальной системе Явные правила несовместимы с моделями и должны быть полностью удалены перед обучением

Вопрос 14 из 20

Ассистент выдал ссылку на несуществующую статью и оформил её как точную цитату. Что это показывает?

После публикации ссылка индексируется и становится настоящим источником для следующих ответов Генеративная модель по умолчанию имеет доступ к библиотечным каталогам, но иногда неверно копирует адрес Правдоподобная форма ответа не гарантирует существование источника Несуществующая ссылка прежде всего указывает на вмешательство в модель, а не на обычную ошибку генерации

Вопрос 15 из 20

Система подбирает следующий ход в игре, многократно моделируя варианты и оценивая будущие состояния. К какому виду задач это ближе всего?

Кластеризация состояний с выбором хода из самого крупного кластера Сжатие дерева игры с потерями для уменьшения числа рассматриваемых позиций Последовательное принятие решений Многоклассовая классификация текущего состояния без учёта последующих ходов

Вопрос 16 из 20

В каком варианте правила и модель распределены разумнее?

Модель ранжирует, критическое действие подтверждается

risk = model.score(tx)
if risk > 0.8:
    queue_for_review(tx)
if tx.card in stolen_cards:
    block(tx)

Модель самостоятельно принимает все решения, а правила используются только для оформления результата

if model.score(tx) > 0.8:
    block_forever(tx.user)

Случайная ручная проверка небольшой доли операций вместо контроля наиболее рискованных случаев

if random.random() < 0.8:
    block(tx)

Жёсткий список запрещённых слов без анализа контекста и отдельной оценки риска

if "gift" in tx.note:
    block(tx)

Вопрос 17 из 20

Ниже показана функция, которая выдаёт одно и то же резюме для любых документов одинаковой длины. Какой вывод верен?

def summarize(text):
    if len(text) < 500:
        return "Краткий документ"
    return "Подробный документ"

Она использует поверхностный признак и не решает задачу смыслового резюмирования Поведение означает переобучение на документах такой длины, хотя обучаемых параметров в функции нет Одинаковый результат для равных длин показывает, что функция научилась выделять общую тему документов Функция выполняет семантический поиск, используя длину документа как его векторное представление

Вопрос 18 из 20

Почему тест только на знакомых примерах не подтверждает способность модели работать в новом регионе?

При переносе на другой сервер модель теряет часть старых примеров и начинает обучаться заново Для проверки обобщения достаточно одного типичного примера из нового региона В нём могут отличаться признаки, частоты и связи между ними Для нового региона нужно переписать модель на другом языке программирования и повторить тот же тест

Вопрос 19 из 20

Что изменится после выполнения этого кода?

new_cases = encoder.transform(incoming_messages)
labels = model.predict(new_cases)
store(labels)

Будет вычислен прогноз, но обучение не произойдёт Объекты автоматически добавятся к обучающему набору для следующего вызова Набор классов будет пересчитан по значениям прогнозов на новых объектах Параметры будут обновлены на переданных объектах, потому что вызов predict использует их признаки

Вопрос 20 из 20

В компании хотят использовать генеративную модель для подготовки юридических писем. Какой процесс наиболее разумен?

Поручить модели самой определить, какие факты требуют проверки, без внешних источников и ответственного специалиста Считать письмо надёжным после проверки длины, стиля и отсутствия грамматических ошибок Ограничить шаблон, подставлять проверенные факты и проводить юридическую проверку перед отправкой Отправлять письмо автоматически, если модель оценила собственную уверенность выше заданного порога

Ответьте на все 20 вопросов, чтобы получить результат

🔗 Встроить тест на свой сайт (iframe) ▼

Скопируйте код и вставьте в любое место на вашем сайте:

Также доступна прямая ссылка на embed-страницу