Как научить искусственный интеллект не просто выдавать информацию, а отвечать четко, грамотно и строго по существу? Этот процесс гораздо сложнее, чем кажется на первый взгляд, и он требует колоссального труда людей. О тонкостях «воспитания» нейросетей рассказал в эфире Раго РБК Петр Ермаков, занимающий пост бренд-директора по машинному обучению в «Яндексе».
Процесс обучения состоит из двух фундаментальных этапов. Первый — это кропотливый сбор и оцифровка информации. По словам Ермакова, компания не просто берет всё подряд, а целенаправленно отбирает качественные данные. Однако существует и серьезная преграда: огромный пласт знаний до сих пор не переведен в цифровой формат. Чтобы преодолеть этот барьер, «Яндекс» активно выстраивает партнерства с библиотеками и университетами, работая над оцифровкой архивных материалов.
Но наличие данных — это лишь половина дела. На втором этапе в игру вступают настоящие эксперты. Чтобы модель не ошибалась в сложных вопросах, к её обучению привлекают профессионалов высокого уровня: преподавателей, доцентов и докторов наук. Одним из ярких примеров такой работы стал проект «нейроюрист». В этом случае опытные юристы выступают в роли наставников: они формулируют корректные вопросы и правят ответы нейросети, добиваясь того, чтобы в будущем ИИ демонстрировал безупречную юридическую точность.
Для проверки качества таких специализированных моделей планируется использовать уникальные наборы датасетов и контрольных вопросов. Главная задача здесь — убедиться, что ответы ИИ полностью соответствуют букве закона. При этом масштаб контроля напрямую зависит от размера самих моделей и того, сколько экспертов-людей физически способны проверить работу алгоритмов.
Стоит отметить, что технологический прорыв «Яндекса» не ограничивается только качеством ответов. В июле 2026 года на международной конференции ICML в Сеуле российские исследователи представили решение, способное значительно ускорить процесс обучения ИИ. Разработанные программные модули позволяют оптимизировать использование памяти видеокарт, что в ходе экспериментов дало впечатляющий результат: вычисления графовых нейросетей ускорились в 8,5 раз. Параллельно компания представила и исследования в области оптимизации алгоритмов, которые позволяют сделать обучение больших языковых моделей еще более эффективным.
