Как добиться от искусственного интеллекта четких и содержательных ответов без лишней «воды»? Ответ на этот вопрос дал Петр Ермаков, занимающий пост бренд-директора по машинному обучению в «Яндексе». В эфире Радио РБК эксперт раскрыл внутреннюю кухню процесса, который гораздо сложнее, чем кажется на первый взгляд.
По словам Ермакова, создание интеллектуального собеседника — это многоступенчатый процесс, где фундаментом служит тщательный отбор и оцифровка информации. Это не просто загрузка случайных текстов в систему, а кропотливая работа с источниками. Проблема в том, что огромный пласт знаний до сих пор существует лишь на бумаге. Чтобы наполнить модели качественным контентом, компания налаживает тесное взаимодействие с библиотеками и университетами, переводя архивные и научные материалы в цифровой формат.
Однако наличие данных — это лишь половина дела. Второй критически важный этап — работа живых экспертов, которых можно назвать «тренерами» нейросети. В процесс обучения вовлекают профессионалов высшего звена: доцентов, учителей и докторов наук. Ярким примером такой «дрессировки» стал проект по созданию «нейроюриста». К работе привлекли опытных правоведов, которые формулируют корректные вопросы и правят ответы модели, приучая её к юридической точности и лаконичности.
Для проверки качества таких специализированных систем, как юридические ИИ-модели, разработчики готовят уникальные наборы датасетов. Тесты составлены так, чтобы проверить способность нейросети действовать строго в рамках действующего законодательства. При этом масштаб контроля напрямую зависит от размера самих моделей и того, сколько экспертов-людей способно физически обработать поток проверок.
Параллельно с совершенствованием логики, «Яндекс» работает над технической мощностью своих разработок. В июле 2026 года на международной конференции ICML в Сеуле российские исследователи представили прорывное решение по ускорению обучения ИИ. Благодаря созданным ими программным модулям, использование памяти видеокарт стало значительно эффективнее, что позволило увеличить скорость вычислений графовых нейросетей в 8,5 раз. Также специалисты компании представили результаты исследований, посвященных оптимизации алгоритмов для ускорения обучения больших языковых моделей.
