Как заставить искусственный интеллект не просто выдавать поток текста, а отвечать четко, грамотно и строго по существу? Процесс превращения сырых данных в интеллектуального собеседника — это сложнейшая работа, сочетающая в себе масштабную оцифровку и глубокую экспертизу живых людей. Об этих тонкостях создания нейросетей рассказал в эфире «Радио Рмук» Петр Ермаков, занимающий в «Яндексе» пост бренд-директора по машинному обучению.
Первым и фундаментальным этапом обучения является тщательный отбор и подготовка информации. По словам Ермакова, разработчики не просто берут всё подряд, а целенаправленно формируют качественную базу данных. Однако здесь возникает серьезная техническая преграда: огромный пласт знаний до сих пор существует лишь на нецифровых носителях. Чтобы преодолеть этот барьер, компания активно взаимодействует с библиотеками и университетами, занимаясь оцифровкой ценных материалов.
Но наличие информации — это лишь половина успеха. Второй критически важный этап — работа профессиональных тренеров. В процесс обучения вовлекаются настоящие интеллектуалы: доценты, преподаватели и доктора наук. Ярким примером такой специализации может служить создание «нейроюриста». Здесь к делу привлекают опытных юристов, которые не только формулируют корректные вопросы, но и корректируют ответы модели, приучая её к юридической точности и лаконичности.
Для проверки юридических моделей «Яндекс» готовит особые наборы датасетов и контрольных вопросов. Задача системы — продемонстрировать безупречное знание законодательства. При этом масштаб и методы контроля напрямую зависят от размера самих моделей и того, насколько быстро эксперты-люди способны обрабатывать и проверять результаты работы нейросети.
Стоит отметить, что команда «Яндекса» работает не только над качеством ответов, но и над скоростью вычислений. Так, в июле 2026 года на международной конференции ICML в Сеуле российские исследователи представили прорывную разработку. Они создали программные модули, которые оптимизируют использование памяти видеокарт. Эксперименты подтвердили: вычисления графовых нейросетей ускорились в 8,5 раз. Кроме того, специалисты компании представили исследования, доказывающие, что правильный выбор алгоритмов оптимизации позволяет значительно ускорить процесс обучения даже самых крупных языковых моделей.
