Зубков Андрей – ИИ на пальцах: как работает нейросеть и как ее использовать (страница 4)

Модель не «читает» и не «смотрит» как человек; она получает набор чисел и учится находить в них закономерности.

Как понять, что вы усвоили:

— Вы можете закончить фразу: «Признаки — это числа, которые…»

— Вы понимаете, что один и тот же объект можно описать разными наборами признаков.

Чтобы превратить реальный объект в признаки, всегда происходит один и тот же переход: «вход → кодирование → числа». Кодирование — это способ перевода информации в числовой вид.

Дальше модель уже не различает, откуда пришли числа: из текста, изображения или истории кликов. Для неё это просто набор значений, по которым она делает вывод.

У признаков есть три важных свойства, которые влияют на результат.

Первое — что именно вы решили измерять. Если вы описываете текст только его длиной, вы теряете смысл. Если изображение описываете только средним цветом, вы теряете форму. Признаки — это выбор того, какие детали «разрешено» видеть модели.

Второе — насколько признаки похожи на задачу. Для разных задач полезны разные описания. Если вы хотите отличать «спам» от «не спама», важны слова, ссылки, повторяемость. Если хотите предсказывать «понравится ли фильм», важны жанры, актёры, история просмотров. Один и тот же набор признаков может быть отличным для одной цели и бесполезным для другой.

Третье — качество и устойчивость признаков. Хороший признак стабилен: он измеряется одинаково сегодня и завтра и не ломается от мелочей. Плохой признак случайный или «шумный»: он меняется из‑за деталей, которые не должны влиять на ответ (например, лишние пробелы, формат даты, случайная опечатка), и модель начинает учиться на ерунде.

Как понять, что вы усвоили:

— Вы можете назвать три свойства: «что измеряем», «насколько связано с задачей», «насколько устойчиво».

— Вы понимаете, что признаки — это не “истина”, а выбранный способ описания.

Теперь примеры, чтобы стало видно, как это выглядит в разных типах данных.

В тексте признаки могут быть очень простыми: количество слов, наличие конкретных слов («скидка», «срочно»), язык текста, наличие ссылок, доля заглавных букв. Могут быть и более смысловыми: какие темы встречаются, какие слова стоят рядом, какой тон (нейтральный/эмоциональный).

Но в любом случае текст сначала превращают в числа. Даже если вы общаетесь с чат‑моделью, внутри она работает не с «буквами», а с токенами — кусочками текста, которым соответствуют числовые коды. Дальше модель опирается на вероятности: какие продолжения чаще встречались в похожих числовых контекстах.

В изображениях признаки начинаются с пикселей: каждый пиксель — это числа, которые задают яркость и цвет. Но «кот» как идея не лежит в пикселях готовым. Поэтому полезными оказываются признаки, которые отражают формы и структуры: края, контуры, текстуры, сочетания линий, расположение объектов.

Чем ближе признаки к тому, что нужно распознать (например, «есть ли круглая морда и уши»), тем легче модели учиться. Если же оставить только грубые числа вроде «средний цвет картинки», модель будет уверенно ошибаться: средний цвет у кота и у дивана может совпасть.

В пользовательских действиях признаки — это следы поведения, которые можно измерить: что вы открывали, что искали, на что нажимали, сколько времени смотрели, что добавляли в корзину, в какое время суток активны, с какого устройства заходите. Часто добавляют признаки контекста: город (в грубом виде), язык интерфейса, тип подписки, категория товара.

На основе таких чисел системы рекомендаций пытаются угадать, что вам будет полезно дальше.

Как понять, что вы усвоили:

— Вы можете привести по 2–3 примера признаков для текста, изображения и действий.

— Вы видите, что «признак» — это не обязательно “умная” штука; иногда это простые счётчики и отметки.

Самая неприятная часть — когда признаки выбраны плохо. Тогда модель может выдавать ответы, которые выглядят «странно», хотя формально она делает всё правильно: она честно опирается на те числа, которые ей дали.

Плохой выбор признаков приводит к трём типичным проблемам.

Первая — модель учится на совпадениях, а не на смысле. Например, если в обучающих данных «срочные письма» были короткими, а «несрочные» — длинными, и вы дали модели только длину текста, она начнёт считать короткие письма срочными. Смысл письма при этом вообще не учитывается, и результат будет раздражающе неверным.

Вторая — модель цепляется за «подсказки», которые случайно оказались рядом с правильным ответом. Допустим, на фото с собаками был зелёный газон, а на фото с кошками — домашний интерьер. Если признаки слишком грубо описывают фон, модель может начать «распознавать» не животных, а фон. Тогда собака на диване внезапно станет «кошкой», потому что числа больше похожи на «домашнюю сцену».

Третья — модель становится чувствительной к мелочам. Если признаки устроены так, что лишний пробел, другая раскладка, другой формат даты сильно меняют числовое представление, ответы будут «прыгать». Вам будет казаться, что ИИ непредсказуем, хотя на самом деле вы каждый раз подаёте на вход заметно разные числа.

Один цельный сценарий, который можно повторять в жизни, — проверка «на какие признаки я надеюсь» перед запросом к чат‑модели.

Представьте, вы хотите, чтобы ИИ помог составить письмо клиенту, который недоволен задержкой. Вы пишете: «Составь ответ клиенту про задержку». Часто получается либо слишком сухо, либо слишком оправдательно, либо без конкретики.

Почему так? Потому что по вашему короткому тексту модель видит мало полезных чисел: нет признаков про тон, нет признаков про контекст, нет признаков про ограничения.

Действия по шагам:

Шаг 1. Добавьте признаки контекста (что произошло и какие факты важны).

Пример запроса:

«Составь письмо клиенту. Ситуация: заказ №123, задержка 3 дня из‑за сбоя на складе, новая дата доставки — 15 июня. Клиент уже писал один раз.»

Шаг 2. Добавьте признаки цели и тона (каким должен быть результат).

«Цель: сохранить доверие и предложить компенсацию. Тон: спокойный, уважительный, без оправданий.»

Шаг 3. Добавьте признаки формата (как ответ должен выглядеть).

«Формат: 6–8 предложений, сначала извинение, затем факт, затем план, затем компенсация, затем контакт для уточнений.»

Шаг 4. Добавьте ограничения (что нельзя делать).

«Не упоминать внутренние процессы компании, не обвинять клиента, не обещать невозможного.»

После этого ответы обычно становятся заметно полезнее не потому, что модель «стала умнее», а потому что вы дали ей больше правильных числовых сигналов: про задачу, про стиль, про структуру. Вы как бы помогли модели «увидеть» то, что для вас важно.

Как понять, что вы усвоили:

— Вы можете объяснить, какие «признаки» добавились в запросе: факты, цель, тон, формат, ограничения.

— Вы понимаете, почему короткий запрос даёт расплывчатый результат: мало информации для кодирования в числа.

Запомнить стоит следующее. ИИ работает с признаками — числовым описанием входа, а не с «пониманием» как у человека. Для текста, изображений и действий признаки выглядят по‑разному, но логика одна: сначала перевод в числа, потом поиск закономерностей.

Если признаки бедные или случайные, ответы будут странными: модель начнёт опираться на длину, фон или мелочи вместо смысла. Попробуйте в своих запросах добавлять признаки контекста, цели, формата и ограничений — это простой способ сделать результат стабильнее и полезнее.

Глава 6. Модель: упрощенная схема реальности

Обычно новичок представляет ИИ как «умную программу», которая где-то внутри хранит правильные ответы. Из‑за этого возникают три частых вопроса. Первый: почему модель иногда ошибается в очевидных вещах, если «она же должна знать»? Второй: чем это отличается от обычной программы, где всё заранее прописано? И третий, практический: как так получается, что одну и ту же модель используют и в чате, и в переводчике, и в помощнике для писем — это разные ИИ или один?

Ключевой принцип такой: модель — это упрощённая схема реальности, то есть шаблон, который по примерам из данных учится предсказывать результат. «Упрощённая» означает, что модель не хранит мир целиком и не понимает его как человек. Она выделяет повторяющиеся закономерности из того, что видела, и использует их, чтобы угадать наиболее подходящий ответ для нового случая.

Как это работает на уровне идеи. У модели есть вход и выход. На вход вы даёте описание ситуации: текст письма, набор признаков товара или фразу на другом языке. На выходе модель выдаёт предсказание: следующее слово, метку «спам/не спам», вероятный перевод, рекомендацию товара и так далее.

Чтобы научиться, модели нужны данные — примеры из прошлого. В данных есть то, что подаётся на вход, и то, что считается правильным результатом. Во время обучения модель много раз сравнивает свои ответы с правильными и подстраивает свои внутренние настройки так, чтобы ошибаться реже.

Эти настройки можно представить как «ручки», которые подкручиваются, пока ответы в среднем не станут лучше. Важно: модель не запоминает один-единственный правильный ответ на каждую ситуацию. Она учится общему шаблону: какие входы обычно ведут к каким выходам.

Как понять, что вы усвоили:

— вы можете сказать фразу «модель не знает, она предсказывает по примерам» и объяснить её на бытовом примере;