Все очень классно и интересно, но прооппонируем сообщению коллег ⬇️

Список классических задач для ИИ вне зависимости от отрасли применения примерно следующий:
- Классификация и кластеризация
- Прогнозирование и предсказание
- Распознавание и детектирование
- Обработка естественного языка
- Машинное обучение и выявление аномалий
- Генерация контента + языковые модели.

Первый и второй тип приведенных задач - это генеративные ИИ-ассистенты (они же LLM, которые по сути становятся интерфейсом для в большой мир знаний и навыков). Здесь все - от генерации контента до проектирования и концептуализации. Сюда же - оценка, симуляция и тренажеры. Уже сейчас LLM могут симулировать те или иные ситуации, оценивать скиллы пользователя и давать ему возможность потренироваться. Попробуйте, например, поиграть в викторину с Алисой или потренироваться в бесконфликтном общении и аргументации с ней же. Это оно.

Третий и четвертый тип задач - это чистейший ML, приземленный на учебные датасеты, и классификация с последующей рекомендацией. То есть разделение и сборка учебных данных по определенным признакам.

Пятый тип, кажется, вообще не является типом, потому что ИИ используется в тех же самых задачах, что и в любых других отраслях. Но мы, например, собственными глазами видели пример вайб-кодинга в науке, когда дизайн научного исследования был собран буквально за 30 минут с помощью генеративных нейросетей и отправлен на согласование научному руководителю.

Исходный пост ниже ⬇️