Нейросеть и машинное обучение: картинки без путаницы
Нейросеть и машинное обучение: картинки должны объяснять связь понятий. Разбираю схему для вводного слайда, код Mermaid и ошибки, которые скрывает красивый фон.
Евгений
Дизайнер-партнёр LibraChat
6 мин чтения
Нейросеть и машинное обучение легко изобразить одинаково: светящийся мозг, линии, точки. Только такая картинка не объяснит, как связаны понятия. Для вводного слайда я выбираю другую задачу: показать нейросетевые подходы внутри машинного обучения и оставить место другим моделям. Ниже разберу, какую схему для этого собирать, дам её код и покажу, что проверить до украшения слайда.
Я однажды поставил в макете два равных круга рядом. Слева написал «машинное обучение», справа — «нейросеть». Смотрелось аккуратно. Но расположение предлагало ложный выбор между двумя равноправными областями. Я переделал композицию: здесь полезнее отношение включения, а не соревнование. Ошибка была в смысле картинки, и цветом её исправить невозможно.
Нейросеть и машинное обучение — две отдельные технологии?
Для вводного объяснения я использую такую связь: нейросетевые модели относятся к подходам машинного обучения, но машинное обучение ими не исчерпывается. Есть, например, деревья решений и линейные модели. Эти различия отражены в словаре машинного обучения Google. Поэтому общий контейнер должен оставлять пространство за пределами нейросетей.
Глубокое обучение обычно связывают с многослойными нейросетевыми моделями. На учебном слайде можно расположить его внутри нейросетевых подходов. Но я бы не превращал вводную картинку в подробную классификацию всех методов. Её задача скромнее: помочь зрителю перестать использовать широкое и узкое понятия как полные синонимы.
Есть и другая ловушка. Крупный внешний блок может восприниматься как «более сильная технология», а маленький внутренний — как слабая. Я подписываю отношение словами, чтобы размер не стал рейтингом качества. Нейросеть не лучше и не хуже любого другого метода только по принадлежности к категории. Подход выбирают под задачу и условия работы.
Из такого слайда я убрал бы:
Мозг как обозначение любого метода машинного обучения.
Стрелку от дерева решений к нейросети без названного отношения.
Подпись «думает», которая не объясняет выполняемую операцию.
Медаль у внутреннего блока, будто вложение означает превосходство.
Каждый из этих элементов добавляет смысл, даже если кажется украшением. Поэтому я сначала читаю рисунок как утверждение, а уже потом как композицию. У учебной картинки могут быть красивые цвета, но она должна выдержать и чёрно-белую смысловую проверку.
Какая картинка нужна для твоего объяснения?
Прежде чем рисовать блоки, я заканчиваю фразу: «После этого слайда зритель сможет…». Для моей встречи ответ такой: различить общее семейство методов и один из подходов. Если нужен другой результат, композиция тоже меняется. Не всякая картинка о машинном обучении должна быть схемой вложенных областей.
Что объясняю · Какая форма помогает · Что она не должна подменять
Отношение понятий — Вложенные области с подписями — Сравнение точности моделей
Работу с новым снимком — Последовательность «вход — модель — выход» — Схему обучения на данных
Отличие обучения от применения — Два отдельно подписанных процесса — Обещание, что модель учится при каждом обращении
Конкретную задачу распознавания — Изображение и названный результат — Утверждение о любом устройстве всех нейросетей
Я не соединяю все строки в один рисунок. Иначе стрелка начинает означать сразу несколько вещей: принадлежность, передачу данных или изменение модели. На вводном слайде это особенно мешает. Человек ещё не знаком с терминами и не обязан угадывать, какое отношение дизайнер закодировал одинаковой линией.
Для последовательности обработки фото подходит горизонтальное движение. Для принадлежности понятия — вложение. Эта разница кажется мелкой, пока не попробуешь объяснить картинку вслух. Я проверяю её без оформления: если приходится долго оправдывать расположение элементов, возвращаюсь к выбранному вопросу и убираю лишние связи.
Можно ли собрать схему с точными подписями?
Да. Для короткой концептуальной схемы удобно начать с кода Mermaid. Ниже именно исходный код: его нужно открыть там, где поддерживается отрисовка Mermaid. В обычном текстовом редакторе он останется текстом. Это не готовый PNG и не изображение, полученное от LibraChat.
flowchart TD
ML["Машинное обучение"]
NN["Нейросетевые подходы"]
OTHER["Другие подходы: например, деревья решений"]
DL["Глубокое обучение"]
ML -->|включает| NN
ML -->|включает| OTHER
NN -->|включают| DL
В этой версии стрелки подписаны словом «включает». Они не показывают поток снимков или этапы вычисления. Вручную я мог бы заменить их вложенными прямоугольниками, сохранив те же отношения. Главное — не переносить дерево решений внутрь нейросетевого блока и не называть всю внешнюю область одной нейросетью.
Пример других подходов здесь намеренно один. Он нужен, чтобы показать неполноту нейросетевой области, а не перечислить весь предмет. На подробном учебном материале список будет другим и потребует своей проверки. Для первого знакомства я предпочитаю одну правильно понятую связь большой таблице терминов, которые зритель ещё не умеет различать.
В LibraChat можно обсудить формулировки и предложить вариант описания схемы. Если нужна художественная иллюстрация, задача генерации изображения будет отдельной: например, предметная метафора для обложки встречи. Она не заменит точную структуру понятий. Разница между изображением и оформленным макетом разобрана в сравнении инструментов генерации.
Что проверить, когда схема уже выглядит убедительно?
Я начинаю с названий. Даже маленькая ошибка в подписи на таком слайде меняет объяснение. Затем смотрю на отношения между блоками. Наконец читаю заголовок: обещает ли он ровно то, что показывает картинка, или внезапно называет её устройством конкретного сервиса?
Для вводной встречи у меня такой перечень:
Внешняя категория названа шире внутренней.
Другие методы машинного обучения остаются за пределами нейросетевого блока.
Каждая стрелка имеет понятный и одинаковый смысл.
Размер и цвет не объявлены показателями качества.
Общая схема не выдана за архитектуру выбранного продукта.
Последний пункт я проверяю отдельно. Из возможности сервиса рисовать картинки нельзя вывести устройство его моделей. Для заявления о конкретной архитектуре нужны сведения именно об этом продукте. На моём слайде их нет, поэтому он остаётся вводной схемой понятий. Мне не требуется заполнять этот пробел догадкой.
Если картинка получилась слишком плотной, я сначала сокращаю число связей, а затем меняю шрифт. Уменьшение букв часто просто прячет проблему. Полезнее оставить один вопрос на одном слайде и перенести соседнюю тему на следующий. При этом зрителю должно быть понятно, какое отношение он только что увидел.
Попробуй прямо сейчас произнести по своему макету: «Нейросеть — один из подходов машинного обучения». Покажи, где это видно. Если хочешь проверить подписи перед оформлением, принеси их в чат, а для регулярной подготовки материалов посмотри тарифы LibraChat. Начни с одной границы между понятиями: её точность даст слайду больше, чем ещё один декоративный эффект.