ИСПОЛЬЗОВАНИЕ ТЕОРИИ ВЕРОЯТНОСТЕЙ АЛГОРИТМАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

THE USE OF PROBABILITY THEORY BY ARTIFICIAL INTELLIGENCE ALGORITHMS

Lazovskaya Ksenia

Student, Department of Management, Belarusian State University of Informatics and Radioelectronics,

Republic of Belarus, Minsk

Serhienya Julia

Student, Department of Management, Belarusian State University of Informatics and Radioelectronics,

Republic of Belarus, Minsk

Fedosyuk Lyudmila

Scientific Supervisor, Associate Professor, Belarusian State University of Informatics and Radioelectronics,

Republic of Belarus, Minsk

АННОТАЦИЯ

В статье анализируется роль теории вероятностей в искусственном интеллекте как фундаментального инструмента для работы с неопределенностью и принятия решений на основе неполных и случайных данных. Рассматриваются ключевые вероятностные модели и методы, а также значение калибровки вероятностей для повышения устойчивости ИИ-систем.

ABSTRACT

The article analyzes the role of probability theory in artificial intelligence as a fundamental tool for dealing with uncertainty and making decisions based on incomplete random data. Key probabilistic models and methods, the importance of probability calibration for improving the robustness of AI systems are discussed.

Ключевые слова: Теория вероятности; искусственный интеллект; алгоритм; прогноз; вероятностные модели; случайные величины.

Keywords: probability theory; artificial intelligence; algorithm; forecast; probabilistic models; random measurements.

Системы искусственного интеллекта применяют теорию вероятностей для решения проблем, прогнозирования, распознавании речи, рекомендациях, медицинской диагностике и автономной навигации – везде, где данные несортированные и неполные, вероятностная модель позволяет не только «угадать» ответ, но и измерить степень уверенности в нём [1]. Именно теория вероятностей даёт алгоритмам язык и инструменты для количественного описания неопределённых событий, объединения разнородных источников данных и принятия решений, когда «полной картины» нет. Такие элементы, как случайные величины, условная вероятность, пространство исходов, распределения вероятностей и связанные с ними характеристики формируют «грамматику» для построения моделей, которые обобщают наблюдения и прогнозируют будущие события [1, 3]. Именно от этого общего фундамента мы естественно переходим к тому, как устроено само вероятностное рассуждение и почему оно отличается от детерминированных подходов.

Вероятностное рассуждение – систематический способ оперировать неполной и несортированной информацией. Оно помогает системам ИИ принимать решения и делать прогнозы, когда им приходится иметь дело с неопределённостью. В отличие от детерминированных правил, оно присваивает гипотезам численные степени доверия и обновляет их по мере поступления новых данных. Типичные задачи: оценить скрытые причины наблюдений, выбрать оптимальное действие с учётом рисков, объединить противоречивые источники информации. Ключевой технический инструмент здесь – формула Байеса:

Рисунок 1. Формула Байеса

Эта формула не просто математическая деталь — она связывает «априорные» представления с «апостериорными» убеждениями и подводит нас к выбору конкретных модельных форм, способных реализовать такое обновление на практике [2, 4].

На практике это значит: модель начинает с обоснованной «ставки» на гипотезу и корректирует её силой свидетельств, приходящих из данных. Такой подход обеспечивает устойчивость и объяснимость изменений уверенности [2, 4]. Чтобы воплотить этот принцип в реальных системах, используют семейство вероятностных моделей, среди которых особенно удобны графовые представления.

Чтобы помочь системам ИИ понять неопределённость, используют различные типы вероятностных моделей. Чаще всего применяют графовые вероятностные модели, так как они дают наглядный способ описания сложных зависимостей. Например, байесовские сети представляют граф, где узлы — переменные, а рёбра — зависимости с вероятностями. Это позволяет явно прослеживать, как новая информация о одной переменной влияет на другие, и как обновлять убеждения через теорему Байеса [2]. Когда же важна динамика во времени и зависимость между соседними состояниями, логично обратиться к марковским конструкциям.

Ещё одной важной группой являются марковские сети и скрытые марковские модели (HMM), востребованные там, где ключевая роль у временной структуры: распознавание речи, трекинг объектов, биоинформатика. Они предсказывают будущее состояние системы на основе текущего, абстрагируясь от далёкого прошлого; HMM дополняют это скрытыми состояниями, которые не наблюдаются напрямую, но выводятся из данных статистическими методами [2]. Такие модели, естественно, сопрягаются с задачами принятия решений, где помимо вероятностей важны цели и риски.

Поддержка принятия решений помогает выбирать обоснованные действия в условиях неопределённости, оценивая вероятность разных исходов и ожидаемую полезность. Байесовский классификатор, например, предполагает условную независимость признаков при фиксированном классе, оценивает по обучающим данным и относит пример к классу с максимальным апостериорным. Несмотря на грубое предположение, модель часто выдаёт конкурентные результаты в фильтрации спама, тематической классификации и сортировке отзывов — именно потому, что вероятностная формулировка хорошо обобщает при ограниченных данных [4]. Переходя от статической классификации к действию во времени, мы приходим к обучению с подкреплением.

Вероятностные методы критичны и для обучения с подкреплением, где агент действует в среде с частично наблюдаемыми состояниями и стохастическими последствиями. Марковские процессы принятия решений (MDP) и их частично наблюдаемые расширения (POMDP) используют распределения переходов и наград; оптимальная стратегия выбирается с учётом ожидаемой суммарной награды и риска. Такая постановка учитывает случайность среды и позволяет агенту балансировать исследование и использование — ключ к устойчивому поведению в реальном мире [2]. Но качество решений определяется не только самой моделью, а ещё и тем, насколько корректно интерпретируются её вероятности.

Вероятностный взгляд пронизывает и предобработку данных. Калибровка особенно важна: «хорошая» модель не только выдаёт метки, но и сообщает реалистичную уверенность. Для медицинских или автономных систем калиброванные вероятности позволяют принимать решения с контролируемым риском (например, передавать сложные случаи человеку) [1, 2]. Вероятностный подход — это целостная методология разработки ИИ-решений. В прикладных доменах (образование, управление персоналом, промышленность) он задаёт дисциплину формулирования гипотез, сбора данных, оценки неопределённости и рисков, выбора метрик качества и построения циклов улучшений. Российские прикладные обзоры подчёркивают, что методики внедрения ИИ требуют явного учёта вероятностных характеристик данных — от риска смещения выборок до процедур тестирования и калибровки решений в конкретной отрасли [5]. Именно эта методологическая связка подводит к общему выводу.

Вывод: теория вероятностей — фундамент вычислительного мышления об окружающем мире. Она соединяет данные, модели и решения в единую схему: от априорных представлений к апостериорным убеждениям и действиям под риском. Используя различные вероятностные методы, ИИ-системы могут принимать лучшие решения, прогнозировать результаты и решать проблемы даже при сильной неопределённости.

Список литературы:

1. What is Probability Theory in AI: A Simple Guide // Bluesky Digital Assets. – 2025. [электронный ресурс] – Режим доступа. – URL: https://www.blueskydigitalassets.com/understanding-what-is-probability-theory-in-ai-a-simple-guide/ (дата обращения 26.09.2025)
2.  Basic Understanding of Bayesian Belief Networks // GeeksforGeeks. – 2025. [электронный ресурс] – Режим доступа. – URL: https://www.geeksforgeeks.org/machine-learning/basic-understanding-of-bayesian-belief-networks (дата обращения 26.09.2025)
3. Shafi. The Power of Probability in AI // Medium. – 2020. [электронный ресурс] – Режим доступа. – URL: https://medium.com/swlh/the-power-of-probability-in-ai-bfe07bbea061 (дата обращения 26.09.2025)
4. Kar G.N. Probability and its use in Artificial Intelligence // Artificial Intelligence Report. – 2020. [электронный ресурс] – Режим доступа. – URL: https://www.researchgate.net/publication/346655414_Probability_and_it%27s_use_in_Artificial_Intelligence (дата обращения 26.09.2025)
5. Пудакова В.Е. Методики использования искусственного интеллекта // Системный анализ, управление и обработка информации. – 2023. [электронный ресурс] – Режим доступа. – URL: https://cyberleninka.ru/article/n/metodiki-ispolzovaniya-iskusstvennogo-intellekta (дата обращения 26.09.2025)