Что такое нейросеть

Согласно последним новостям, искусственный интеллект (ИИ) пишет сценарии, картины, книги и даже криптовалюту. Нейросеть простыми словами — это программа, которая умеет обучаться, анализируя данные и примеры. В этом материале рассказывается, как устроены искусственные модели. Читатели узнают о сферах, где ИИ уже применяется, кто и каким образом обучает AI, а также получат список нейросетей в 12 областях. Сервисы создают изображения, видео, музыку и даже помогают реализовать собственную модель.

Определение нейросети простыми словами

Искусственный интеллект — это способность компьютерного алгоритма повторять когнитивную и творческую деятельность. В английском варианте — Artificial Intelligence (AI). В общем понимании нейросеть — это синоним искусственного интеллекта. Но не все так однозначно. Стоит уточнить, что сеть — физическая система искусственных нейронов, построенная в высокоорганизованную структуру. В то время как интеллект — результат ее работы.

История развития нейросетей

В 1943 году нейрофизиолог Уоррен Маккаллок и математик Уолтер Питс представили совместную работу. В докладе описывалась модель в виде схемы с участием элементов, которые повторяли сигналы нейронов человеческого мозга. Согласно концепции, данные поступали в массив и сравнивались с эталоном. На выходе из алгоритма создавался ответ о сходстве двух значений. Элементы назвали искусственными нейронами. Однако именно передача сигналов между ними стала прорывом. Технология легла в основу как первой, так и современных нейронных сетей.

Вычислительные машины того времени были слишком медленными и не владели достаточной мощностью. Поэтому исследования в области искусственной нейронной связи приостановились.

Следующим важным этапом в истории технологии стала разработка теории обратного распространения ошибок в 1974 году. Метод описал Пол Джон Вербос. Это улучшило самообучение искусственных моделей. Разработчики поняли, как корректировать параметры на основе данных о полученных ошибках. Это повысило производительность и эффективность анализа.

Как работают искусственные нейронные сети

AI-технология — это более развитый вариант первой модели, описанной Маккаллоком и Питтсом. ИИ остается программным алгоритмом, но современные производительные компьютеры автоматизируют развитие искусственных сетей. Это осуществляется за счет машинного обучения (Machine Learning).

Зачем нужны и задачи нейросетей

Эволюция компьютеров и архитектуры программируемых моделей позволила использовать технологию в различных сферах. Нейронные сети достигли главной цели — научились обрабатывать информацию так, как это делает человеческий мозг. В результате модели анализируют данные на основе миллионов параметров и самостоятельно генерируют ответ.

Искусственный интеллект преуспел в области обработки языка и генерации изображений. На анализ данных и создание ответа в чат-боте ChatGPT уходит около минуты. В графической нейросети Midjourney генерация уникального изображения занимает несколько секунд. Человек тратит на такие задачи больше времени.

Обучаемые модели создают изображение, музыку, «обдумывают» и классифицируют информацию на виды, делают выводы из сотен параметров и строят прогнозы. Неудачные результаты также учитываются. Другими словами, как и человек, искусственный интеллект использует опыт и ошибки.

Читайте также

Чем обеспечена криптовалюта простыми словами

Цифровые монеты считаются альтернативой . Но если курс национальных банкнот поддерживают...

Что такое криптовалюты с искусственным интеллектом

Популярность нейросетей повторяет путь развития цифровых валют. Необъяснимая поначалу технология...

Чем грозит цифровой рубль

Центральный банк России развивает новую форму расчетов. Соответствующие поправки в государственные...

Архитектура нейросетей

Развитие моделей прошло ряд этапов. Сначала были разработаны базовые нейросети, которые использовались для решения простейших задач — например, распознавания образов или классификации данных. Позже ученые создали организованные модели с учетом больших объемов исходной информации. Масштабирование требовалось для сложных специальных задач.

Любая нейросеть должна обучиться. Это означает, что модель получает и анализирует входные материалы. Автоматизированное или машинное обучение разработчики делят на 4 области:

• Разработка архитектуры. Для этого нужно составить задачу в зависимости от конечной цели.
• Заполнение модели входными данными. В материалах указаны правильные ответы или особые метки.
• Настройка параметров для машинного обучения. По ним искусственная нейронная сеть исследует массив и создает библиотеку данных.
• Генерация и оценка результата. Главная цель — сократить разницу между итоговым ответом и эталонными данными.

Для нейросетей разработчики сначала строят базовую архитектуру модели — иными словами «скелет». Потом добавляются новые этапы обучения — слои.

Базовые нейросети

В основу сложной структуры нужно заложить начальный алгоритм. Базовая нейросеть представляет собой первый шаг в оценке данных. На этом слое, как и на последующих, искусственные нейроны связаны друг с другом, а также передают и обрабатывают информацию. Однако базовая модель дает простые результаты с учетом ограниченного количества параметров. Человеческий мозг выполняет промежуточные действия сотнями за доли секунды.

Глубокие нейросети

В AI-алгоритме повторить последовательность шагов и симулировать действия мозга можно в виде многослойности. Такие модели называют глубокими или глубинными. Реализованные на текущий момент разработки относятся к ним. Базовые и глубокие нейросети должны пройти машинное обучение (Machine Learning, ML).

Затем нужно повторить процедуру. Чем больше слоев, тем глубже анализ проводится для получения результата.

Область машинного обучения по разработке многослойных алгоритмов называется DeepMind (в переводе «глубокий» + «разум»). Нейронные сети этого вида обладают значительной мощностью. Эти модели решают более сложные задачи. Например, они могут распознавать изображения или делать машинный перевод.

Как решаются задачи

Для обучения нейросети важно правильно сформулировать запрос. На старте требуется определить тип задачи — классификация, регрессия, генерация или другая. От этого зависят последовательность слоев и комплекс параметров.

Затем разработчикам нужно сформировать данные, которыми предстоит наполнить нейросеть. Материалы для ввода делят на тестовую и основную обучающую группы, но информацию потребуется подготовить. Для этого разработчики проводят предварительное исследование. Придумываются система для комплексного взаимодействия с данными, категории материалов и присваиваются специальные метки. После этого можно перейти к разработке алгоритма обучения. В дополнение необходимо учитывать функцию потерь.

Процесс повторяется с учетом фиксированного количества эпох машинного обучения. Его можно продолжать, пока не будет достигнут заданный уровень точности.

Как происходит обучение нейросетей

Рассматривать этот процесс как отдельный от задачи элемент нельзя. Без верной архитектуры обучение не будет эффективным. В любом случае сначала создаются структура слоев и общий алгоритм действий. Затем детально прописываются параметры в каждом элементе сценария.

Например, для языковой модели, как нашумевшая ChatGPT, проводят огромную работу. В случае с популярным сервисом она заняла 6 лет. В результате образовались 175 млрд параметров. По ним нейросеть оценивает исходные тексты. Разработчики чат-бота добились удивительных результатов, но развитие продолжается дальше.

Кроме правил оценки, важно предоставить для анализа значительный массив данных. ChatGPT обучена на реальных материалах в интернете. Иными словами, в качестве входящих данных использовалась вся информация в Сети. Однако обучение искусственных нейронных связей отличается от такого же процесса для человека.

Например, языковым моделям нужно классифицировать текст, начиная с малого и постепенно добавляя новые параметры:

• Как часто встречалась та или иная буква в тексте.
• На следующем слое нужно проанализировать популярность сочетания 2 букв. На более поздних этапах оцениваются комбинации из 3 символов и так далее.
• Процедура повторяется на уровне слов и предложений.
• Также нужно оценить стиль изложения, сегментировать по разным языкам и тематикам.

Каждый промежуточный результат оценивается в баллах. Полученные в категориях показатели суммируются. Итоговая балльная шкала становится основой алгоритма распознавания текстов. Также анализируются любые другие данные и создаются системы индексации.

Написание похожего текста в языковой модели — итоговый этап работы. Генерация возможна только в прошедшей обучение нейросети.

По сути, искусственный интеллект получает запрос от пользователя, затем методом перебора генерирует ответ. Балльная система оценивает качество созданного результата. Это быстрее, чем анализировать каждый текст с помощью 100 трлн параметров.

Если суммарный балл за результат значительно ниже эталонного, то нейронная сеть перепишет исходный материал. Если показатели приблизительно одинаковые — работа признается успешной и публикуется. Неудачный материал также проиндексируется. Это нужно, чтобы нейросеть научилась не повторять ошибки.

Модель всегда создает и оценивает результат. Однако алгоритм параметров — это дело рук разработчиков.

Риски

Нейросети можно недообучить или переобучить. В каждой ситуации результаты генерируются неэффективно. Недообученные модели не получили полный массив данных, чтобы создать убедительный итог. Во втором случае — информации на входе слишком много или параметры взаимно исключают друг друга. Из-за этого результатов может оказаться мало, либо итог будет некачественными.

Классификация нейросетей

В зависимости от целей и области применения модели различают по типам. Самые простые нейросети относятся к виду прямого распространения. Также существуют сложные модели — обратного и сверточного типов.

Прямого распространения

Этот тип нейросетей считается самым примитивным. Другое название данного вида — однонаправленные модели, в англоязычном варианте — Feedforward Networks. В структурах с прямым распространением сигналы поступают на один слой нейронов и передаются на выходной уровень. Главная задача такого способа — разделять полученные данные на классы по небольшому количеству признаков.

Обратного распространения

Такие нейронные сети более сложны, по сравнению с первым видом. Альтернативное название — рекуррентные (Recurrent Neural Networks, RNN). Нейросети обратного распространения обучаются на данных с парными входом и выходом. В основе лежит такой же принцип передачи сигналов, как в однонаправленных моделях. Но данные можно вновь отправить на дополнительную обработку. В таком случае сигналы возвращаются на входной слой.

Сверточные

Такие модели созданы специально для анализа изображений и классифицируют объекты на них. Сверточные нейросети работают по принципу зрительной коры головного мозга. Они достигли очень высокой точности в распознавании объектов.

Другие признаки для классификации

Как и многие сложные системы, нейросети различают по несколькими факторам. В материалах о создании моделей встречается разделение на группы:

• По типам нейронов. В таком случае искусственные сети называют либо однородными, либо гибридными.
• По способам машинного обучения — например, с участием учителя, без него или с подкреплением.
• По видам данных — аналоговые, двоичные или образные модели.
• По связи искусственных нейронов — фиксированный вариант или динамический.
• По способу работы с параметрами — с гетероассоциативной или автоассоциативной памятью.

Применение нейросетей в повседневной жизни и примеры

Глубинные модели применяются для нескольких десятков задач и уже реализованы в виде самостоятельных сервисов. Доступ к ним есть и у обычных пользователей.

Работу нейросетей встраивают в программы — например, Adobe Photoshop или в глобальные поисковые системы. К 2023 году искусственный интеллект выполняет различные задачи. Однако сфера все еще остается на ступени развития. Большинство сервисов пока представлены только на английском языке. Возможности и примеры AI-инструментов — в таблице.

Генерация изображений

Раздел включает основную массу AI-сервисов. В разработке участвуют частные лаборатории и крупные корпорации. Один из инструментов создала компания Nvidia. В июне 2021 года в виде самостоятельного софта разработчики анонсировали графический редактор Canvas. Программа доступна для скачивания на официальном сайте Nvidia. Требования к технике невысоки, использовать редактор можно даже на не самом производительном ноутбуке.

Также элементы искусственной нейронной сети встроены в работу другого графического редактора — Adobe Photoshop. В нем AI удаляет с фотографий лишние предметы, дорисовывает недостающие части изображения и изменяет внешность людей. Есть и другие сервисы по редактированию и генерации иллюстраций с помощью искусственного интеллекта (AI):

• Character
• BlueWillow
• LeiaPix Converter
• Background.lol
• Picasso
• Wonder
• Starry
• Lensa
• DALL-E 2
• Japser Art
• DreamStudio
• Midjourney

Создание логотипов

Графику и брендированный текст можно создать в большинстве нейросетей для генерации изображений. Однако специализированные сервисы для маркетинга автоматизируют работу за счет встроенных AI-моделей. Например, Kreateable оптимизирует создание разного контента — генерирует рекламные видео, логотипы и даже пишет промо-тексты, но только на английском языке.

Ресурс работает неидеально, часть шрифтов не адаптированы для кириллицы. Но сервис — не единственный в своей сфере, есть и другие AI-инструменты для генерации логотипов:

• Logo Master
• Brand Mark
• Logo Pony
• Logocreator
• Logoflow
• Make Logo
• Doclogo
• Logocreator

Генерация текстов

Несмотря на то что большая часть AI-инструментов связана с созданием изображений и визуала, мировую популярность нейросетям принесла языковая модель ChatGPT. С 2017 года ее разрабатывала компания OpenAI. Графический генератор DALL-E 2 также вышел из-под ее крыла.

Сервис ChatGPT запущен 30 ноября 2022 года. В его основу легло третье поколение алгоритма естественного языка, а с марта 2023-го — усовершенствованная четвертая версия.

В нем создаются тексты на разных языках, в том числе на русском. Для безлимитного количества запросов нужно приобрести платную подписку. Помимо текстов, ChatGPT пишет программный код, редактирует изображения и создает музыку. Работа с визуальными и аудиоданными стала доступна после мартовского обновления приложения.

На фундаменте языковой модели GPT-3 построены и другие AI-сервисы. Разработчики занимаются дообучением самостоятельно. Среди популярных нейросетей для генерации текста:

• PlayPhrase
• MyVocal
• GravityWrite
• Easy Peasy
• Bertha
• Gerwin
• AiSearch (доступен на русском языке)

Создание видео

Нейросети редактируют и генерируют не только статические изображения. Искусственный интеллект создает и корректирует видеоматериалы. Сервис Opus Clip с помощью AI превращает длинные ролики в короткие одним щелчком мыши.

Другой инструмент — AIStudios от компании DeepBrain. Сервис озвучивает текст и создает человека-аватара, который будет его произносить. Можно сделать видео и подписи на русском языке.

Однако звучат аватары пока не так естественно, как на английском. Контент ориентирован для бизнес-сферы и создается с учетом просмотра на разных устройствах — компьютерах и смартфонах.

Текущие AI-инструменты для работы с видеоконтентом:

• Pitchlane
• Cre8tive
• Steve
• AIStudios
• Elai
• Kamua
• Opus Clip
• Pictory
• Runway
• Synthesia
• Tech-va
• Pitchlane
• Wonder Dynamics
• Move

Написание музыки

Искусственный интеллект генерирует и материалы в аудиоформате. Пока направление остается одним из самых молодых. Таких сервисов не много, но их возможности уже впечатляют. Например, Aiva создает за секунды треки длиной до 2 минут. В том числе с учетом собственных параметров — стиля, тональности, видов инструментов, тайминга и эмоций.

Искусственный интеллект делает и постобработку сгенерированной аудиодорожки — например, отключает определенный тип инструментов. Среди других сервисов для генерации музыки:

• MusicLM
• Boomy
• Ecrett Music
• Soundraw
• Soundful
• Aiva

Распознавание объектов и речи

Нейросети определяют предметы на картинке и могут даже преобразовывать речь. В таких моделях используют сверточный вид архитектуры одностороннего типа. Ее принцип распознает объекты на изображении и слова в вербальной речи.

Как правило, самостоятельными сервисами такие инструменты не представлены. Они интегрированы в другие проекты.

Например, пользователи косвенно сталкиваются с AI при верификации по типу KYC (Know Your Customer). Для проверки нужно загрузить фото документа и селфи. Сравнение двух изображений осуществляется автоматически с помощью определения объектов на фундаменте искусственной нейронной связи. В числе крупнейших инфраструктурных разработчиков систем распознавания лиц:

• OpenFace
• FaceNet
• DeepFace

Обработка языка

Нейронные сети применяются для автоматизированного перевода, проверки орфографии и давно вошли в жизнь пользователей. Они встроены в онлайн-сервисы Яндекс Переводчик, Google Translate и Grammarly.

Крупные инфраструктурные разработки Watson от IBM и Comprehend от компании Amazon относятся к этому же виду. Их используют создатели самостоятельных нейросетей для анализа текста и получения информации из больших объемов данных. Такие сервисы обрабатывают материалы сразу на нескольких языках.

Классификация

Нейросети по сортировке данных относят к базовым и используют для разработки более глубинных моделей. Они прошли первый этап обучения и классифицируют входящую информацию. Например, модель Stanford Dogs — библиотека, которая проанализировала 20 тыс. изображений собак и сегментирует их по 120 породам. Другие разработчики могут взять прототип и создать виртуального помощника для ветеринарных клиник.

Другой AI-инструмент — IMDB Movie Review Sentiment Analysis. Нейросеть определяет настроение отзывов о фильмах — отрицательное или положительное.

Принятие решений и прогнозирование

Этот тип AI-инструментов также встраивается в более масштабные архитектуры — например, проект AlphaGo от компании DeepMind (дочернего подразделения Google). Разработчики создали модель, способную играть в настолку Го на высоком уровне. Это стало доказательством, что нейронные сети могут превзойти человеческие навыки в сложном стратегическом развлечении.

Нейросети прогнозируют в нескольких направлениях:

• Предсказание метеоусловий.
• Маркетинговый анализ поведения пользователей или покупателей.
• Диагностика в медицине.

Кластеризация и анализ данных

Инфраструктурные AI-инструменты участвуют и в строительстве других нейросетей. Кластеризация — это создание базы, которую дальше можно дообучить. Она содержит комплекс уже заданных параметров.

Также существуют шаблоны кластеров. Это подготовленные и проанализированные по глубоким параметрам данные. Например, проект DeepCluster предлагает первичные библиотеки для нейросетей и встроенные алгоритмы обучения. Также задачами кластеризации занимаются ImageNet, Variational Autoencoder и Deep Embedded Clustering.

Аппроксимация, сжатие данных и оптимизация

Работа нейросетей сталкивается со множеством трудностей. Одна из них — потребность в большой мощности оборудования для обучения. Это связано с объемом вводных материалов. Слишком медленная обработка усложняет не только создание модели, но и генерацию результата в уже обученной сети.

Чтобы оптимизировать работу и сжать данные, созданы сторонние AI-инструменты. Среди них — Neural Network Pruning. Технология позволяет удалять ненужные параметры и слои из модели без потери производительности. Оптимизация сокращает размер нейросети, а значит, и вычислительных мощностей.

Другой проект — Neural Architecture Search автоматически подбирает наиболее подходящую архитектуру нейронной сети. Происходит это на этапе создания базы. Deep Neural Network Compression сжимает и оптимизирует глубокие нейронные сети следующими способами:

• Удаление нейронов (прунинг).
• Квантизация.
• Сжатие моделей.

Применение в сфере криптовалют

Искусственные нейронные связи напрямую в блокчейн-технологию пока не интегрированы. Однако AI-инструменты помогают работать с большими массивами данных (Big Data). В 2023 году сектор криптостартапов активно привлекает инвестиции венчурных компаний и входит в пятерку самых перспективных областей. Однако текущих разработок пока представлено мало.

Самым известным считается проект Graph для индексации данных в криптосетях. В технологии стартапа AI-сеть проводит кластерный анализ приложений и сервисов на блокчейне.

Также проект Graph интегрировал AI и в пользовательский интерфейс. Искусственный интеллект позволяет получить уточненный ответ при запросе через поисковую строку.

Частично нейросети участвуют в работе Render Token. Создатели криптовалюты прежде запустили проект OctanRender, который уже использовал искусственный интеллект в приложении для Web2-сферы. AI участвует в обработке видео и дальнейшей конвертации материалов. Позднее концепцию адаптировали для блокчейна и связали с нативным токеном RNDR. В Web3-составляющей проекта также применяется технология нейронной сети. Однако в ней AI направлен на оптимизацию и передачу запросов между пользователями.

Опрос

5 мифов о криптовалюте

Пройди опрос и получи в подарок скидку на торговую комиссию и книгу о криптовалюте

Пройти опрос

Другое интересное применение искусственных моделей произошло в апреле 2023 года. В нем участвовал чат-бот ChatGPT. С помощью нейросети автор написал смарт-контракт для мемкоина Turbo. Патронус проекта в виде иллюстрации жабы в космическом костюме сгенерирован AI-сервисом Midjourney. Создатель токена стал вирусно известен, а капитализация цифровой валюты взлетела до $210 млн. Автор продал свою часть монет на пике ажиотажа и заработал более $10 млн.

Нейросети, направленные на прогнозирование торгового поведения, также привлекают особое внимание. Однако нельзя сказать, что они создаются специально для задач криптотрейдинга.

Такие технологии составляют предсказания о будущем ценовом поведении на рынке цифровых активов и традиционных фондовых площадках.

Сложности в работе с нейронными сетями

Применять более совершенные искусственные модели несложно. Например, языковые ассистенты распознают не просто вербальные звуки, но и понимают диалекты, акценты и речь детей. Это легко можно проверить с помощью «умных» колонок. Распознавание визуальных объектов на фото с точностью определяет нужные товары, растения или просто похожие изображения.

Однако не все сервисы нативны при использовании. Даже высокоорганизованный чат-бот ChatGPT требует навыков. Составлять запрос нужно буквально и последовательно. В сервисах для генерации изображений параметры описываются словами. Чаще всего их требуется указать на английском языке. Лучше не использовать предлоги и не делать орфографические ошибки. Иначе AI-сервис генерирует не самый близкий к запросу результат.

Специалисты по нейросетям

Созданием искусственных моделей занимается группа разработчиков. В общей массе их называют специалистами по Data Science или Data Scientist. Но в зависимости от задач используют разделение по направлениям:

• Дата-аналитик. Такой специалист отвечает за сбор, исследование и обработку данных.
• Machine-learning (ML) инженер. Он занимается непосредственно обучением нейронных моделей.
• Data-инженер. Технический специалист по поддержке работы сетей.

Data Scientist создает архитектуру будущей модели, алгоритм параметров для функционирования нейросети или подбирает уже готовый и частично обученный прототип. Также разработчики подготавливают данные. На предварительном этапе нужно выполнить сбор, очистку, анализ закономерностей и интерпретацию результатов в виде программного кода.

ML-инженеры разрабатывают, а затем применяют сценарии машинного обучения. Также их работа связана с составлением статистических моделей. Область Data Science требует специального образования в сфере IT и креативного мышления.

Плюсы и минусы применения нейронных сетей

Производительность и глобальное применение искусственных моделей — это и преимущество, и недостаток. С одной стороны, их можно использовать как инструмент для повышения комфорта — как в случае с поисковыми системами, концепцией «умного дома» или другими. В них нейромодели сохраняют свободное время и выполняют рутинную часть работы. Для таких же целей создают AI-настройки в графических редакторах. Но нейронные сети быстро генерируют уникальный текстовый, визуальный и аудиоконтент.

Самый значительный минус искусственного интеллекта — обучение. Существуют специальные библиотеки данных — например, NeuroLab, NumPy, PyTorch и другие. Готовые прототипы используют при базовом создании нейросетей, что помогает сократить время обучения. Однако нередко библиотеки нельзя интегрировать для той или иной задачи.

В таком случае нужно начинать создание с нуля. Это требует редких специалистов с большим опытом и производительное оборудование для обработки массива данных. Даже несмотря на мощные процессоры и суперкомпьютеры, предсказать время на обучение модели сложно. Это может занять недели, иногда годы.

Перспективы развития нейросетей

Организованные структуры с искусственным интеллектом направлены помогать людям, а не заменять их. В ближайшее время для разработчиков нейросетей стоят несколько векторов для развития:

• Применение искусственных моделей для разносторонних задач.
• Дальнейшее обучение созданных систем искусственного интеллекта и совершенствование интерфейса.
• Минимизация недостатков — например, дезинформации.
• Безопасность использования.

Последняя важна, потому что развитые технологии в руках преступников способны нанести весомый урон. В теории искусственный интеллект может участвовать в масштабных эксплойтах или кибератаках.

Частые вопросы

Достоверны ли тексты, написанные в чат-ботах на основе нейросетей? Им можно доверять?

Искусственный интеллект пишет правдоподобно и убедительно, но обычно не использует статистические данные и ссылки на первоисточники. При дальнейшей проверке можно найти много ошибок. Поэтому слепо доверять генерацию материалов AI не стоит.

Какие необычные нейросети существуют?

Недавно небольшая группа разработчиков создала приложение с AI, которое может «гадать» на картах Таро.

Где в обычной жизни уже используется искусственный интеллект?

Частично технологию применяют в чат-ботах службы поддержки, системах мониторинга билетов и рекомендациях на маркетплейсах.

Может ли AI придумать вымышленную историю?

Да. Языковые модели и инструменты по обработке генерируют сюжеты. Например, Яндекс Станция использует AI, создает на его основе рассказы с названными персонажами и воспроизводит их голосом.

Что значит контекст общения с нейросетью?

Это возможность для AI «запоминать» параметры, которые пользователь вводил ранее. Например, при написании технического кода искусственному интеллекту можно только один раз указать необходимый язык программирования. Все дальнейшие ответы будут генерироваться с учетом этого условия.

Рита Пишу про криптовалюты простым языком. Но не всегда)) Если не понятно, спрашивайте в комментах — разберемся вместе.