Как работает ИИ - Второй урок курса

Сразу хочу сказать важную вещь: чтобы стать промпт-инженером, особенно вы работаете на уровне малого или среднего бизнеса, вам не обязательно быть математиком или программистом.

Поэтому начнём с простого. Что вообще такое искусственный интеллект и как он работает?

Во-первых, это не какой-то суперразум, как в фильмах. Это не гигантский компьютер, который думает и чувствует как человек, не самостоятельное мыслящее существо, которое способно принимать решения на уровне сознания. Нет, ИИ пока на это не способен.


Если говорить очень кратко, искусственный интеллект — это огромная система паттернов. Эти паттерны работают как нейроны в мозге: они соединяются, обучаются, и на основе входных данных подстраиваются под ту задачу, которую вы ему даёте.


То есть, когда вы задаёте ИИ команду — например, «напиши письмо коллеге» или «создай сообщение для команды» — он не сочиняет этот текст с нуля, как человек. Он не садится «подумать», не размышляет. Он обращается к уже имеющимся шаблонам, к паттернам, заложенным в его базе, и на основе них подбирает такие слова, которые чаще всего встречаются в похожих запросах. Он действует по статистике, а не по вдохновению.

Во-первых, это не какой-то суперразум, как в фильмах. Это не гигантский компьютер, который думает и чувствует как человек, не самостоятельное мыслящее существо, которое способно принимать решения на уровне сознания. Нет, ИИ пока на это не способен.


Если говорить очень кратко, искусственный интеллект — это огромная система паттернов. Эти паттерны работают как нейроны в мозге: они соединяются, обучаются, и на основе входных данных подстраиваются под ту задачу, которую вы ему даёте.


То есть, когда вы задаёте ИИ команду — например, «напиши письмо коллеге» или «создай сообщение для команды» — он не сочиняет этот текст с нуля, как человек. Он не садится «подумать», не размышляет. Он обращается к уже имеющимся шаблонам, к паттернам, заложенным в его базе, и на основе них подбирает такие слова, которые чаще всего встречаются в похожих запросах. Он действует по статистике, а не по вдохновению.

Если хотите простую аналогию — это похоже на то, как работают поисковые системы. Представьте, вы хотите купить велосипед. Вы заходите в Google и пишете «как выбрать велосипед». В этот момент специальные роботы — боты, которые индексируют сайты, читают код страниц, анализируют заголовки, поведение пользователей — оценивают, какие сайты чаще всего дают хорошие ответы на этот запрос.

Они смотрят, на каких страницах люди задерживаются, с какими текстами взаимодействуют, что они читают до конца. И после этого поисковик формирует подборку — в топ выдачи попадают те страницы, которые с высокой вероятностью окажутся полезными.

Теперь представим, что вы кликнули на статью без рекламы, которая была на первом месте. Значит, алгоритмы Google посчитали, что именно этот текст — заголовки, изображения, структура и даже поведение других пользователей — наиболее релевантен вашему запросу.
Такой вывод поисковой робот (Google/Yandex) сделал на основании анализа текста сайтов, их кода, истории домена, и еще десятков факторов.

Так вот, искусственный интеллект делает примерно то же самое, только гораздо быстрее и точнее. Он не выдаёт вам список ссылок. Он сам составляет ответ. И делает это не наобум, а на основе обученной модели.

Теперь переходим к тому, что лежит в основе большинства современных нейросетей. Это так называемая LLM — Large Language Model, или, если по-русски, Большая Языковая Модель. Думаю, вы уже не раз сталкивались с этой аббревиатурой.

Суть проста: это обученная модель, которая на основе запроса пользователя подбирает слова и предложения, максимально похожие на те, которые встречаются в уже существующих текстах.
Как это работает? Нейросеть обучают на огромном объёме данных — это могут быть книги, статьи, страницы сайтов, даже рукописные тексты. И после обучения она начинает «угадывать» наиболее вероятные комбинации слов на заданную тему.


Например, вы спрашиваете: «Как купить велосипед?». И нейросеть не ищет сайты в интернете, как поисковик. Она вспоминает, что с этим запросом часто идут слова «шина», «магазин», «педали», «модель», «бренд». Далее она подбирает те фразы и предложения, которые чаще всего встречались в таком контексте. Например, со словом «велосипед» часто идёт слово «шина». С «шиной» — «педали». С «педалями» — «сцепление». И так по цепочке.

В итоге нейросеть может выдать текст: «Рекомендую при покупке велосипеда обратить внимание на шины, состояние педалей и надёжность сцепления с дорогой». Это очень грубый пример, но принцип понятен.

Она не изобретает новый смысл, она «собирает» наиболее вероятные ответы из того, что уже когда-то было написано. Причём современные модели научились собирать не только отдельные слова, но и целые фрагменты текста, которые выглядят естественно и связно.

Так вот, еще раз как работает нейросеть. В её основе лежит LLM — то есть Большая Языковая Модель (Large Language Model). Вместе с моделью в неё загружают огромный массив данных. На основании этого массива и логики модели нейросеть анализирует ваш запрос и подбирает такие слова и предложения, которые, по её мнению, наиболее релевантны заданной теме.

Как она это делает? Сначала нейросеть разбивает ваш текст на так называемые токены.

Токены — это смысловые единицы, своего рода «строительный материал» для обработки информации. Чтобы было проще понять: представьте, что за каждый токен вы платите копейку. Чем длиннее предложение и сложнее тема, тем больше «копеек» будет списано. То есть, чем объёмнее запрос — тем больше токенов, а значит выше нагрузка на систему.

Например, если вы задаёте вопрос про рецепт латте — это недорогой с точки зрения токенов запрос. Он часто встречался в обучающих данных, нейросеть уже хорошо его знает. А вот если вы зададите что-то вроде «объясни квантовое туннелирование внутри сверхмассивных звёзд», то такой запрос обойдётся дороже — и по вычислительным затратам, и по сложности анализа.

Потому что он реже встречался, требует больше ресурсов, и на его генерацию уходит больше токенов. Один и тот же объём текста может стоить нейросети 100 токенов или 300 — в зависимости от сложности темы.

После того как текст разбит на токены, запускаются вычислительные процессы. На их основе, а также с опорой на LLM, нейросеть подбирает ответ — то есть, она находит те слова, конструкции и фразы, которые чаще всего встречались в похожем контексте.

Чем точнее ваш запрос и чем лучше обучена модель — тем ближе к делу будет её ответ.
Вернёмся к примеру с велосипедом. Вы спрашиваете: «Как купить велосипед?» — и нейросеть не просто наугад собирает текст. Она анализирует всю свою базу: смотрит, где встречались фразы «купить велосипед», «лучший байк», «советы по выбору» — и собирает наиболее частотные и полезные фрагменты в единый, связный текст.

Это похоже на работу универсального компилятора — нейросеть берёт весь накопленный опыт и из него собирает для вас индивидуальный ответ.

Важное примечание: чтобы ИИ выдавал релевантные ответы - разработчики его долго обучали. Например, корректировали ответы ИИ и учили ее отвечать релевантно, например, если ИИ при ответе на вопрос о велосипедах начинала рассказывать про квантовую физику - перенастраивали ее.

И вот здесь часто возникает вопрос: почему один и тот же запрос, сформулированный чуть иначе, даёт совсем другой ответ? А иногда — вообще странный или бессмысленный?

Ответ простой: всё дело в формулировке команды. LLM работает именно так — она смотрит на то, как вы задали вопрос, какие слова выбрали, в каком порядке их написали, и только тогда выбирает ответ. Чем точнее команда — тем лучше результат.

Представьте, что вы пришли в магазин и сказали: «Хочу велосипед».

Продавец может продать любой, который ему выгоднее. А если вы скажете: «Мне нужен городской складной велосипед, для мужчины ростом 190 см, с переключателем скоростей, не дороже 500 долларов, чтобы помещался в метро» — продавец уже не сможет втюхать вам что попало. Он подберёт то, что действительно вам подходит. Так и с нейросетью: чем точнее промпт (команда), тем лучше ответ.


Поэтому задача промпт-инженера — уметь формулировать эти самые команды. И не только формулировать, но и обучать нейросеть под конкретную задачу. Если результат оказался неудачным — можно уточнить формулировку, дать дополнительные данные, показать примеры. Это и есть вторая задача промпт-инженера: постоянно дообучать систему под нужды бизнеса.


Ещё один важный фактор — это параметры модели. Помимо самих команд, на результат влияет то, какие настройки применяются. Например, параметр temperature.

Он определяет степень креативности. При низком значении (например, 0.5) ответ будет строгий, логичный, формальный. При высоком (например, 1.2) — текст может получиться неожиданным, живым, с шутками и яркими оборотами.

То есть если задать ИИ: «Напиши текст про выбор велосипеда», на низкой температуре вы получите сухую справку, а на высокой — возможно, даже рэп в стиле популярного рэп батлера.

В зависимости от задачи и контекста, промпт-инженер должен управлять этими параметрами так же, как управляет формулировками команды.

Не переживайте, в будущих уроках мы детально разберем каждый параметр работы ИИ.

Подводим итоги. Искусственный интеллект — это не магия и не волшебная кнопка, а инструмент. Мощный, да, но управляемый.

Он работает на основе языковой модели, которая анализирует и компилирует текст из обученных данных. Чем точнее команда и чем больше релевантной информации — тем точнее будет ответ.


Именно этому и учится промпт-инженер: создавать команды, тестировать их и при необходимости обучать нейросеть заново.