Как устроены языковые модели, от чего зависит качество их ответов и как работать с ними осознанно.
Начните с любого раздела. Тесты помогают закрепить материал и не ограничивают переходы.
После успешного прохождения теста раздел отмечается зелёным.
Разберёмся, что называют искусственным интеллектом, как развивалась эта область и чем нейросеть отличается от большой языковой модели.
Исследования искусственного интеллекта начались в середине XX века. За это время сменилось несколько подходов, а периоды активного развития чередовались с замедлением.
Нажимайте на вехи, чтобы раскрыть события каждого этапа.
Алан Тьюринг публикует статью с этим вопросом и предлагает знаменитый тест: если человек в переписке не отличает машину от человека, машину можно условно считать разумной.
На семинаре в Дартмутском колледже впервые звучит сам термин artificial intelligence — искусственный интеллект. Учёные тогда были уверены, что задача будет решена за одно-два десятилетия.
Фрэнк Розенблатт создаёт перцептрон — первую работающую искусственную нейронную сеть. Она умела различать лишь простые изображения, но принцип, заложенный тогда, лежит в основе всего, чем мы пользуемся сегодня.
Учёные обещали, что задачу удастся решить за одно-два десятилетия, но обещания не сбылись: системы того времени справлялись только с простейшими задачами. Государства и корпорации перестали финансировать исследования искусственного интеллекта, и направление считалось тупиковым. Идеи были, однако не было ни данных, ни вычислительных мощностей, чтобы их проверить.
Компьютер Deep Blue впервые обыграл действующего чемпиона мира по шахматам. Показательная веха: машина обошла человека в конкретной интеллектуальной задаче, но только в одной.
Нейросеть AlexNet побеждает в соревновании по распознаванию изображений с огромным отрывом. Учёным становится ясно: подход работает, если дать ему достаточно данных и вычислительной мощности.
Выходит статья «Attention Is All You Need», в которой описана архитектура трансформера. Эта архитектура стала основой многих современных языковых моделей.
Технология не изменилась принципиально, но ею наконец смог пользоваться человек без технического образования.
Развитию современных нейросетей помогло сочетание трёх условий:
Нейросети применяются для распознавания изображений, перевода и рекомендаций. Большие языковые модели сделали доступными более универсальные способы работы с текстом:
Для юридической работы это полезно: модели могут помогать с договорами, заключениями и перепиской. Ответы необходимо оценивать с учётом задачи и проверять.
Искусственный интеллект — область, в которой разрабатывают системы для задач, обычно связанных с человеческими интеллектуальными способностями: распознавания, прогнозирования, работы с языком и других. В обсуждениях часто различают два понятия:
Термины «искусственный интеллект», «нейросеть» и «LLM» связаны, но обозначают разные понятия. Нажимайте на названия, чтобы прочитать определения:
Самое широкое понятие. Область науки и техники, занимающаяся системами, которые решают задачи, традиционно требовавшие человека. Сюда попадают и шахматный движок, и антиспам-фильтр, и рекомендации маркетплейса.
Некоторые представления о нейросетях могут мешать работе с ними. Откройте каждое утверждение, чтобы прочитать объяснение.
Когда модель выдаёт связный, логичный, аргументированный текст, нам кажется, что она сгенерировала его после осмысления нашего запроса.
На самом деле в основе лежат предсказание и теория вероятностей. Модель получает текст и вычисляет, какой фрагмент вероятнее всего идёт следующим. Затем добавляет его к тексту и повторяет вычисление — фрагмент за фрагментом, до конца ответа.
Связный ответ сам по себе не подтверждает достоверность или глубину понимания задачи.
Уверенный тон ответа — это результат обучения модели, а не признак достоверности. Модель формулирует одинаково уверенно и когда воспроизводит реальную норму, и когда генерирует несуществующее постановление с правдоподобным номером и датой. Это явление называют галлюцинациями — естественное следствие принципа работы. Подробнее о механизме галлюцинаций поговорим в разделе 4.
Для юриста это ключевой момент: любую ссылку всегда необходимо перепроверять в первоисточнике.
Готовые промпты могут быть полезны как примеры. Чтобы адаптировать их к своей задаче, важно понимать возможности модели, её ограничения и требования к результату.
Ответьте на вопросы, чтобы закрепить материал. Можно продолжить чтение и вернуться к тесту позже.
Технология существует с середины прошлого века, но массовой стала только сейчас. Какие условия для этого совпали? Отметьте все верные варианты.
Соедините каждый термин с его определением. Нажмите на термин, затем на подходящее определение.
Вы спросили модель о порядке расторжения договора. Она ответила уверенно, связно, со ссылкой на конкретную статью кодекса. Как правильно оценить такой ответ?
Тест пока не пройден. Следующий раздел доступен в любом случае.
Рассмотрим, на каких данных обучаются языковые модели, как текст превращается в токены и как модель формирует ответ.
Чтобы нейросеть работала с текстами, ей нужно показать очень много текстов. Чтобы работала с картинками — очень много картинок. Этот массив материала для обучения называется датасет — структурированная система подготовленной информации.
Состав и качество датасета влияют на возможности модели. Для надёжной работы в определённой области важны подходящие данные и проверка результата на задачах этой области.
В обучающие наборы могут входить публичные тексты, лицензированные материалы и специально подготовленные примеры. Даже после отбора в данных могут оставаться ошибки и устаревшая информация.
Из этого факта следуют три особенности, которые важно учитывать в работе. Откройте каждую:
В обучающих данных могут встречаться устаревшие нормы, неточные пересказы и ошибочные выводы. Поэтому знания модели не следует считать проверенной базой фактов.
Предоставляйте модели материалы конкретной задачи: нужный договор, факты и актуальную редакцию документа. Подробнее о работе с контекстом — в разделе 3.
Дата отсечки знаний обозначает границу актуальности обучающих данных. Для более поздних событий модели могут понадобиться материалы из запроса или внешних источников.
Обновление модели и поиск сведений во время диалога — разные процессы. Не стоит считать, что модель автоматически знает обо всех последних изменениях.
Первые датасеты были почти полностью англоязычными; другие языки добавлялись позже и в меньших объёмах. Поэтому модели до сих пор в среднем сильнее в английском: больше материала — крепче закономерности. С русским языком современные модели работают хорошо, но асимметрия проявляется — в том числе в том, как модель «читает» русский текст.
Нейросеть, это математическая модель, а математика работает с числами. Значит, любой текст нужно сначала перевести в числа. Этот перевод называется токенизацией.
Происходит он в два шага.
Шаг 1. Текст разбивается на токены. Токен, это минимальный фрагмент, которым оперирует модель. Токеном может быть целое слово, часть слова, знак препинания или пробел с приклеенным к нему словом. Токенизатор выделяет те последовательности символов, которые чаще всего встречаются в языке: частотные слова остаются целыми, редкие дробятся на куски.
Шаг 2. Каждый токен заменяется на число, на его порядковый номер в словаре токенизатора. Словарь фиксирован: у большинства современных моделей это от 50 до 200 тысяч токенов, и у каждого свой постоянный номер.
Например, фраза «Нейросеть учится» может разбиться так:
["Нейро", "сеть", " учит", "ся"][38251, 4720, 19834, 620]Именно с такой последовательностью чисел модель работает дальше. Ни букв, ни слов в нашем понимании она не видит.
Проверьте, как одна и та же фраза «весит» по-разному. Нажимайте «Разбить на токены»:
Условный пример: разбиение зависит от конкретного токенизатора. По этой демонстрации нельзя определить число токенов в реальном сервисе.
В этом условном примере русская фраза разделена на большее число токенов, чем английская. Точное число зависит от токенизатора: общего коэффициента для всех языков и моделей нет.
Регистр букв тоже может менять разбиение на токены. Заглавные буквы сами по себе не помогают модели точнее понять задачу.
Два практических следствия:
Один из основных этапов обучения языковой модели — предобучение. Модель обрабатывает множество текстовых примеров и учится предсказывать следующий токен по предыдущим.
Модели показывают часть текста и сравнивают её предсказание с реальным продолжением. По величине ошибки корректируют параметры. Повторение этого процесса помогает модели выявлять закономерности в данных.
Рассмотрим условный пример. После фразы «Верховный суд Российской» ожидается определённое продолжение. Модель оценивает вероятности возможных следующих токенов. Числа ниже приведены только для иллюстрации и не получены из реальной модели.
Модель выбирает подходящий токен, добавляет его к тексту, и повторяет всю процедуру заново, уже с учётом сгенерированного. Токен за токеном, пока не сложится весь ответ.
Ответьте на вопросы, чтобы закрепить материал. Можно продолжить чтение и вернуться к тесту позже.
Какую задачу модель решает при предобучении на продолжении текста?
В обучающих данных могут быть публичные тексты разного качества, а их актуальность ограничена. Что из этого следует? Отметьте все верные утверждения.
Какое утверждение о токенизации верно?
Клиент спрашивает, как применяется норма в редакции, вступившей в силу два месяца назад. Вы решаете уточнить у нейросети. Что важно учесть?
Тест пока не пройден. Следующий раздел доступен в любом случае.
Разберём, как модель становится ассистентом, как составить понятный запрос и задать требования к результату, а затем — как учитывать контекст в диалоге.
Базовая языковая модель обучена продолжать текст. Чтобы она лучше выполняла инструкции и отвечала на вопросы, применяют дополнительные этапы обучения.
Постобучение помогает адаптировать модель к диалогу. Оно может включать тонкую настройку на примерах и обучение с использованием оценок ответов.
Для настройки используют примеры запросов и подходящих ответов. В подготовке и оценке данных могут участвовать специалисты-разметчики. Эти примеры помогают сформировать полезный и понятный стиль общения.
Модель тренируется на этих образцах так же, как раньше на текстах из интернета, и усваивает манеру общения. Отсюда важная мысль:
Стиль ответа формируется при обучении и зависит от инструкций, которые получает модель.
Вежливые формулировки — часть стиля общения модели. Они не подтверждают точность ответа или наличие человеческих чувств.
Есть и ещё один слой настройки, который работает уже не при обучении, а при каждом вашем запросе. Это системный промпт — инструкция от разработчиков, которую модель получает перед вашим сообщением: «Ты полезный ассистент, ты помогаешь людям, ты не причиняешь вреда…» Разработчики годами шлифуют эти тексты, подбирая формулировки, которые лучше всего направляют поведение модели.
Сервис может добавлять к запросу инструкции и персональные настройки. Состав этих данных зависит от устройства сервиса и выбранных пользователем функций.
Промпт — запрос к нейросети: инструкция и сведения, которые вы передаёте для получения ответа. Входные данные называют input, результат — output. Промптинг — работа над формулировкой запроса, чтобы результат лучше соответствовал вашей задаче.
Модель не знает ваших намерений, обстоятельств дела и правил работы компании, пока вы их не сообщили. Поэтому вместо «посмотри документ» полезно объяснить, что именно нужно сделать и как вы будете использовать ответ.
До написания запроса определите, какого результата вы ждёте:
Перевести письмо, сократить документ, извлечь даты, распределить обращения по темам. Основной материал уже у вас: важно передать его и объяснить, что сохранить или изменить.
Например: «Сократи это письмо до двух абзацев. Сохрани все даты, суммы и просьбу к адресату».
Оценить условия договора, сопоставить позиции, подготовить справку. Здесь важны факты, границы вопроса, применимая юрисдикция и актуальность источников.
Заранее определите, по каким материалам вы сможете проверить выводы. Удачная формулировка запроса сама по себе не подтверждает их точность.
Качество запроса влияет на ответ, но не гарантирует его правильность. Имеют значение также возможности модели, доступные данные и инструменты. Если не хватает фактов, одними формулировками это не исправить.
В запросе удобно выделить три элемента: инструкцию, роль и контекст. Инструкция задаёт действие. Роль и дополнительные вводные нужны, когда помогают решить конкретную задачу. Раскройте элементы:
Это основа запроса. Начинайте с глагола действия: «сравни», «резюмируй», «переведи», «перечисли», «классифицируй». Назовите объект работы и ожидаемый результат.
Вместо «Что скажешь о переписке?» — «Выдели из переписки обязательства, которые стороны согласовали, и укажи даты соответствующих писем».
Роль помогает задать профессиональный ракурс, лексику и стиль. Например: «Ты юрист, работающий с договорами по праву Российской Федерации». Нужную юрисдикцию лучше назвать прямо: русский язык запроса её не определяет.
Роль необязательна для простой задачи: чтобы извлечь даты из текста, достаточно инструкции. Определение «лучший эксперт в мире» не добавляет проверенных знаний, а слишком узкая роль может неоправданно сузить анализ.
Профессиональный тон не равен профессиональной достоверности. Даже ответ от лица эксперта нужно проверять.
Укажите существенные обстоятельства: чьи интересы вы представляете, зачем нужен результат, какие документы относятся к вопросу и на какую дату нужен анализ. Раскройте сокращения, которые могут быть неоднозначны.
Например: «Мы представляем покупателя. Нужна внутренняя справка для директора перед согласованием договора. Вопрос касается только условий оплаты».
Контекст внутри вашего запроса — лишь часть всего контекста, который сервис передаёт модели. К другим его слоям вернёмся в пункте 3.6.
Эти требования также помогают уточнить ожидаемый результат:
Необязательно включать все элементы в каждый запрос. Для однозначной задачи достаточно короткой инструкции и исходного текста. Порядок элементов выбирайте так, чтобы задача и требования читались ясно.
Два полезных принципа: простые и чёткие формулировки и минимум лишнего текста. Краткость означает, что вы убираете повторы и ненужные детали, сохраняя всё существенное для ответа.
Фраза «Проанализируй договор» оставляет открытыми цель, адресата и глубину анализа. В учебном примере ниже предполагается, что нужный раздел договора уже приложен к сообщению.
ЗадачаСоставь краткую справку об условиях оплаты по приложенному разделу договора.
Контекст и адресатМы представляем покупателя. Справка нужна директору без юридического образования перед согласованием условий.
РезультатОтветь на русском языке в деловом тоне. Сделай таблицу со столбцами: «пункт», «условие оплаты», «что нужно уточнить». После таблицы добавь вывод до трёх предложений.
ГраницыИспользуй только приложенный текст. Если нужных сведений нет, укажи, чего не хватает. Противоречащие друг другу условия перечисли отдельно со ссылками на пункты.
Есть конкретное действие, предмет работы, сторона, адресат, формат и правила обращения с данными. Роль отдельно не задана: для этой задачи нужный ракурс уже понятен из вводных.
Перед отправкой такого запроса нужно приложить соответствующий текст. Затем проверить, что таблица верно передаёт условия и номера пунктов, а вывод не содержит добавленных фактов.
Если трудно сформулировать запрос, можно описать модели цель и попросить помочь с формулировкой. Проверьте получившийся текст: он должен отражать вашу задачу и содержать только нужные требования.
Прикрепить документ недостаточно. В запросе полезно определить, на что опираться, какие сведения считать установленными и как поступать, если данных мало.
Перед отправкой проверьте исходные данные. Убедитесь, что приложили нужную редакцию, передали относящиеся к вопросу приложения и можете использовать выбранный сервис для этих материалов. Соблюдайте правила работы с конфиденциальной информацией, принятые в вашей организации.
Если текст извлечён из файла, проверьте, сохранились ли важные таблицы, числа и примечания. Недостающий фрагмент источника нельзя восстановить требованием «ответь точнее».
Инструкция сообщить о нехватке данных помогает задать ожидаемое поведение. Она не гарантирует, что модель обнаружит каждый пробел или противоречие. Окончательную сверку с материалами проводите сами.
Чтобы ответить с учётом предыдущих сообщений, модель должна получить соответствующие сведения в контексте.
Сервис передаёт модели текущий запрос вместе с доступной историей диалога и другими нужными данными. В длинных чатах часть истории может сокращаться или заменяться кратким изложением.
Поэтому полезно повторять ключевые требования, если они важны для очередного ответа.
Контекст — это всё, что модель получает на вход при генерации ответа. Не только ваш последний вопрос, а полный набор. Раскройте каждый слой:
Инструкции сервиса, которые задают поведение модели и могут быть недоступны пользователю.
Если они включены — предпочтения по стилю, сохранённые сведения о вас. Тоже просто текст, добавленный ко входу.
Доступные предыдущие сообщения и ответы, в том числе неудачные попытки и обсуждения побочных тем.
Извлечённые из загруженных файлов данные или фрагменты, которые сервис передаёт модели для ответа.
Если модель ходила в поиск — найденные страницы тоже подкладываются во вход перед генерацией.
Свежий вопрос — лишь последний фрагмент длинного текста, который модель будет продолжать.
Материалы в контексте могут влиять на ответ. Из этого следуют два практических вывода:
Контекст не бесконечен. Модель может удержать за раз только определённое количество токенов, и это ограничение называется контекстным окном.
В этот лимит входит всё, что мы перечислили выше: системный промпт, история диалога, файлы, результаты поиска. Если какая-то информация выходит за пределы лимита — нейросеть не учитывает её при генерации ответа.
Посмотрите, как это происходит. Наполняйте диалог и следите, что случится, когда окно переполнится:
Способ обработки переполнения зависит от сервиса: часть данных может быть сокращена, исключена или запрос может быть отклонён. Проверяйте, что модель использовала важные для задачи материалы.
Даже если текст помещается в контекстное окно, модель может пропустить детали. Для сложных задач помогают чёткая структура, выделение нужных фрагментов и поэтапная проверка.
Юридические задачи — это как раз большие документы и много вводных, поэтому следствия прямые:
После первого ответа назовите конкретный недочёт: например, «сократи вводную часть, сохрани все даты и суммы» или «перепиши вывод для директора без юридической терминологии». Если важное требование потерялось, повторите его явно.
Когда правки перестают помогать, проверьте причину: хватает ли исходных данных, нет ли противоречий в задании и доступен ли нужный документ. Бесконечно переписывать запрос при недостающих фактах бесполезно.
Чтобы продолжить работу позже или в новом чате, сохраните короткую запись: цель, проверенные факты, использованные документы и их редакции, принятые решения и открытые вопросы. Перед переносом сверьте её с оригиналами: при сокращении могут потеряться важные условия. Так постепенно можно собрать личную базу проверенных рабочих заметок.
Ответьте на вопросы, чтобы закрепить материал. Можно продолжить чтение и вернуться к тесту позже.
Соедините каждое понятие с его определением. Нажмите на понятие, затем на определение.
Что модель получает на вход при генерации очередного ответа? Отметьте всё, что попадает в контекст.
Вы хотите получить справку только по приложенному документу. Какие требования полезно включить в запрос?
Тест пока не пройден. Следующий раздел доступен в любом случае.
У языковых моделей есть ограничения. Рассмотрим, почему ответы могут быть неточными и как снизить риск ошибки при работе с ними.
Данные обучения имеют ограниченную актуальность. Если закон или практика изменились позже, модель может ответить на основе устаревших сведений. Для такой задачи нужны актуальные источники.
Обновление модели и поиск сведений во время диалога — разные процессы. Не стоит считать, что модель автоматически знает обо всех последних изменениях.
Логичное возражение: но ведь модели умеют искать в интернете. Разве это не решает проблему?
Решает частично. Когда модель идёт в интернет, она сама формулирует поисковые запросы, получает результаты и прикрепляет найденный текст к вашему промпту как дополнительный контекст. Дальше — обычная генерация.
Разница значительна. Обучение — это закономерности, извлечённые из миллиардов текстов и «впечатанные» в модель. Поиск — это несколько страниц, подложенных в контекст. Одно не заменяет другое.
Качество ответа зависит в том числе от найденных источников. Проверяйте их актуальность, содержание и соответствие вопросу.
Для юридических задач предоставляйте актуальные материалы или используйте поиск с проверкой первоисточников. Уточняйте, на какие документы должен опираться ответ.
Галлюцинация, это ситуация, когда модель выдаёт неверный или несуществующий ответ, оформленный так же уверенно, как и правильный. Например: выдуманное постановление с правдоподобным номером и датой, несуществующее дело, норма, которой нет в кодексе, цитата, которую никто не произносил.
Модель может не обозначить свою неуверенность. Поэтому уверенный стиль нельзя использовать как показатель достоверности.
При генерации модель оценивает возможные продолжения текста. Этот процесс ориентирован на подходящее продолжение и не гарантирует проверку каждого утверждения по источнику. Ошибки возможны при разных способах выбора токенов.
Галлюцинации — известное ограничение языковых моделей. Ответ может выглядеть правдоподобно, даже если указанный факт, документ или ссылка не существуют.
Нельзя считать ответ гарантированно верным только потому, что его подготовила модель. Качественные вводные, подходящие инструменты и проверка результата помогают снизить риск.
Если модель указала судебное дело, норму или цитату, проверьте, существует ли источник и действительно ли он подтверждает вывод. Правдоподобный номер и дата не заменяют проверку.
Это не значит, что нейросетями нельзя пользоваться. Важно помнить: ответственность за содержание документа остаётся на юристе целиком. Ссылка на норму, дело, практику всегда проверяется в первоисточнике.
Укажите предмет вопроса, существенные факты и дату, на которую нужен ответ. Передайте относящиеся к задаче документы и обозначьте, какие сведения пока не установлены.
Попросите отделять содержание источников от предположений и прямо сообщать о недостающей информации.
Откройте указанные источники и проверьте, что они существуют и подтверждают выводы. Сопоставьте с оригиналами даты, суммы, цитаты и номера пунктов.
Повторное уверенное подтверждение со стороны модели не заменяет проверку. Ни один запрос не исключает ошибок полностью.
Как описано в разделе 3, контекстное окно — это лимит на объём входа, и всё, что в него не поместилось, для модели не существует. Здесь посмотрим на практические последствия.
Если часть данных не попала в контекст, ответ будет учитывать только доступные сведения. В длинном диалоге может потеряться важное условие или договорённость.
Для большого документа полезно выделять фрагменты, относящиеся к конкретному вопросу, и проверять каждый этап. Возможность обработать документ зависит от модели, сервиса и сложности задачи.
Крупный документ всегда имеет смысловые блоки: основной текст, приложения, разделы. Их и нужно обрабатывать по очереди.
Основные ограничения, которые важно учитывать:
Понимание ограничений помогает выбирать подходящие задачи, готовить материалы и проверять результат.
Ответьте на вопросы, чтобы закрепить материал. Можно продолжить чтение и вернуться к тесту позже.
Почему ответы языковой модели нужно проверять?
Что реально снижает риск недостоверного ответа? Отметьте все подходящие варианты.
Модель выдала вам подборку из пяти судебных дел с номерами и цитатами — идеально по вашему вопросу. Что делать перед тем, как вставить их в документ?
Тест пока не пройден. Следующий раздел доступен в любом случае.
Возможности ИИ-сервиса зависят не только от модели, но и от доступных инструментов. Рассмотрим, как выбирать их под задачу.
Выберите инструмент, чтобы прочитать, как он работает и для каких задач подходит:
Поиск в интернете не добавляет модели знаний — он добавляет найденный текст в контекст. Модель оценивает: хватает ли собственных знаний? Если вопрос про сегодняшний день, свежий закон или курс валют — она сама формулирует несколько поисковых запросов, отправляет их, получает результаты, добавляет найденное к вашему промпту и только потом генерирует ответ.
Что остаётся вне вашего контроля:
Что важно учесть: прямо указывайте приоритет источника (файл важнее интернета); требуйте ссылки и обязательно их проверяйте; помните про токены — пара поисков по объёмным страницам занимает часть доступного контекста.
Глубокое исследование обычно включает планирование, несколько этапов поиска и сопоставление источников. Результатом может быть развёрнутый отчёт со ссылками.
Полезен, когда нужно исследовать широкую тему, а не найти конкретный ответ:
Развёрнутый отчёт со ссылками тоже может содержать ошибки. Проверяйте, подтверждают ли источники основные выводы.
Рассуждающие модели используют дополнительную обработку перед итоговым ответом. Это может помогать в многошаговых задачах, но не гарантирует правильность результата.
Когда стоит включать режим рассуждения:
Сервис может извлекать из загруженных документов текст и таблицы для анализа. Поддерживаемые форматы и качество извлечения зависят от сервиса. Загрузка файла ещё не означает, что все его сведения прочитаны корректно.
Если нужен только текст, удобны TXT и Markdown. Для простой таблицы можно использовать CSV, если он поддерживается сервисом. При обработке PDF и DOCX проверяйте сохранность таблиц, примечаний и важных чисел. Для набора документов полезно подготовить список: название, дата, редакция и краткое содержание каждого файла.
Модель также может помочь написать код: например, для обработки таблицы, подготовки реестра или выполнения типового расчёта. Такой результат нужно проверять перед использованием.
Коннектор — канал доступа, по которому модель подключается к внешним системам: почте, облачному диску, календарю, базам данных, курсам валют, погоде, корпоративным системам.
Принципиальное отличие от всего предыдущего: модель перестаёт быть только собеседником. Она получает возможность брать данные из ваших систем, и в более продвинутых сценариях совершать в них действия. Например, ответить на e-mail или поставить встречу в календарь.
Плагин — готовое дополнение, которое устанавливается в сервис и добавляет ему новое умение под конкретную задачу. Это набор заранее написанных инструкций и настроек: вы ставите его один раз, и дальше сервис умеет делать то, чего не умел из коробки, — например, работать по определённому алгоритму с судебными документами.
Названия и устройство дополнений различаются между сервисами. При выборе подключения учитывайте, к каким данным и действиям оно даёт доступ.
Поиск, загрузка файлов и подключения могут добавлять в контекст сведения из внешних источников. Это расширяет возможности сервиса, но качество данных и итогового ответа всё равно нужно оценивать.
Главный навык здесь — не знать список инструментов, а выбирать нужный под задачу.
Ответьте на вопросы, чтобы закрепить материал. Можно продолжить чтение и вернуться к тесту позже.
Подберите инструмент под задачу. Нажмите на задачу, затем на подходящий инструмент.
Что общего у всех дополнительных инструментов — поиска, файлов, коннекторов?
Что верно про веб-поиск нейросети? Отметьте все верные утверждения.
Клиент прислал две текстовые редакции договора в Word и просит точно установить все изменения. Как действовать надёжнее всего?
Тест пока не пройден. К итогам урока можно перейти в любое время.
Теперь вы знакомы с основными принципами работы нейросетей: как они обучаются, формируют ответы и используют контекст.
ИИ — широкая область; нейросеть и большая языковая модель — связанные, но разные понятия.
Модель настраивает параметры на данных и формирует текст последовательно, токен за токеном.
Задайте действие, адресата, формат и границы источников. Добавляйте роль и вводные по необходимости, учитывайте объём контекста и проверяйте результат.
Уверенный стиль не гарантирует точность. Важные сведения и ссылки нужно проверять.
Поиск, работа с файлами и подключения расширяют возможности сервиса. Выбирайте их под задачу.
Надеемся, эти знания помогут вам увереннее работать с нейросетями. Успехов в дальнейшем обучении!
В GetCourse вы можете посмотреть видеолекции Яна Стригова об устройстве технологии ИИ. Этот текстовый урок дублирует их содержание.
Открыть «Основы технологии ИИ»