Как ребёнок обучил нейросеть за 10 минут

Маше 11 лет. Она учится в пятом классе, любит рисовать котиков в тетрадке на уроках математики и никогда в жизни не писала ни строчки кода. В субботу утром она пришла на второй урок Umanisi — с ноутбуком мамы и чашкой какао — и за следующие полчаса обучила собственную нейросеть. Вот как это было.

Обычный ребёнок, обычный ноутбук

Когда мы говорим об «обучении нейросети», у большинства взрослых в голове возникает образ: тёмный экран с бегущими строками кода, бородатый программист, месяцы работы. Маша ничего этого не знала — и именно поэтому у неё всё получилось.

Перед ней стоял обычный ноутбук с браузером и встроенная веб-камера. Преподаватель открыл страницу Google Teachable Machine — бесплатного инструмента, который Google создал специально для того, чтобы любой человек мог обучить простую модель машинного обучения прямо в браузере, без установки программ и без знания программирования.

«Маша, сегодня ты научишь компьютер узнавать твои рисунки», — сказал преподаватель. Маша посмотрела на экран. «Как это?» — спросила она. «Покажешь ему примеры, и он поймёт».

Шаг за шагом: от чистого экрана до работающей модели

Вот что происходило дальше — шаг за шагом, минута за минутой.

1. Открыла Google Teachable Machine. Интерфейс простой: три колонки с подписями «Class 1», «Class 2», «Class 3». Маша сразу переименовала их — «кот», «собака», «дом». Она же художник, ей важны детали.
2. Нарисовала три рисунка на листе бумаги. Схематичный кот с ушками, собака с хвостом, дом с трубой. Именно такие, как она обычно рисует на полях тетрадей. Никакого профессионализма — чем проще, тем лучше для эксперимента.
3. Начала собирать примеры через веб-камеру. Для каждого класса нужно было показать рисунок камере и нажать кнопку записи — Teachable Machine делает снимки быстро, один за другим. Маша набрала по 20 фотографий на каждый класс. Двадцать котов, двадцать собак, двадцать домов. Всего 60 примеров — обучающая выборка готова.
4. Нажала «Train Model» и стала ждать. Прогресс-бар пополз вправо. На экране появились цифры — «эпоха 1 из 50», «эпоха 2 из 50»… «Что такое эпоха?» — спросила Маша. «Один проход нейросети по всем твоим картинкам», — объяснил преподаватель. «Значит, она смотрит на них снова и снова?» — «Именно».
5. Запустила тест. Когда обучение завершилось, Маша показала камере рисунок кота. Справа появилась надпись: «кот — 94%». Она засмеялась. Показала собаку — «собака — 89%». Дом — «дом — 97%». «Оно работает!» — сказала она так, будто сама этому удивилась.

На всё это ушло около десяти минут. Но настоящий урок начался именно здесь.

Когда нейросеть ошиблась — и это было лучшим, что могло случиться

Маша начала экспериментировать. Она показала камере кота — но нарисованного на другом листе бумаги, более тёмном. Нейросеть сказала: «дом — 61%». Неправильно.

Она попробовала ещё раз с другим освещением — лампа светила сбоку. Снова ошибка. Показала рисунок издалека — неверный ответ. «Почему она не узнаёт?» — спросила Маша, и в её голосе звучало не разочарование, а настоящее любопытство.

Преподаватель не торопился с ответом. «Подумай сама: что изменилось между теми фото, на которых она обучалась, и тем, что ты ей показываешь сейчас?»

Маша задумалась. «Цвет бумаги? Свет?» — «Верно. Она видела только белую бумагу при одном освещении. Она выучила не столько кота, сколько «кот на белом листе при дневном свете»».

«Получается, она не знает, что такое кот на самом деле. Она просто запомнила, как выглядели мои фотки?» — Маша, 11 лет

Именно так. В этой фразе — суть того, что исследователи называют переобучением и смещением данных. Маша открыла это сама, через собственный опыт, за двадцать минут.

Итерация: добавить разнообразия — и снова обучить

«Как исправить?» — спросила Маша. «Как думаешь?» — ответил преподаватель.

Она начала действовать сама. Достала цветные карандаши и нарисовала ещё несколько вариантов — кот на синем фоне, кот на мятой бумаге, кот при свете телефонного фонарика. Добавила по 15 новых примеров в каждый класс. Нажала «Train» снова.

Новая модель справлялась лучше. Когда Маша показала «трудный» рисунок на тёмном листе — нейросеть ответила правильно. Точность выросла не до идеала, но заметно. «Она стала умнее!» — обрадовалась Маша.

«Нет», — мягко поправил преподаватель. «Она не стала умнее. Ты стала умнее — и дала ей лучшие данные».

«Ага-момент»: ИИ учится точно так же, как я

В конце занятия преподаватель спросил Машу: «Как, по-твоему, нейросеть понимает, что такое кот?»

Она немного помолчала. «Ну… она видела много картинок котов. И много картинок, которые котами не были. И запомнила разницу. Как я запомнила, что «же» пишется через «е», потому что видела это много раз и меня поправляли, когда я ошибалась».

Лучшей аналогии не придумать. Нейросеть учится на примерах — точно так же, как учится ребёнок. Разница в том, что ребёнок понимает смысл, а нейросеть — паттерны. Но сам принцип: «показывай примеры, исправляй ошибки, повторяй» — универсален.

«Меня больше всего удивило, что ей не нужно объяснять. Просто показываешь — и она сама разбирается. Немного как когда маленький ребёнок учится, только быстрее.» — Маша, 11 лет

Что Маша выучила, сама того не заметив

Если спросить Машу, чему она научилась на уроке, она скажет: «обучила нейросеть». Но за этим простым ответом — целый пласт понятий, которые обычно проходят в университетах на третьем курсе специальности «машинное обучение»:

• Обучающая выборка (training data). Маша поняла, что качество модели определяется качеством данных, на которых она обучена — не алгоритмом и не мощностью компьютера.
• Классификация. Задача разбить входные данные на заранее определённые категории — одна из самых распространённых задач в промышленном ИИ.
• Смещение данных (data bias). Модель «предвзята» в сторону тех условий, в которых видела примеры. Именно это лежит в основе многих проблем современных ИИ-систем.
• Итеративная разработка. Ни одна модель не получается с первого раза. Цикл «обучение — тестирование — улучшение» — это не признак неудачи, а нормальный рабочий процесс.
• Обобщение (generalization). Хорошая модель должна работать не только на данных, которые она видела, но и на новых примерах. Маша столкнулась с этой проблемой напрямую.

Ни одно из этих слов на уроке не звучало. Но все эти идеи — были пережиты.

Педагогика: сначала ошибка, потом понимание

Ключевой момент урока — это не когда всё заработало, а когда нейросеть ошиблась. Именно ошибка создала вопрос. Именно вопрос заставил думать. Именно поиск ответа привёл к пониманию.

Традиционный подход к обучению работает наоборот: сначала теория, потом практика. Сначала объяснение, потом применение. Но в этом случае объяснение, полученное до опыта, остаётся абстракцией — его не к чему прикрепить. Ребёнок кивает, но не понимает.

Методика Umanisi построена иначе: сначала делаешь, потом понимаешь зачем. Ошибка — это не неудача, которую нужно избежать. Это педагогический инструмент. Когда нейросеть Маши неправильно определила кота — это был запланированный момент урока, а не случайность.

Именно поэтому в наших занятиях нет слайдов с определениями в начале. Первое, что делает ребёнок — пробует. Второе — сталкивается с неожиданностью. Третье — задаёт вопрос. И только тогда преподаватель объясняет.

Взгляд родителей: что они заметили

Мама Маши, Анна, ждала в соседней комнате. После урока она спросила дочь, как прошло занятие. Маша вместо ответа открыла ноутбук и начала показывать — как всё работает, где ошибается, почему она добавила новые примеры.

«Она объясняла мне минут двадцать», — рассказывает Анна. — «Я такое вижу редко. Обычно после школы на вопрос «что было?» — «ничего, нормально». А тут она сама хотела рассказать. Было видно, что она что-то по-настоящему поняла, а не просто выполнила задание».

Анна также отметила кое-что неожиданное: «На следующий день она достала альбом и начала рисовать — но уже специально делала одни и те же рисунки на разных фонах. Говорит, хочет обучить нейросеть лучше в следующий раз. Я даже не ожидала такого продолжения».

Это и есть признак настоящего обучения: когда ребёнок продолжает думать об уроке на следующий день. Не потому что задали домашнее задание, а потому что стало интересно.

Это может любой ребёнок

История Маши — не исключение. Это стандартный формат второго урока курса Umanisi, и каждый ребёнок проходит через похожий опыт. Разные дети выбирают разные категории — кто-то классифицирует виды транспорта, кто-то жесты рук, кто-то — собственные гримасы перед камерой. Суть одна.

Для этого не нужно:

• знать программирование — ни строчки кода
• иметь мощный компьютер — хватит любого ноутбука с браузером
• быть «технарём» — Маша гуманитарий, любит русский язык и рисование
• тратить часы — от открытия браузера до работающей модели проходит 10 минут

Нужно только одно: готовность попробовать. И немного любопытства, когда что-то пойдёт не так — а оно обязательно пойдёт, и это будет лучшей частью урока.

Понимание того, как работает искусственный интеллект, — это не привилегия программистов. Это базовая грамотность XXI века. И начинать её можно в 11 лет, с рисунком кота в руках и веб-камерой перед носом.

Что дальше?

После этого урока Маша знает, что такое обучающая выборка. Она понимает, что ИИ — это не магия и не разум, а машина, которая ищет закономерности в данных, которые ей показали. Она знает, что ошибки модели — это информация, а не провал.

На следующих уроках она пойдёт дальше: узнает, как работают языковые модели, попробует создать собственного чат-бота, разберётся, почему одни данные «лучше» других. Но фундамент — тот самый «ага-момент» с котом и тёмной бумагой — уже заложен.

Нейросети — это не страшно. Это интересно. И это начинается с рисунка, веб-камеры и десяти минут времени.