Сначала — подбрасываем примеры. Заливаем ей в топку гору инфы: миллионы рецептов, обзоры сортов, баристские шпаргалки, инструкции по всем способам заваривания — от турки до аэропрессо.
Дальше — охота за закономерностями. Модель перемалывает это книжно‑кофейное «зерно» и начинает видеть повторяющиеся связки: «кофе + молоко», «арабика → фильтр», «помол → трамбовка → экстракция» — в общем, типовые шаги приготовления.
Первая реакция, она же «ещё зелёная». Спросите: «Какой кофе самый вкусный?» — и получите: «Ну, конечно, с молоком!». Просто потому, что упоминаний про латте в данных, которым учили нейросеть будет чаще всего . Такая перекошенность и зовётся bias, или предвзятость.
Апгрейд знаний. Чем шире меню, которым мы её докармливаем (эспрессо, пуровер, турка, декаф, что угодно), тем меньше эта предвзятость и тем богаче, ровнее и честнее ответ.
Урок 3 курса: Как работает ИИ
В прошлом уроке мы выяснили, что искусственный интеллект (ИИ) — это универсальный «умный помощник‑друг»: в зависимости от назначения он может быть текстовым, визуальным, узкоспециализированным (например, генерировать музыку) или почти универсальным, как ChatGPT, который берётся сразу за множество задач. Однако как именно устроен ИИ мы ещё не разобрали, а это принципиально важно.
Большинство людей представляют современный ИИ как некий цифровой мозг — гигантский живой компьютер, моделирующий человеческое сознание, который формирует личное мнение и «как человек» выдаёт ответы на загруженную в него информацию. В реальности технологии пока далеки от уровня сверхинтеллекта, поэтому нынешний ИИ работает иначе.
Чтобы объяснить принцип, воспользуемся кухонной метафорой. Представьте волшебный ресторан, где вы наняли робота‑повара, желая поручить ему приготовление блюд. Допустим, вам нужен идеальный борщ. Прежде чем робот начнёт радовать гостей, ему надо обучиться: получить сотни рецептов борща и увидеть в них повторяющиеся закономерности — лук режем кубиками, морковь тушим 10 минут и т. д. То есть сначала повар учится без использования настоящих продуктов.
Точно так же обучается нейросеть (правильнее именно так называть современный ИИ). Её кормят миллионами текстов, изображений, мелодий — книгами, сайтами, статьями. ИИ становится своего рода компилятором: он собирает ответы только из того материала, которым его уже «накормили».
Если обучать робота‑повара лишь вегетарианским рецептам, он никогда не узнает о существовании мяса и будет готовить только вегетарианский борщ. Стоит добавить рецепты с говядиной — и он начнёт экспериментировать с мясом: то пересолит, то положит слишком много, то слишком мало. Чем дольше учить, тем точнее станет результат. Аналогично и нейросеть: она выдаёт ответы ровно в той области, в которой её тренировали.
Разберём детальнее. Когда вы спрашиваете ИИ: «Почему небо синее?», он не сидит в размышлениях, а либо ищет информацию в интернете (если подключён к Сети), либо «вспоминает» шаблоны из обучающих данных. Допустим, в ИИ загружена вся «Википедия» и учебники метеорологии — модель берёт готовые фрагменты о рассеянии света в атмосфере и собирает из них связный ответ.
Таким образом, искусственный интеллект сейчас — это не магия, а огромный справочник шаблонов: на каких данных его обучили, такие данные он и использует для ответов. Представьте робота, который выучил один‑единственный рецепт: если это мясной борщ — получится мясной борщ; если луковый — будет «луковый борщ» (да, возможно такая экзотика существует).
Принципы работы ИИ
Подведём промежуточный итог: современный ИИ работает благодаря трём ключевым принципам.
Первое — данные. Любая модель должна быть «накормлена» огромным количеством информации — словно ингредиентами будущего блюда.
Второе — алгоритм. У ИИ есть чёткая программа, по которой он проходит через эти данные, вычленяет закономерности и строит внутренние связи.
Третье — обучение. Модели приходится долго‑долго‑долго тренироваться, прежде чем она начнёт выдавать правдоподобные ответы.
Давайте разберем на примере.
Представьте, мы решили натаскать нейросеть на идеальный кофе.
