Тим Зинин

Однажды ко мне пришёл запрос — помочь разобраться, почему рекомендательная система в продукте выдаёт откровенно странные советы. Команда уже месяц крутила гиперпараметры, меняла архитектуру, добавляла данные — а рекомендации становились только хуже. Когда я зашёл внутрь и посмотрел, что именно они обучают и на чём, картина прояснилась примерно за час. Проблема оказалась в самом алгоритме: для задачи использовался инструмент, принципиально неподходящий под структуру данных. Всё остальное — надстройка над неверным фундаментом. С тех пор я убеждён: прежде чем писать первую строчку кода, стоит понять, как работает сам алгоритм...

Предприниматели, с которыми я работаю, приходят к теме ИИ-инструментов по-разному. Одни разбираются сами, другие узнают от сотрудников. Общее одно: барьер для входа минимален, большинство инструментов доступны бесплатно прямо в браузере. Расскажу, как это устроено и где люди теряют время впустую. Языковая модель — математическая функция, обученная на огромном массиве текстов. Она принимает входящий текст (запрос) и предсказывает, какой текст логично следует за ним. Звучит просто, но за этим «предсказанием» стоят миллиарды параметров и несколько этапов обучения. Предобучение: модель «читает» терабайты текстов и учится продолжать их правдоподобным образом...

Клиент приходит с запросом: «хотим внедрить ИИ». Спрашиваю — что именно? Молчание. Потом: «ну, чтобы само работало». За несколько лет такой диалог повторялся столько раз, что я решил написать нормальный разбор. Что такое модели машинного обучения, как они устроены и где конкретно приносят пользу. Модель в контексте машинного обучения — математическая функция, которая принимает входные данные и возвращает ответ. Фотография на вход — «кошка» на выходе. Текст запроса — рекомендованный товар. История транзакций — оценка вероятности мошенничества. Внутри у неё параметры — числа, которые настраиваются в процессе обучения...