1. В медицине языковые модели НЕ применяются для
1) академического письма;
2) перевода текстов, в т.ч. клинических рекомендаций;
3) анализа КТ и МРТ изображений;
4) создание текстов, написания материалов для пациентов.
2. В основе компьютерного зрения лежат
1) простые алгоритмы;
2) рекуррентные нейронные сети;
3) сверточные нейронные сети;
4) трансформеры.
3. В основе проблемы черного ящика лежат все нижеперечисленные факторы, кроме
1) вероятностный принцип выдачи результата;
2) неточный или сложный запрос;
3) архитектура нейросети;
4) множественность циклов обработки информации.
4. В основе систем поддержки принятия врачебных решений лежит
1) база клинических рекомендаций;
2) трансформеры;
3) способность анализировать КТ и МРТ изображения;
4) рекуррентные нейронные сети.
5. В современном представлении концепция искусственного интеллекта сформирована в
1) XVIII веке;
2) XXI веке;
3) XX веке;
4) XII веке.
6. Глубокое обучение - это
1) ветвь искусственного интеллекта, в которой логика работы программы строится по аналогии с нервной системой человека, т.е. цепочек узкоспециализированных нейронов;
2) подвид машинного обучения, построенный на основе технологии нейронных сетей;
3) компьютерная программа, способная имитировать когнитивные функции человека - логическое мышление, обучение, запоминание;
4) ветвь искусственного интеллекта, функции которой заключаются в возможности самосовершенствования одного или нескольких аспектов программы.
7. Искусственный интеллект - это
1) технология, построенная для исполнения алгоритмически простых команд, без возможности самосовершенствования;
2) априорное свойство компьютерных программ, необходимое для исполнения простых алгоритмов;
3) свойство живой материи, необходимое для адаптации к изменяющимся условиям окружающей среды;
4) технология обработки данных, которая имитирует умственные процессы человека, такие как логическое мышление, обучение, запоминание.
8. К возможностям компьютерного зрения относятся
1) выделение подозрительных участков на изображениях;
2) предварительная разметка изображений;
3) самостоятельный анализ изображений;
4) создание алгоритмов скрининга и диагностики заболеваний.
9. К недостаткам программ глубокого обучения относится
1) потребность в больших объемах данных для тренировки и совершенствования программы;
2) проблема черного ящика;
3) неочевидность выявляемых закономерностей для стороннего наблюдателя;
4) зависимость от оператора.
10. К областям применения компьютерного зрения НЕ относится разметка и интерпретация
1) температуры тела пациента;
2) КТ-изображений;
3) гистологических препаратов;
4) МРТ-изображений.
11. К ограничениям систем поддержки принятия врачебных решений относят
1) узкий спектр применения;
2) отсутствие клинического мышления у программы;
3) возможность предоставления практикующему специалисту второго или третьего мнения;
4) требовательность к качеству формулировок вводимых данных.
12. К основным слоям в сверточных нейронных сетях НЕ относится
1) рекуррентный;
2) сверточный;
3) группирующий;
4) классифицирующий.
13. К основным функциональным задачам компьютерного зрения относятся
1) кластеризация;
2) локализация;
3) сегментация;
4) классификация.
14. К основным функциям программ машинного обучения относится
1) конволюция;
2) классификация;
3) регрессия;
4) кластеризация.
15. К причинам формирования искусственных галлюцинаций у языковых моделей относятся
1) низкое качество работы оператора при разметке исходных данных и контроле выходных данных;
2) принцип работы ИИ, приоритет задачи над точностью;
3) поверхностная оценка информации;
4) отсутствие критического мышления у нейросети.
16. Какое из нижеперечисленных утверждений НЕ верно?
1) программы глубокого обучения способны обучаться самостоятельно;
2) качество работы программ глубокого обучения ограничено качеством предварительной подготовки тренировочной выборки;
3) качество работы программ глубокого обучения сильно зависит от объема тренировочной выборки;
4) при разработке программ машинного обучения необходим оператор для контроля входных и выходных данных.
17. Какой признак из нижеперечисленных типичен для машинного обучения?
1) для тренировки программы необходим оператор;
2) исполнение кода программы сопряжено с использованием нейросетевых технологий;
3) программа способна обучаться самостоятельно, без контроля оператора;
4) отсутствует необходимость разметки исходных данных и контроля выходных данных.
18. Компьютерное зрение применяется для
1) обработки медицинского изображения в случае низкого качества снимка: удаление шума, повышение контрастности и чёткости снимка;
2) прямой коммуникации с пациентом;
3) количественной оценки анатомических образований;
4) выделения зон интереса, включающих патологические участки.
19. Компьютерное зрение - это
1) область искусственного интеллекта, предназначенная для управления станками с числовым программным управлением;
2) область искусственного интеллекта, связанная с анализом изображений и видео;
3) область искусственного интеллекта, предназначенная для формирования текста;
4) изображение, получаемое объективом веб камеры компьютера.
20. Машинное обучение - это
1) ветвь искусственного интеллекта, функции которой заключаются в возможности самосовершенствования одного или нескольких аспектов программы;
2) компьютерная программа, способная имитировать когнитивные функции человека - логическое мышление, обучение, запоминание;
3) ветвь ИИ, построенная на основе технологии нейронных сетей;
4) ветвь искусственного интеллекта, в которой логика работы программы строится по аналогии с нервной системой человека, т.е. цепочек узкоспециализированных нейронов.
21. Нейронные сети - это
1) ветвь ИИ, построенная на основе технологии нейронных сетей;
2) ветвь искусственного интеллекта, функции которой заключаются в возможности самосовершенствования одного или нескольких аспектов программы;
3) ветвь искусственного интеллекта, в которой логика работы программы строится по аналогии с нервной системой человека, т.е. цепочек узкоспециализированных нейронов;
4) компьютерная программа, способная имитировать когнитивные функции человека - логическое мышление, обучение, запоминание.
22. По мере расширения тренировочных баз в рекуррентных нейронных сетях невозможно
1) появление логической самосогласованности тезисов генерируемого текста;
2) появление новых, изначально не планировавшихся возможностей нейросети;
3) осуществить переход архитектуры сети с глубокого обучения на машинное;
4) повышение эффективности работы нейросети.
23. При создании программ машинного обучения возможны все перечисленные концепции, кроме
1) обучение без учителя с контролем данных на выходе;
2) обучение без учителя с контролем данных на входе;
3) обучение с учителем с контролем данных на входе;
4) обучение с учителем с контролем данных на выходе.
24. Рекуррентные нейронные сети применяются для
1) проектирования автопилотной навигации;
2) написания текста;
3) управления станками с числовым программным управлением;
4) сегментации изображений.
25. Рекуррентные нейронные сети также называются
1) реактивными машинами;
2) трансформерами;
3) терраформаторами;
4) конволюторами.
26. Система поддержки принятия врачебных решений - это
1) область искусственного интеллекта, предназначенная для управления станками с числовым программным управлением;
2) область искусственного интеллекта, связанная с анализом изображений и видео;
3) область искусственного интеллекта, предназначенная для формирования текста;
4) программное обеспечение, позволяющее путем интерпретации собираемой информации поддерживать принятие врачом решения на всех этапах лечебно-диагностического процесса.
27. Типичным недостатком для программ глубокого обучения является
1) проблема черного ящика;
2) зависимость от оператора;
3) необходимость предварительной разметки исходных данных и контроля выходных данных;
4) невозможность работы за пределами тренировочной выборки.
28. Что из нижеперечисленного НЕ типично для программ глубокого обучения?
1) программа способна обучаться самостоятельно, без контроля оператора;
2) для тренировки программы необходим оператор;
3) исполнение кода программы сопряжено с использованием нейросетевых технологий;
4) отсутствует необходимость разметки исходных данных и контроля выходных данных.
29. Что из нижеперечисленного не может рассматриваться в качестве средства преодоления недостатков существующих нейросетей?
1) межуниверситетская и международная кооперация;
2) формирование больших сетевых хранилищ информации;
3) сбор Big Data;
4) сужение объема рынка нейросетевых технологий.