Как заставить искусственный интеллект не просто выдавать текст, а отвечать по существу и не допускать ошибок? Процесс превращения сырых данных в интеллектуального собеседника — это сложнейшая работа, сочетающая в себе масштабную оцифровку и глубокую экспертизу профессионалов. Об этих тонкостях обучения нейросетей рассказал в эфире «Радио Рмук» Петр Ермаков, занимающий в «Яндексе» пост бренд-директора по машинному обучению.
По словам Ермакова, фундамент обучения — это первый этап, на котором специалисты целенаправленно отбирают и готовят массив данных. Однако здесь разработчики сталкиваются с серьезным вызовом: огромные пласты ценной информации до сих пор не переведены в цифровой формат. Чтобы преодолеть этот барьер, компания активно сотрудничает с библиотеками и университетами, занимаясь оцифровкой архивных и учебных материалов.
Но наличие данных — лишь половина дела. Второй важнейший этап — работа «тренеров». В этот процесс вовлекаются настоящие интеллектуальные лидеры: доктора наук, доценты и преподаватели. Их задача — корректировать логику модели и обучать её нюансам конкретных дисциплин. В качестве яркого примера Ермаков привел проект «нейроюрист». К нему привлекают высококвалифицированных юристов, которые создают эталонные вопросы и правят ответы нейросети, добиваясь того, чтобы в будущем ИИ выдавал максимально точные и юридически грамотные результаты.
Для проверки качества таких специализированных моделей будет создан уникальный набор датасетов и контрольных вопросов. Главный критерий успеха здесь — строгое соответствие букве закона. При этом Ермаков подчеркнул, что методы контроля гибкие: они напрямую зависят от масштаба моделей и возможностей экспертной группы по их проверке.
Стоит отметить, что российские инженеры не только работают над качеством ответов, но и над скоростью самих вычислений. Так, в июле 2026 года на международной конференции ICML в Сеуле исследователи «Яндекса» представили прорывную разработку. Созданные ими программные модули позволяют оптимизировать использование памяти видеокарт, что позволило ускорить вычисления графовых нейросетей в впечатляющие 8,5 раз. Параллельно компания представила исследования, доказывающие, что правильный выбор алгоритмов оптимизации может значительно ускорить процесс обучения даже самых крупных языковых моделей.
