Создание искусственного интеллекта, способного выдавать четкие и содержательные ответы, — это не просто вопрос мощных серверов, а сложнейший процесс ручной огранки данных. О том, как именно происходит «воспитание» нейросетей, рассказал в эфире «Радио РБК» Петр Ермаков, занимающий пост бренд-директора по машинному обучению в «Яндексе».
Процесс обучения делится на два фундаментальных этапа. Первый — это кропотливый сбор и оцифровка информации. По словам Ермакова, компания не просто берет всё подряд, а целенаправленно отбирает качественные данные. Однако существует и серьезная техническая преграда: огромный пласт ценных знаний до сих пор хранится на нецифровых носителях. Чтобы преодолеть этот барьер, «Яндекс» активно взаимодействует с библиотеками и университетами, переводя бумажные архивы в цифровой формат.
Второй этап — работа живых экспертов, которых можно назвать «учителями» для ИИ. К процессу привлекаются высококлассные специалисты: доценты, преподаватели и доктора наук. Ярким примером такой глубокой настройки служит проект «нейроюрист». В этом направлении опытные юристы не просто проверяют текст, а генерируют специфические вопросы и корректируют ответы модели. Цель — научить систему отвечать максимально конструктивно и строго по существу.
Для проверки юридических моделей разработчики готовят особые наборы датасетов и контрольных вопросов. Задача ИИ здесь предельно ясна: дать ответ, который будет полностью соответствовать букве закона. При этом методы контроля гибкие — они зависят от масштаба модели и того, сколько экспертов-людей способны физически проверить работу нейросети.
Стоит отметить, что технологический прорыв «Яндекса» касается не только качества ответов, но и скорости вычислений. Так, в июле 2026 года на международной конференции ICML в Сеуле российские исследователи представили инновационные программные модули. Их разработка позволяет оптимизировать использование памяти видеокарт, что в ходе экспериментов привело к ускорению вычислений графовых нейросетей в невероятные 8,5 раз. Кроме того, специалисты компании представили исследования, посвященные ускорению обучения больших языковых моделей за счет внедрения новых алгоритмов оптимизации.
