Как работают нейросети и как ими эффективно пользоваться

Кажется, уже все успели попользоваться различными нейросетями с разным успехом.

Идея такой статьи возникла у меня давно: то и дело встречаю людей, которые не понимают, как эти штуки работают, и поэтому либо ими не пользуются, либо используют неправильно.

Поэтому я попробую коротенько, в двух словах описать, что это вообще такое. Попытаюсь не уходить во всякую математику дальше программы второго класса средненькой такой школы ;-)

В общем, если вы не знаете, как это всё работает, смело приступайте к чтению. Если вы знаете, как это работает, тоже можете почитать: тут будет возможность меня поправить или дополнить. Если вы самосознающий ИИ из далёкого будущего, читающий это для курсовой работы по истории примитивного ИИ, надеюсь, вы зачтёте мне плюсик в карму ))).

Два пути

Для начала предлагаю разобраться, какие есть пути для создания программ для работы с информацией.

Путь первый самый очевидный: берём проблему, описываем её, придумываем алгоритм решения и вбиваем это в компьютер, а он всё это безропотно исполняет.

То есть если у нас есть задача вроде «посчитать итоговую цену покупок в магазине с учётом скидок и кэшбека», для этого нам не трудно составить алгоритм, а умные люди в очках и свитерах могут объяснить этот алгоритм компьютеру. Красота!

А что если алгоритм настолько сложный, что вообще непонятно, как его написать? Если надо, например, распознавать изображения или генерировать текст? Вот тут уже сложнее, но желание сделать так, чтобы за нас такие задачи решали какие-нибудь умные устройства, от этого не убавляется.

В итоге умные дяденьки из различных институтов ещё с середины прошлого века придумали разные хитрости в стиле «сначала сделаем что-нибудь, а потом поподгоняем различные параметры, авось чего выйдет».

Одно из таких направлений и стало называться «нейросети», потому что принцип, по которому они работают, напоминает работу нейронов у живых организмов.

Математика за второй класс

Вот тут, для иллюстрации, нам и понадобится немного математики за второй класс.

Допустим, нам надо на вход программы подать число 2, а получить 4; или подать на вход число 3 и получить 6; или на входе 10 получить на выходе 20.

Умный второклассник, пошевелив своими нейронами, нам тут скажет, что, наверное, надо просто входное число умножить на два.

Если бы смышлёного второклассника не нашлось, а был бы только лодырь-третьеклассник, он бы сказал: «Давайте просто переберём все числа, пока не найдём то, которое подходит!» И, как ни странно, в каком-то смысле он был бы прав: так и работает процесс обучения, только это не перебор всех вариантов подряд, а скорее умное «ползание» в сторону правильного ответа.

Итак, что же делать?

Мы не будем сдаваться и попробуем такую штуку: возьмём входное число, обозначим его A, напишем программку, которая будет умножать это число на коэффициент X, и посмотрим, что будет. Вдруг получится подобрать такой коэффициент, с которым программа будет выдавать нам нужные выходные цифры?

Итак, делаем такую программку:

A * X = B

Для начала выберем случайно какой-нибудь коэффициент вместо X. Допустим, нам попалось число 10.

То есть у нас получится:

2 * 10 = 20  (а надо 4)
3 * 10 = 30  (а надо 6)
10 * 10 = 100  (а надо 20)

Смотрим на результат: пока не очень. А вдруг коэффициент надо увеличить? Ок, вместо 10 сделаем 11.

Думаю, вы уже догадались, что результаты будут ещё дальше от нужных. Ага, догадываемся мы, значит надо идти в другую сторону и начнём уменьшать коэффициент. Опять-таки нетрудно догадаться, что рано или поздно мы дойдём до коэффициента 2, и у нас получатся нужные данные на выходе. Бинго!

Зачем мне был этот пример?

Вы не поверите, но примерно так и работают нейросети от ChatGPT и Gigachat, от NanoBanana до Kandinsky: все они получены именно таким путём. Просто входной текст переводится в числа, и к массиву этих чисел применяется функция вроде:

A1 * X1 + A2 * X2 ... = Z1

И так далее. A1 и A2 тут входные параметры, а X1 и X2 подгоняемые коэффициенты.

А на выходе получается другой массив чисел, который переводится также в текст или картинку. Далее через такую программу прогоняется куча тестовых данных, для которых уже есть готовые ответы. Если ответы программы не устраивают, снова меняем параметры и так далее.

Отличие от нашего примера лишь в том, что вместо умножения применяются обычно чуть другие функции, а параметров в таких системах гораааздо больше двух: миллионы или даже миллиарды.

В общем, то, что я написал, это не полноценная нейросеть, а её самый примитивный родственник: как палка-копалка по сравнению с экскаватором.

Текстопродолжатель

В итоге в основе работы таких моделей, как ChatGPT или DeepSeek, лежит сделанная описанным мной способом система, которая умеет хорошо «продолжать тексты, которые подали ей на вход».

По сути, нейросеть это сущность, которая миллиарды раз ошибалась, и за это её били током в виде функции ошибки, пока она не начала вести себя прилично.

Интересно, что до основ таких систем додумались довольно давно, но до недавних пор вычислительные мощности не позволяли добиться сколько-нибудь массового применения таких систем.

Раз нейросеть это «текстопродолжатель», причём продолжает не «по смыслу», а по статистической вероятности следующего фрагмента, то результат сильно зависит от вашего запроса, то есть промпта.

Чем точнее и детальнее вы опишете задачу, тем лучше будет ответ. Вместо «напиши стих» попробуйте: «напиши короткое шуточное стихотворение в стиле Маяковского про то, как программист борется с багами в коде на Python».

Частые заблуждения

Раз мы уже знаем в первом приближении, как это работает, рассмотрим частые заблуждения людей про подобные нейросети.

«Да он просто ищет информацию с ответами на похожие вопросы в интернете»

Вообще-то нет, они реально могут имитировать ответы на вопросы. Надо только помнить, что это всего лишь имитация, а не реальное «думание».

В этих нейросетях нет знаний о мире как таковых, но за счёт огромного числа подогнанных параметров они реально способны «улавливать» закономерности. Поэтому нейросеть может написать вам сонет о квантовой физике, но при этом искренне «верить», что у слона три ноги, если это часто встречалось в её данных.

Тут надо ещё сделать небольшую сноску: современные умные интернет-помощники это целый комплекс разных систем, и большинство действительно могут искать в интернете информацию. Но это уже надстройка над базовой моделью.

«Нейросеть не может посчитать количество слогов в слове»

Многие начинают снисходительно замечать, что нейросеть не может нормально посчитать количество слогов в слове и так далее.

Да, не может. Собственно, потому что она просто хорошо умеет имитировать разговор, но по-настоящему считать она не умеет. Так же она не понимает законы физики, химии и так далее, но часто умеет воспроизводить правильные ответы, потому что «видела» их тысячи раз.

Важную информацию надо проверять

Из первых двух пунктов вытекает одна из главных вещей, которую надо понимать при работе с такими чатами-помощниками.

Если вы собираетесь использовать информацию от них в важных для вас решениях, будет неплохо, если вы эту информацию проверите. Иначе может выйти нехорошо.

Представьте, что вы слепо последуете рецепту торта от ИИ, а он «забудет» упомянуть про муку. Получится очень грустный омлет.

Для чего это подходит

Эти чаты очень хорошо подходят для:

1. краткого изложения текстов, а также анализа тона текста, определения темы статьи и так далее;
2. генерации текстов в каком-то стиле и жанре: сочинение, эссе, письмо, небольшая программа на языке программирования;
3. анализа текстов и выявления ошибок, советов по улучшению, сокращению или, наоборот, углублению текста;
4. задач с короткими логическими цепочками;
5. анализа идей и мозгового штурма: можно описать проблему, как вы её собираетесь решать, и предметно пообщаться на эту тему с чатом. В итоге могут появиться интересные идеи. В общем, если не нужна гарантированная корректность и точность, но нужно разнообразие подходов.

Где лучше быть осторожнее

Задачи, для которых чаты лучше не использовать:

1. Там, где нужно проверить или сгенерировать длинную цепочку рассуждений или вычислений. Точность не их конёк: чем больше они нагенерируют, тем дольше вам придётся выуживать во всём этом ошибки.
2. Формальное подтверждение длинных доказательств. В принципе, похоже на первый пункт.
3. Юридические, медицинские и другие очень важные вопросы. На все ключевые факты нужны прямые ссылки на законы или исследования, а всё, что они говорят, нужно перепроверять прежде, чем следовать рекомендациям.

Даже есть такой термин — «галлюцинации модели»: когда нейросеть уверенно генерирует неправильную информацию. В общем, иногда она врёт уверенно, как студент на устном экзамене, который ничего не учил, но очень старается.

В общем, для важной информации просите:

• примеры;
• объяснить простыми словами;
• указать сомнительные места;
• альтернативные варианты.

Ну и кроме всего прочего, не стоит очеловечивать нейросети. Они этого не любят!

Надеюсь, это небольшое путешествие «под капот» было полезным. Удачи в освоении новых технологий!