Типы ИИ: подробное руководство

Если кажется, что искусственный интеллект (ИИ) внезапно повсюду, так и есть. Согласно недавним исследованиям McKinsey, глобальное внедрение ИИ выросло с примерно 50–60% организаций в 2020–2021 годах до впечатляющих 88% в 2025 году.

Однако этот стремительный рост породил языковую проблему. «ИИ» превратился в универсальный модный ярлык для принципиально разных технологий. Им одинаково называют простые чат-боты на правилах, генераторы изображений и футуристичных роботов из научной фантастики.

Для специалистов по данным такая неопределённость — препятствие. Когда заинтересованная сторона просит «решение на ИИ», важно понять: им нужен простой регрессионный модуль, генеративный агент или система компьютерного зрения?

В этом подробном руководстве мы разберёмся с терминологией. Мы не ограничимся списком определений; вместо этого рассмотрим четыре разных ракурса: как ИИ устроен, что умеет, как принимает решения и как вписывается в реальные рабочие процессы.

Если вы только знакомитесь с темой, рекомендуем курс Understanding Artificial Intelligence.

Что такое ИИ?

Искусственный интеллект (ИИ) — это раздел информатики, который создаёт интеллектуальных агентов, способных выполнять задачи, обычно требующие человеческого интеллекта, такие как решение задач, распознавание речи и принятие решений.

ИИ — междисциплинарная область с множеством подходов. Он может быть основан на правилах (работать по заранее заданным условиям) или использовать алгоритмы машинного обучения для обучения на данных, позволяя системам адаптироваться к непредвиденным ситуациям.

Тем не менее дать точное определение ИИ удивительно сложно из‑за феномена, который исследователи называют «эффектом ИИ». Это сдвиг общественного восприятия: по мере взросления технологий их перестают называть «ИИ» и начинают считать обычным софтом. 

Из‑за подвижности определения и широты области одной классификации недостаточно. Нужны несколько оптик, чтобы увидеть полную картину:

• Технологии: Базовые алгоритмы и архитектуры. 
• Возможности: Оценка уровня «интеллектуальности» — от узкого до сверхинтеллекта.
• Функциональность: Как системы обрабатывают информацию и поддерживают память?

Например, беспилотный автомобиль можно одновременно классифицировать по трём осям:

• Узкий ИИ (по специфической способности).
• Глубокое обучение (по базовой технологии).
• Ограниченная память (по функциональности).

В следующих разделах мы подробно рассмотрим эти типы.

Для сугубо нетехнического введения рекомендуем наш материал AI Guide for Beginners.

Типы ИИ по технологиям

Самый строгий способ классифицировать ИИ — по базовой технологии, «двигателю» системы. Эта классификация разделяет системы по способу обработки и обучения на данных. Рассмотрим основные типы.

Машинное обучение

Машинное обучение (ML) — это подмножество ИИ, сосредоточенное на системах, которые учатся на данных и улучшаются без явного программирования под каждое правило. Вместо того чтобы писать «если это, то то», вы подаёте алгоритму данные и позволяете ему находить закономерности.

В машинном обучении выделяют три основных парадигмы, каждая подходит для своего класса задач:

• Обучение с учителем: Самый распространённый в бизнесе подход. Использует размеченные данные (пары «вход–выход») для обучения алгоритмов. Например, вы показываете модели 1000 писем с метками «Спам» и «Не спам», и она учится классифицировать следующее письмо. Популярные алгоритмы: линейная регрессия, k-ближайших соседей (KNN) и деревья решений.
• Обучение без учителя: Алгоритм получает неразмеченные данные и сам находит скрытые структуры или паттерны. Часто применяется для сегментации клиентов (кластеризация). Наиболее известные методы — k-средних и метод главных компонент (PCA).
• Обучение с подкреплением (RL): Принципиально иной путь: агенты учатся методом проб и ошибок с системой вознаграждений и штрафов. Агент получает обратную связь о взаимодействии со средой и постепенно осваивает поведение, максимизирующее суммарную награду. Так обучают роботов и сильные игровые ИИ, например AlphaGo.

Чтобы заложить прочный фундамент в ML, рекомендуем пройти обучающую траекторию Machine Learning Fundamentals with Python.

Глубокое обучение

Глубокое обучение (DL) — специализированное подмножество ML, вдохновлённое структурой человеческого мозга. Оно использует искусственные нейросети с множеством слоёв («глубокие») для моделирования сложных, нелинейных зависимостей в больших массивах данных. В то время как традиционные ML‑модели могут «потолочиться» при росте данных, DL часто продолжает улучшаться.

Ключевые архитектуры:

• Свёрточные нейросети (CNN): Золотой стандарт для обработки изображений. Используют «фильтры» для автоматического сканирования изображений и выявления иерархий признаков — от краёв и форм до текстур.
• Рекуррентные нейросети (RNN): Предназначены для последовательных данных, например временных рядов или речи. Поддерживают «память» о прошлых входах, влияющую на текущий вывод.
• Трансформеры: Архитектура современных больших языковых моделей (LLM), таких как GPT 5.2 и Gemini 3. Используют механизм внимания для одновременной обработки последовательностей, взвешивая важность слов относительно друг друга, а не по одному.
• Соревновательные генеративные сети (GAN): Два соперничающих модуля: «генератор» создаёт фейки, «дискриминатор» пытается их распознать. Такое соревнование даёт крайне реалистичный синтетический вывод.
• Диффузионные модели: Движок инструментов вроде Midjourney. Генерируют качественные изображения, обучаясь поэтапно «разшумлять» случайный шум до чёткой картинки.

Если хотите сами строить такие модели, начните с курса Introduction to Deep Learning with PyTorch.

Обработка естественного языка

Обработка естественного языка (NLP) позволяет компьютерам понимать, интерпретировать и генерировать человеческую речь осмысленно. NLP связывает человеческую коммуникацию и машинное понимание, справляясь с неоднозначностью, зависимостью от контекста и сложностью естественного языка.

Ключевые приёмы: 

• Анализ тональности: Определение эмоциональной окраски фразы, например классификация отзыва как положительного или отрицательного
• Распознавание именованных сущностей (NER): Выделение в тексте людей, мест и т. п.
• Токенизация: Разбиение текста на меньшие единицы — слова, слоги или даже символы

Ниже — пример анализа тональности с помощью transformers в Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Компьютерное зрение

Компьютерное зрение позволяет машинам извлекать смысл из цифровых изображений и видео, то есть воспринимать и понимать визуальные данные, подобно человеческому зрению. Область охватывает распознавание объектов, измерение расстояний и даже выявление шаблонов, невидимых человеку.

Системы компьютерного зрения сочетают методы обработки изображений и машинного обучения, прежде всего глубокого, извлекая всё более абстрактные представления из «сырых» визуальных данных. Ключевые задачи:

• Классификация изображений: Определение, что изображено (например, «Это кот»).
• Обнаружение объектов: Локализация объектов (например, «Пешеход в координатах x,y»).
• Распознавание лиц: Подтверждение личности по чертам лица.

Одна из наиболее значимых сфер применения — медицинская визуализация: системы ИИ обнаруживают опухоли на рентгеновских снимках, КТ и МРТ с точностью, сопоставимой или превосходящей работу радиологов. Эти системы не заменяют специалистов, а помогают им — например, помечая потенциальные аномалии для экспертной проверки.

Обработка аудио

Обработка аудио сосредоточена на распознавании, интерпретации и синтезе звуковых сигналов — как человеческой речи, так и звуков окружающей среды. Цель — чтобы машины «слышали», понимали и генерировали аудио, связывая акустические волны с семантическим смыслом. 

Автоматическое распознавание речи (ASR) преобразует устную речь в текст и лежит в основе голосовых ассистентов, сервисов транскрибации и инструментов доступности. Современные ASR‑системы используют трансформеры, напрямую сопоставляя звуковые волны с текстовыми последовательностями, достигая почти человеческой точности на чистой речи и постепенно улучшаясь в шуме и с акцентами. 

Синтез речи (TTS), например в Amazon Polly, решает обратную задачу: генерирует естественное звучание из текста с помощью нейровокодеров, передающих правдоподобную просодию, интонацию и эмоции. Современные TTS‑системы могут клонировать голос по нескольким минутам записи, открывая креативные возможности и вызывая этические вопросы.

Применения выходят за рамки речевой обработки в креативные и практические сферы. Клонирование голоса позволяет создавать персональных ассистентов, озвучивать аудиокниги единым голосом и порождает спорные дипфейки аудио.

Робототехника и воплощённый ИИ

Это пересечение ИИ и инженерии. Воплощённый ИИ — это когда продвинутые «мозги» (например, модели зрения-языка) помещают в физические тела роботов. Пока большая часть ИИ существует в цифре, воплощённый ИИ сталкивается с гравитацией, трением и непредсказуемой сложностью реального мира. 

Такое «заземление» добавляет задачи, отсутствующие у чисто вычислительного ИИ, но даёт прямое взаимодействие с физическим миром. Традиционные роботы требовали явного программирования под каждую задачу — инженеры вручную кодировали движения и деревья решений для получения нужного результата. 

Современные системы воплощённого ИИ понимают команды на естественном языке — «подними яблоко», «открой дверь» — используя компьютерное зрение для идентификации объектов и планирования действий без узкоспециализированного программирования. 

Этот прогресс отвечает парадоксу Моравека: то, что для людей тривиально — сложить бельё, открыть дверь, пройти по захламлённой комнате, — для роботов чрезвычайно сложно, тогда как шахматы или вычисления, трудные для людей, ИИ даются легче. 

Воплощённый ИИ на базе фундаментальных моделей постепенно закрывает этот разрыв, давая роботам восприятие и адаптивное планирование, которые мы принимаем как должное. Примеры — бытовые пылесосы‑роботы, промышленные коллаборативные роботы (коботы) и продвинутые гуманоиды, такие как Atlas от Boston Dynamics.

Типы ИИ по возможностям

Если технологии описывают, как ИИ устроен, то возможности — что он умеет относительно человека. Такая классификация — это своего рода лента времени эволюции ИИ от текущих ограничений к теоретическим будущим.

Узкий искусственный интеллект

Artificial Narrow Intelligence (ANI), или «слабый» ИИ, — это тот ИИ, что существует сегодня. Это системы, блестяще решающие конкретные, заранее определённые задачи, но полностью проваливающиеся за пределами узких рамок обучения. Шахматный бот не поведёт машину, а медицинский диагностический инструмент не напишет стихотворение.

Однако понимание «узкости» расширяется. Современный фронтир — продвинутые мультимодальные большие языковые модели (LLM). Появляются модели вроде GPT-5.2 и Gemini 3, способные одновременно обрабатывать текст, аудио и визуальные входы. 

Хотя они имитируют рассуждение, им по‑прежнему не хватает подлинного понимания мира. Разработчики интегрируют эти системы ANI в приложения через API.

Следующий шаг в рамках ANI — агентный ИИ (Agentic AI). Это системы, выходящие за рамки пассивного чата: они автономно выполняют многошаговые действия, например бронируют перелёт через веб, становясь мостом к более общей интеллектуальности.

Общий искусственный интеллект

Artificial General Intelligence (AGI) — «святой грааль» исследований ИИ. Теоретическая стадия, на которой машина способна учиться, рассуждать и решать задачи в несвязанных областях, сопоставимо с гибкостью человеческого мышления.

Ключевое различие — в обобщении. Система ANI, обученная португальскому, не сможет быстрее выучить испанский за счёт переноса. Система AGI применит логику из одной области в другую без ручного дообучения.

Сроки появления AGI вызывают острые споры. Оптимисты из отрасли называют 2026–2029 годы. Скептики утверждают, что у нас нет базовой архитектуры (в частности, точных «мировых моделей») для этого, и относят AGI к 2040 году или позже.

Сверхинтеллект

Искусственный сверхинтеллект (ASI) — гипотетический этап, когда ИИ превосходит самых умных людей практически во всём: научном творчестве, мудрости, социальных навыках, решении задач. ASI не просто сравняется с Эйнштейном или да Винчи; он превзойдёт их так же разительно, как они превосходили средний интеллект.

Главная тревога вокруг ASI — рекурсивное самоулучшение: ASI перепроектирует собственную архитектуру, чтобы стать умнее, а затем с помощью возросшего интеллекта улучшит себя ещё больше, запуская «разбегающуюся» петлю экспоненциального роста. 

Такой «взрыв интеллекта» может быстро породить системы, столь далеко выходящие за пределы человеческого понимания, что предсказать их поведение станет невозможно, что поднимает серьёзные вопросы о согласовании и контроле. Если цели ASI хоть чуть‑чуть не совпадут с человеческими ценностями, его превосходный интеллект может добиваться их способами, вредными для людей.

Достоверной «дорожной карты» к ASI не существует, и многие исследователи сомневаются, достижим ли сверхинтеллект в принципе. Тем не менее сама теоретическая возможность ASI мотивирует серьёзные исследования по согласованию ИИ, чтобы растущие по возможностям системы оставались полезными и управляемыми. 

Типы ИИ по функциональности

Если возможности — это мощность, то функциональность — это то, как система взаимодействует с миром и обрабатывает данные. Эта классификация позволяет различать шахматный компьютер 1990‑х и социальных роботов будущего. Рассмотрим каждый тип.

Реактивные машины

Реактивные машины — самый базовый и старый тип ИИ. У таких систем нет понятия прошлого или будущего: они работают строго по текущим входам согласно заранее заданным правилам.

Определяющая черта реактивного ИИ — отсутствие состояния и детерминизм. Если подать один и тот же вход десять раз, он десять раз выдаст один и тот же выход. Учиться на опыте он не может, потому что не хранит память.

Хороший пример — Deep Blue от IBM, компьютер, обыгравший Гарри Каспарова. Он не изучал психологию Каспарова, а просто считал лучший ход из текущей позиции. Стандартные спам‑фильтры, отмечающие ключевые слова без анализа вашей почтовой истории, тоже из этой категории.

ИИ с ограниченной памятью

ИИ с ограниченной памятью доминирует в современных приложениях. Временно сохраняя недавние данные или контекст для обоснованных решений, такие системы ведут себя динамично. В отличие от реактивных машин, они обращаются к истории в пределах ограниченного оконного контекста.

Почти все инструменты предиктивного и генеративного ИИ сегодня относятся к этой категории. LLM вроде Claude Opus 4.5 поддерживают историю диалога, помня сказанное несколько минут назад, и выдают связные ответы, опирающиеся на предыдущее. Размер контекстного окна определяет, сколько прошлой информации система может учитывать. 

Беспилотные автомобили отслеживают скорость и траекторию соседних машин в течение нескольких секунд, предсказывая их будущие позиции, а не реагируя лишь на текущее местоположение.

ИИ с «теорией разума»

ИИ с «теорией разума» занимает спорную позицию между исследовательским прототипом и практической возможностью. Такие системы моделируют психические состояния человека — убеждения, намерения, эмоции, желания — чтобы точнее предсказывать поведение. 

Это важно для естественного социального взаимодействия: ИИ сможет считывать неявные сигналы, выявлять обман и подстраивать ответы под настроение пользователя. 

Ранние пограничные модели, например GPT-4 от OpenAI, показывали результаты на уровне человека в тестах на ложные убеждения (false belief), предсказывая действия на основе неверных представлений — см. исследование Михала Козиньского (Стэнфорд) в PNAS, 2024. 

Однако эксперты спорят, означает ли это, что современные LLM уже можно считать подлинными системами с «теорией разума», или это всего лишь языковое сопоставление шаблонов. Среди прототипов — ToMnet от DeepMind, созданная для вывода убеждений агентов в симулированных средах.

Самосознающий ИИ

Самосознающий ИИ — концепция машин, обладающих сознанием, чувственностью и ясным пониманием собственного «я», отличного от внешнего мира. 

Речь не просто об интеллекте, а о субъективном опыте. Такая машина не только обрабатывала бы информацию о себе, но и «ощущала» бы собственное существование, имела бы чувства, потребности и желания.

Этот уровень выходит за рамки вычислений и уводит к философским вопросам о природе сознания. Может ли самосознающий ИИ испытывать боль, удовольствие или страх отключения? Заслуживает ли он морального статуса или прав? Здесь разговор смещается из инженерии в этику.

Никакие существующие системы к этому уровню не приближаются. Фантастические примеры — HAL 9000 из «Космической одиссеи 2001 года» или Дейта из «Звёздного пути» — лишь иллюстрации; остаётся спорным, достижимо ли это вообще.

Ключевые типы моделей ИИ

Помимо общей теории, специалистам по данным важно понимать конкретные архитектуры, которые встречаются в продакшене. В целом модели ИИ в индустрии сегодня можно разделить на «создателей» и «аналитиков». Подробности — в материале о генеративных и дискриминативных моделях.

Генеративный ИИ: создатели

Генеративные модели создают новые объекты данных, похожие на обучающие. Они изучают базовое распределение вероятностей в наборе данных и генерируют оригинальные тексты, изображения, код или аудио. Этот переход от анализа к созданию открывает возможности масштабной генерации контента, творческого усиления и моделирования. 

Популярные примеры — LLM вроде Claude для письма и кодирования, диффузионные модели вроде Midjourney или Nano Banana Pro для синтеза изображений, а также модели генерации видео, такие как Sora, способные симулировать сложные сцены. Важно: не все генераторы изображений основаны на диффузии; модели вроде GPT Image 1.5 используют авторегрессию.

Генеративный ИИ — крупный шаг для агентных сценариев: модели не только отвечают, но и активно создают активы или планы. К агентам вернёмся позже.

Дискриминативный ИИ: аналитики

Пока генеративный ИИ на виду, дискриминативный (он же предиктивный) остаётся опорой корпоративных процессов. Эти модели не создают новые данные; они учатся границе между классами, чтобы классифицировать входы или предсказывать будущие значения.

Ценность для бизнеса — в поддержке принятия решений и оценке рисков. Такие модели автоматизируют суждения, требующие последовательного применения выученных критериев.

В отличие от генеративных, дискриминативные модели не стремятся к креативности, а приоритизируют точность и надёжность, зачастую работая в высокорисковых сценариях, где ошибки дороги.

Примеры:

• Кредитные скоринговые модели, прогнозирующие риск дефолта.
• Спам‑фильтры, классифицирующие письма как нежелательные или легитимные.
• Медицинские диагностические инструменты, выявляющие аномалии на рентгене.
• Финансовый мониторинг для обнаружения мошеннических транзакций. 

Фундаментальные модели

Фундаментальные модели обучаются на огромных и разнородных данных — тексте, изображениях, коде, структурированных данных, — осваивая общие паттерны, применимые в разных доменах. Такая модель не просто классифицирует картинки или генерирует текст; она формирует широкое понимание языка, рассуждений и знаний о мире, которое переносится на новые задачи с минимальным дообучением.

Этот подход резко сокращает время и объём данных для внедрения ИИ в новых приложениях. Вместо построения отдельной модели под каждую задачу организации дообучают одну фундаментальную модель для разных задач — от анализа юридических документов до генерации кода и перевода.

Сейчас набирают популярность малые языковые модели (SLM) — эффективные, дистиллированные версии фундаментальных моделей, которые запускаются локально (на ноутбуках и телефонах), обеспечивая приватность и скорость без колоссальных облачных затрат.

Типы ИИ‑агентов

ИИ эволюционирует от пассивных инструментов к автономным агентам, способным выполнять сложные процессы. Если стандартная модель ждёт вход — и выдаёт выход, то ИИ‑агент воспринимает окружение, рассуждает о способах достижения цели и действует для её выполнения. Чтобы понять архитектуру агентов и научиться их строить, рекомендуем курс Introduction to AI Agents.

Типы ИИ‑агентов обычно классифицируют по уровню сложности и автономности. Рассмотрим их.

Простые рефлекторные агенты

Рефлекторные агенты — самая простая форма. Они работают по жёстким правилам «условие — действие», реагируя только на текущие восприятия и игнорируя историю. Умный термостат — наглядный пример: если температура ниже 68°F — включить отопление; выше 72°F — включить охлаждение. 

Роботы на конвейере — ещё один пример: они действуют, когда датчики фиксируют, что деталь достигла нужного положения. Рефлекторные агенты хороши в повторяющихся задачах в стабильной среде, но плохо справляются с неожиданными изменениями из‑за отсутствия контекстного понимания.

Моделированные рефлекторные агенты

Моделированные рефлекторные агенты поддерживают внутреннюю модель мира, отслеживая состояние во времени, чтобы работать в частично наблюдаемых средах. Они не только реагируют, но и запоминают важную информацию.

Системы экстренного автоторможения объединяют данные радара и камер, отслеживая траектории машин во времени, а не реагируя лишь на мгновенные угрозы. Они поддерживают точные оценки состояния даже при неполной информации — например, «помнят» примерную позицию авто, скрывшегося за грузовиком.

Целеориентированные агенты

Целеориентированные агенты действуют ради достижения конкретных целей, а не просто реагируют. Получив цель «спланировать отпуск в Италии», они рассматривают несколько последовательностей действий и выбирают ту, что приводит к успеху. Это передний край агентного ИИ.

Инструменты вроде Roo Code для разработки ПО или автономные ассистенты бронирования выполняют многошаговые процессы: поиск, сравнение, проверка ограничений и принятие решений для завершения всей задачи. Платформы рабочих процессов, такие как n8n, позволяют строить сложные пайплайны, где ИИ‑агенты обрабатывают развилки и адаптивную логику.

Чтобы заложить прочную базу в ИИ‑агентах, рекомендуем траекторию AI Agent Fundamentals.

Агенты, оптимизирующие полезность 

Эти агенты идут дальше: они оптимизируют не любой рабочий путь к цели, а наилучший. Для этого используют функции полезности, присваивающие исходам числовые оценки для количественного сравнения. 

Если целеориентированный агент просто забронирует любой рейс в Рим, то агент, оптимизирующий полезность, учтёт стоимость, длительность, пересадки и время вылета, чтобы максимизировать общую выгоду.

Примеры: алгоритмическая торговля, где балансируют прибыль и риск, и навигаторы вроде Waze, оптимизирующие маршрут по предпочтениям — быстрее, короче или без платных дорог.

Обучающиеся агенты

Обучающиеся агенты работают в неизвестных или меняющихся средах, непрерывно улучшаясь на опыте без участия человека. Архитектура включает «критика», дающего обратную связь, и обучающий компонент, который меняет стратегию агента. 

Марсоходы учатся распознавать безопасный рельеф по мере встречи с новыми геологическими формациями. Алгоритм рекомендаций Netflix — другой пример: он постоянно уточняет понимание вкусов пользователя по истории просмотров, улучшая предложения со временем.

Агентные фреймворки: как строят агентов

Агентные фреймворки — это операционная среда для сложных агентов, соединяющая «ядро рассуждений» (обычно LLM) с памятью, инструментами и координацией нескольких агентов. Они обеспечивают:

• Оркестрацию: Кто из агентов решает подзадачу и как управляется поток между компонентами
• Планирование: Декомпозицию сложных целей на шаги и адаптацию при изменениях
• Использование инструментов: Доступ к поиску, БД, API или выполнению кода
• Память: Поддержание истории взаимодействий и долгосрочного контекста

Популярные фреймворки:

• LangChain/LangGraph: Отраслевой стандарт для подключения LLM к источникам данных с обширными интеграциями.
• Google ADK: Open-source‑фреймворк для построения сложных агентов на Vertex AI.
• CrewAI: Оркестрация нескольких агентов‑ролей, сотрудничающих над сложными задачами.

Для быстрой шпаргалки по архитектурам рекомендуем AI Agents cheat sheet. 

Заключение

Мы прошли большой путь — подытожим. 

Вместо того чтобы видеть в ИИ монолитную технологию, стоит признать его экосистемой специализированных подходов, каждый из которых лучше подходит под свои задачи. Полноценное понимание требует смотреть на ИИ через три линзы: технологии, возможности и функциональность.

Сегодня мы на переломном этапе: от узкого ИИ, решающего конкретные задачи, к ранним формам агентного ИИ, который автономно исполняет сложные рабочие процессы. Это критический момент для внедрения во всех отраслях.

Сделайте первый шаг к экспертизе в ИИ — запишитесь на обучающую траекторию AI Fundamentals.