В Москве (22.03) прошла Национальная технологическая олимпиада по искусственному интеллекту, которая в этом году объединила более семи тысяч участников.
Финалисты решали задачу уровня профессиональных разработчиков на основе данных книжного сервиса LiveLib: им нужно было создать ИИ‑алгоритм для восстановления утерянной информации.
В связи с этим мы попросили Семена Лобачевского, специалиста по ML (machine learning) и аналитике данных, составить подборку полезных книг для тех, кто хочет разобраться в технологиях искусственного интеллекта и работе современных алгоритмов.
В какой–то момент я поймал себя на простой мысли: почти все, что сегодня происходит в цифровых продуктах, так или иначе завязано на ИИ и ML.
Рекомендации в сервисах, поиск, генерация текста, аналитика, антифрод, автоматизация, персонализация – все это уже не где-то в будущем, а буквально вокруг нас. Будущее наступило довольно тихо, и в какой-то момент просто стало частью нашей жизни.
Поэтому я решил собрать книги, которые сам считаю полезными. Это не академический список «самых правильных книг» и не попытка охватить вообще все.
Скорее, это подборка, которую я бы советовал тем, кто хочет погрузиться в тему чуть глубже: от крепкой базы до прикладных инженерных книг и важных текстов про ограничения, риски и цену технологий.
Если хочется понять базу
1. Стюарт Рассел, Питер Норвиг – «Искусственный интеллект. Современный подход»
Это, наверное, одна из самых фундаментальных книг по ИИ вообще.
Большая, насыщенная, местами непростая и точно не из тех, что читаются за пару вечеров. Но если хочется не просто узнать отдельные термины, а собрать в голове цельную картину – это крепкая база.
Книга будет особенно полезна тем, кто хочет понять, как устроен ИИ в широком смысле: не только машинное обучение, но и поиск, логический вывод, планирование, агенты, принятие решений и многое другое. Помогает увидеть не только модные современные подходы, но и саму архитектуру области.
Хороший выбор для тех, кто любит копать глубоко и хочет опираться на крепкий фундамент.
2. Андрий Бурков – «Машинное обучение в 100 страницах»
Очень компактная книга, которая делает редкую вещь: коротко и по делу объясняет основу ML, без перегруза формулами и в то же время без лишних упрощений.
Я бы рекомендовал ее тем, кто только входит в тему и хочет быстро собрать в голове карту: какие вообще бывают задачи, чем отличаются основные алгоритмы, как устроено обучение, валидация, переобучение и весь базовый словарь машинного обучения.
Главная особенность книги – плотность. Она небольшая по объему, но очень насыщенная по содержанию. Это интеллектуальная выжимка, после которой уже гораздо легче читать что–то более сложное и прикладное.
Если интересны модели и deep learning
3. Франсуа Шолле – «Глубокое обучение на Python»
Это одна из самых удобных книг для входа именно в deep learning, особенно если хочется не только понять идею, но и сразу видеть, как все это выглядит на практике.
Я бы в первую очередь рекомендовал ее разработчикам, аналитикам и тем, кто уже немного знаком с Python и хочет перейти от общего интереса к реальной работе с моделями. Книга хорошо показывает, как устроены нейросети на прикладном уровне: от базовых архитектур до задач компьютерного зрения и обработки текста.
Ее сильная сторона — очень понятная подача. Шолле умеет объяснять без лишнего пафоса и без ненужной академической тяжести. Плюс это книга человека, который стоял за Keras, поэтому в ней чувствуется инженерный, практичный взгляд: не только как это работает в теории, но и как с этим реально работать руками.
4. Иэн Гудфеллоу, Йошуа Бенжио, Аарон Курвилль – «Глубокое обучение»
Это уже более серьезная и академическая книга. Я бы назвал ее одной из ключевых для тех, кто хочет не просто познакомиться с deep learning, а действительно разобраться в нем глубже.
Она будет полезна тем, у кого уже есть база в ML, математика не вызывает паники и есть желание понять, что именно происходит внутри моделей, почему работают те или иные архитектуры и откуда вообще берутся основные идеи глубокого обучения.
Поможет перейти от уровня «я знаю, какие есть модели» к уровню «я понимаю, почему они устроены именно так». Это не самый легкий вход, но очень полезное чтение для тех, кому важна глубина, а не только прикладной результат.
Если ближе реальный продукт и практика
5. Чип Хьюен – «Проектирование систем машинного обучения»
Мне вообще особенно нравятся книги не только про модели сами по себе, а про то, как они живут в реальном продукте. И эта книга как раз про это.
Она будет очень полезна тем, кто работает на стыке ML, продукта и инженерии: ML–инженерам, data scientist’ам, backend–разработчикам, тимлидам, а также всем, кто хочет понять, почему «обучить модель» — это только малая часть задачи.
Здесь много про данные, продакшен, мониторинг, деградацию качества, ограничения инфраструктуры, ошибки, компромиссы и все то, о чем обычно начинают по-настоящему задумываться уже после первых запусков.
Книга снимает романтику с ML и показывает его в реальном, рабочем виде — с ограничениями, зависимостями и постоянной необходимостью принимать инженерные решения.
6. Чип Хьюен – «AI–инженерия. Построение приложений с использованием базовых моделей»
Это уже книга про более современный пласт: генеративный ИИ, foundation models, LLM–приложения и то, как все это превращается в реальные продукты.
Я бы советовал ее тем, кто уже более–менее ориентируется в ML и хочет понять, как сегодня строятся приложения вокруг больших моделей: что там с промптами, retrieval, evaluation, latency, стоимостью, надежностью и всей этой новой инженерной реальностью.
Это довольно трезвый взгляд на AI как на инженерную систему. Очень полезно, если хочется лучше понимать не только сами модели, но и весь слой практических вопросов вокруг них: когда это вообще стоит использовать, где слабые места и почему «просто подключить модель» почти никогда не значит «сделать хороший продукт».
Если интересны прикладные направления
7. Ким Фальк – «Практические рекомендательные системы»
Для меня рекомендательные системы — вообще одна из самых интересных прикладных областей ML, потому что это тот случай, когда машинное обучение особенно заметно влияет на пользовательский опыт.
Эта книга будет полезна тем, кто работает с продуктами, контентом, e-commerce, медиа, платформами и вообще любыми сервисами, где важно что-то кому-то рекомендовать: товары, фильмы, статьи, музыку, людей, вакансии — что угодно.
Она хороша тем, что не застревает в абстракции. В ней довольно практично объясняется, какие подходы бывают, как думать о пользовательском поведении, как оценивать качество рекомендаций и с какими проблемами обычно сталкиваются такие системы.
8. Льюис Танстолл, Леандро фон Верра, Томас Вольф – «Обработка естественного языка с помощью трансформеров»
Если хочется разобраться, на чем вообще держится современный NLP, это очень полезная книга. Особенно сейчас, когда трансформеры стали фактически центральной архитектурой для огромного количества языковых задач.
Я бы рекомендовал ее разработчикам, ML-специалистам и всем, кто хочет лучше понять, что стоит за современными языковыми моделями не на уровне магии и мемов, а на уровне реальных подходов и инструментов.
Большой плюс книги в том, что она тесно связана с практикой и экосистемой Hugging Face. То есть это не просто рассказ о том, что такое трансформеры, а вполне прикладной способ войти в тему через реальные библиотеки, примеры и сценарии.
Хорошо подходит тем, кто хочет снять с NLP ореол загадочности и посмотреть на него спокойнее и предметнее.
Если хочется расширить взгляд на ИИ
9. Кейт Кроуфорд – «Атлас ИИ: власть, политика и планетарная цена искусственного интеллекта»
Мне кажется, такие книги обязательно должны быть в любой нормальной подборке про ИИ. Они напоминают, что за технологиями стоят не только впечатляющие возможности, но и сложный контекст, ограничения и последствия.
Это не техническая книга, а критический взгляд на индустрию. Иногда довольно жесткий, но именно поэтому ценный. После таких текстов сложнее смотреть на ИИ как на что-то нейтральное или однозначно хорошее.
Книга поможет смотреть на ИИ не только как на набор моделей и инструментов, но и как на социальное, политическое и экономическое явление. Увидеть, что за умными системами стоят вполне материальные вещи: труд людей, добыча ресурсов, инфраструктура, контроль, власть, неравенство.
10. Кэти О’Нил – «Убийственные большие данные»
Еще одна очень важная книга про то, как алгоритмы могут усиливать несправедливость, а не уменьшать ее. И почему сама по себе математическая модель не делает решение объективным или честным.
Я бы рекомендовал ее не только тем, кто работает с данными и моделями, но и менеджерам, аналитикам, исследователям – в общем, всем, кто так или иначе принимает решения на основе данных или строит системы, влияющие на людей.
Особенность книги в том, что она очень наглядно показывает: алгоритмы могут выглядеть рационально, но при этом быть непрозрачными, предвзятыми и разрушительными для конкретных людей и групп. Это хорошая прививка от слишком наивной веры в объективность данных и нейтральность модели.
В итоге
В общем, это не список книг, которые нужно срочно читать от корки до корки.
Скорее подборка с разными входами в тему: для базы, для практики, для инженерного понимания и для более трезвого взгляда на сам ИИ.
Так что можно просто выбрать то, что ближе именно вам и вперед, покорять и изучать современные технологии.