У умовах стрімкого розвитку штучного інтелекту у 2026 році ключовим фактором успіху стає не лише потужність обчислювальних кластерів, а й якість вихідних даних. Бренд-директор з машинного навчання у «Яндексі» Петро Єрмаков у інтерв'ю РБК розкрив деталі того, як компанія готує свої моделі до роботи з реальним світом. Виявилося, що процес навчання сучасних нейромереж у багатьох аспектах нагадує шкільну систему освіти, де роль вчителів виконують живі експерти.

Етап збору та оцифрування: робота з нецифровими носіями

Першим і фундаментальним етапом навчання є ретельний відбір та підготовка даних. Петро Єрмаков підкреслив, що «Яндекс» не просто збирає інформацію з відкритих джерел, а спеціально готує датасети, що використовуються для навчання. Значною проблемою залишається доступність інформації: значний обсяг знань досі знаходиться на нецифрових носіях. Для вирішення цієї задачі компанія активно співпрацює з університетами та бібліотеками, щоб оцифрувати архівні матеріали та зробити їх доступними для алгоритмів. Без цього етапу неможливо забезпечити глибину та точність відповідей моделі.

Роль тренерів: чому потрібні люди з науковими ступенями

Другий етап навчання — це робота з «тренерами». На відміну від ранніх моделей, які навчалися виключно на великих масивах тексту без контексту, сучасні системи вимагають участі кваліфікованих фахівців. До команди тренерів входять вчителі, доценти та доктори наук. Саме вони допомагають моделі структурувати знання та розуміти складні причинно-наслідкові зв'язки. Цей підхід дозволяє уникнути галюцинацій та забезпечує логічну цілісність відповідей.

Специфіка навчання юридичних моделей

Особливу увагу у «Яндексі» приділяють створенню вузькоспеціалізованих моделей, наприклад, у юридичній сфері. Щоб ШІ міг надавати коректні правові консультації, до процесу залучаються досвідчені практикуючі юристи. Їхнє завдання — генерувати складні запитання та коригувати відповіді моделі, щоб вона вчилася відповідати максимально по суті, дотримуючись законодавчих норм. Ефективність таких засобів контролю безпосередньо залежить від розміру моделі та «пропускної здатності» команди людей, що перевіряють її роботу.

Протирічливі дані

Під час аналізу процесу навчання виявляється цікавий аспект: існує баланс між автоматизацією та людським контролем. З одного боку, тренери підкреслюють, що без участі експертів (юристів, вчених) неможливо досягти високої точності у вузьких доменах. З іншого боку, ефективність контролю обмежена людським фактором — «пропускною здатністю» людей, що перевіряють відповіді. Це створює виклик для масштабування: чим більша модель і ширший її функціонал, тим складніше забезпечити тотальний людський контроль над кожною відповіддю, що може призводити до варіативності у якості наданої інформації.