AI Literacy
Грамотность в области ИИ — это знания и способность критически оценивать ИИ, чтобы понимать его, задавать вопросы и эффективно им пользоваться. Ключевые навыки, школьные программы и статья 4 Закона ЕС об ИИ.
Грамотность в области ИИ — это знания и умение рассуждать, необходимые для эффективного использования искусственного интеллекта: практическое понимание того, как системы ИИ формируют результаты, привычка критически их оценивать и способность решать, когда на них можно положиться. Как чтение и базовые математические навыки, это общий навык для каждого, кто сталкивается с ИИ на работе, учёбе или дома; для него не нужно уметь создавать или программировать модели. В широко цитируемом докладе CHI 2020 года Дури Лонг и Брайан Магерко дали такое определение: компетенции, позволяющие людям критически оценивать ИИ, общаться и взаимодействовать с ним и использовать его как инструмент.
Человек, разбирающийся в ИИ, знает, что беглый ответ чат-бота всё равно может быть неверным, что система распознавания лиц может хуже работать для одних групп, чем для других, что реалистичное видео может оказаться дипфейком, а передача конфиденциальных документов онлайн-помощнику может привести к их утечке. Эти знания опираются на небольшой набор идей, применимых к разным инструментам.
Что включает грамотность в области ИИ#
Большинство систем оценки грамотности в области ИИ выделяют три способности. Понимание означает знание того, что системы машинного обучения выявляют закономерности в обучающих данных, поэтому их поведение отражает охват и пробелы этих данных, а генеративный ИИ создаёт правдоподобный текст или изображения на основе усвоенных закономерностей, не проверяя факты. Оценка означает проверку результатов по независимым источникам, распознавание галлюцинаций и предвзятости ИИ, а также понимание того, что оценка уверенности — это собственная оценка модели, которая может быть некалиброванной. Ответственное использование означает решение о том, какими данными делиться, кто проверяет важные решения, когда нужно сообщать о применении ИИ и когда задачу вообще не следует поручать ИИ.
Для школ опубликованная в 2024 году рамочная программа компетенций ЮНЕСКО в области ИИ для учащихся определяет 12 компетенций в рамках четырёх направлений: человекоцентричный подход, этика ИИ, методы и применение ИИ, а также проектирование систем ИИ. По каждому направлению обучение проходит от понимания ИИ к его применению и созданию с его помощью. Рамочная программа грамотности в области ИИ, подготовленная OECD и Европейской комиссией и утверждённая в 2026 году после проекта 2025 года, объединяет компетенции в четыре области: взаимодействие с ИИ, создание с помощью ИИ, управление ИИ и влияние на его развитие. Она станет основой первой оценки медиаграмотности и грамотности в области ИИ в рамках PISA в 2029 году. Смежные понятия пересекаются: грамотность в области данных охватывает интерпретацию данных и статистики, цифровая грамотность — использование технологий в целом, а разработка промптов — один из практических навыков грамотности в области ИИ.
Грамотность в области ИИ на работе и Закон ЕС об ИИ#
Грамотность в области ИИ на рабочем месте стала юридическим требованием в Европейском союзе, когда статья 4 Закона ЕС об ИИ начала применяться 2 февраля 2025 года. Закон определяет грамотность в области ИИ как навыки, знания и понимание, позволяющие поставщикам, операторам и затронутым лицам осознанно внедрять системы ИИ и понимать их возможности, риски и возможный вред. После поправок, внесённых в июле 2026 года Законом о цифровом омнибусе в сфере ИИ, статья 4 требует от организаций, предоставляющих или использующих системы ИИ, принимать меры для повышения грамотности в области ИИ среди сотрудников и других лиц, действующих от их имени, учитывая их технические знания, опыт, образование и контекст использования системы; при этом организации не обязаны гарантировать конкретный уровень грамотности каждому человеку. Обязательство распространяется на все системы ИИ независимо от категории риска, что делает его одним из наиболее широких требований закона.
Статья 4 не устанавливает учебную программу или сертификат, поэтому организации обычно подбирают обучение с учётом должности, ведут записи о нём и включают его в программу управления ИИ. Сотруднику службы поддержки, использующему чат-бот, нужно знать, как распознавать выдуманные ответы и какие данные клиентов нельзя включать в промпты; это также помогает сдерживать теневой ИИ. Инженеру по качеству, который работает с автоматизированной линией инспекции, нужно понимать, что такое ложноположительные и ложноотрицательные результаты и как настройка порога меняет их соотношение. Руководителям, одобряющим внедрение ИИ, нужны достаточные знания, чтобы спросить, как и на каких данных оценивали систему.
Практическое развитие грамотности в области ИИ#
Быстрее всего грамотность развивается благодаря непосредственному опыту, когда модель бывает права, ошибается и не уверена. Запусти предварительно обученную модель Ultralytics YOLO26 для обнаружения объектов на одной фотографии с двумя порогами уверенности — так компромисс между точностью и полнотой станет наглядным:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")При пороге 0,1 модель обнаруживает пять человек, включая вторую рамку с низкой уверенностью вокруг того же частично видимого пешехода, а также «знак остановки», который на самом деле запрещает парковку. При пороге 0,7 остаются автобус и три хорошо видимых человека, но пешеход, обрезанный левым краем кадра, исчезает. Сравнение двух сохранённых изображений показывает, что порог определяет тип ошибок системы — ложные срабатывания и пропуски, которые учитывает матрица ошибок, — и что подходящая настройка зависит от того, что в конкретном приложении обходится дороже: пропуск объекта или ложное срабатывание.
Такое же упражнение можно проводить без кода с младшими школьниками в рамках обучения ИИ: сортировка фотографий на правильно и неправильно размеченные моделью и обсуждение причин формируют привычку спрашивать, на каких фактах основан результат ИИ.










