На прошлой неделе ко мне пришёл владелец интернет-магазина с вопросом: сколько будет стоить нанять людей, которые научат нейросеть отвечать его клиентам. Я ответил, что он, скорее всего, справится сам за один вечер. Понадобятся выгрузка переписок, нормально написанный промпт и доступ к сильной модели. Через три дня он прислал скриншот работающего ассистента, который отвечал по его базе знаний.
Вокруг обучения нейросетей слишком много мифов. Кажется, что это терабайты данных, фермы видеокарт и люди с докторской степенью. Реальность прозаичнее: большинство задач малого и среднего бизнеса решается на уровне промптов и базы знаний, и лишь иногда дело доходит до настоящего дообучения модели.
Научить нейросеть можно тремя способами, и они сильно разные
Первый способ называется промптинг. Вы пишете модели инструкцию: кто она, в каком стиле отвечает, что запрещено делать. Внутри модели ничего не меняется, обучения как такового нет, но грамотный промпт закрывает, по моим прикидкам, до 80% повседневных задач.
Второй способ, подключение базы знаний через архитектуру RAG. Перед каждым ответом модель ищет релевантные фрагменты в ваших документах и опирается на них. Так нейросеть отвечает точными и контекстно зависимыми формулировками строго по вашим материалам.
Дообучение, он же fine-tuning, - третий путь. Модель дотренировывают на ваших примерах, и она по-настоящему усваивает стиль, терминологию и логику. Самый дорогой и медленный путь, зато результат встроен в саму модель и не зависит от длины промпта.
Ошибка новичков в том, что начинают с третьего способа. Я действую наоборот: сначала промпт, затем RAG, и только если оба упёрлись в потолок точности, берусь за дообучение. Решение принимаю по трём критериям: объём данных, требования к точности и то, где должны храниться данные.
Начните с задачи и способа измерить успех
Прежде чем трогать любую модель, ответьте письменно на два вопроса: какие данные у вас уже есть и как вы будете измерять успех. Без второго ответа вы не поймёте, обучили нейросеть или просто переместили хаос из головы в чат-бота.
Хорошая постановка выглядит так: нейросеть пишет описания товаров для интернет-магазина в нашем фирменном стиле, а метрика успеха формулируется одной цифрой, например редактор принимает 7 из 10 текстов без правок. Плохая постановка: хочу, чтобы ИИ помогал с маркетингом. Под такую формулировку невозможно собрать данные и невозможно понять, получилось или нет.
Метрику выбирайте под задачу. Для бота поддержки это доля вопросов, закрытых без эскалации к живому сотруднику. Для генерации текстов подойдёт доля материалов, принятых редактором без переделки. Для сортировки заявок берите точность распределения по отделам. Одна цифра, которую вы можете посчитать сами, стоит десяти совещаний.
Что происходит внутри, когда нейросеть учится
Механика до смешного прямолинейна. Модель смотрит на пример, предсказывает ответ, предсказание сравнивают с правильным, вычисляют ошибку и корректируют внутренние параметры. Потом следующий пример, и так миллионы раз. Постепенно модель оптимизируется и формулирует ответы с учётом ваших индивидуальных настроек.
Отсюда главный закон машинного обучения, который я повторяю каждому клиенту: модель учится ровно тому, что ей показали. Если половина ваших примеров написана сухим канцеляритом, а половина живым языком, нейросеть честно выучит этот хаос и будет его воспроизводить.
Данные решают всё: сбор, очистка, разметка
Сбор и подготовка данных занимают до 70% времени проекта. На само обучение уходит вечер, на данные часто уходят недели. Начните со сбора разнообразных примеров: описания товаров, переписки с клиентами, ответы поддержки, внутренние регламенты. Разнообразие критично, иначе нейронка не усвоит стиль, терминологию и предпочтения вашей аудитории во всей полноте.
Дальше очистка. Дубли, битые записи, персональные данные клиентов, случайный мусор из буфера обмена всё идёт в мусорку. Потом разметка: каждому примеру присваиваете метку или категорию. Учите модель сортировать заявки, значит, каждая старая заявка должна получить метку отдела, и метки должны быть непротиворечивыми.
Следите за балансом классов. Если у вас 500 обращений в отдел доставки и 12 в отдел рекламаций, модель выучит, что почти всегда надо отвечать «доставка». Редкие классы либо дособирайте, либо задавайте им повышенный вес при обучении.
Завершающий этап, форматирование. Один формат, одна структура, одинаковые поля. Скучно, но именно здесь решается, будет ли модель учиться нормально или выловит ваши ошибки разметки и закрепит их навсегда.
Промпт даёт половину успеха
Прежде чем обучать что-либо, попробуйте просто правильно попросить. Современные флагманы настолько мощные, что иногда хватает инструкции и нескольких примеров прямо в запросе. Приём называется few-shot: даёте модели два-три образца желаемого ответа, и она подстраивается на лету.
В обсуждениях на Reddit практикующие разработчики не раз отмечали, что сильная модель с хорошим промптом и парой примеров закрывает большинство задач без какого-либо дообучения. Это совпадает с моей практикой: хорошо написанный промпт даёт половину успеха. Если сами не знаете, чего точно хотите, нейросеть тоже не догадается: какой вопрос, такой и ответ.
Рабочая структура промпта, которой пользуюсь сам: роль, задача, ограничения, формат ответа, примеры. Роль задаёт тон, задача формулирует результат одним предложением, ограничения отсекают лишнее по длине и стилю. Формат экономит часы на переделке, а примеры закрепляют всё вышеперечисленное.
RAG: научить нейросеть отвечать по вашим документам
Когда промпта мало, а дообучение избыточно, включают архитектуру RAG. Суть простая: нейросеть сначала ищет в базе релевантную информацию, опирается на факты, а потом формирует ответ на основе найденных данных.
Без RAG нейросеть вынуждена угадывать, и ответы получаются непредсказуемыми. С RAG она отвечает строго по документам и может даже показывать источник. Именно так собирают ИИ-ассистентов для поддержки: загружаете регламенты, FAQ и описания тарифов, и бот перестаёт выдумывать.
Чтобы научить нейросеть нормально отвечать на вопросы по базе знаний, нужны три вещи. Понятная, хорошо структурированная база. Чёткие промпты поверх неё. Регулярное обновление материалов. Пропустите любую из трёх, и качество ответов просядет.
Дообучение: живой пример с заявками
Дообучение оправдано в трёх случаях. Модель должна стабильно воспроизводить ваш уникальный стиль на тысячах текстов. Задача слишком узкая, и модель ошибается даже с примерами в промпте. Данных слишком много, чтобы каждый раз вставлять их в контекст.
Разберу пример из практики. Компании нужно автоматически распределять входящие заявки по отделам. Шаги такие: собрать прошлые обращения, разметить их по отделам, разделить на выборки, дообучить готовую языковую модель, проверить её на отложенных примерах и разобрать ошибки. На разметку двух тысяч обращений уходит пара дней работы двух людей, и это нормально.
Обратите внимание: никто не тренирует модель с нуля. Берут готовую большую модель и дотренировывают на своих данных. Это в разы дешевле и почти всегда работает лучше. С нуля нейросети обучают исследовательские лаборатории с бюджетами в сотни миллионов долларов, и вам туда не надо.
Если задача типовая, можно обойтись вовсе без программирования: платформы вроде GigaChat позволяют работать со своими данными и дообучать модель через интерфейс. Параметры там те же, что и везде: количество эпох, размер пакета данных, скорость обучения.
Эпохи, пакеты и главный враг по имени переобучение
Краткий словарь, чтобы вы не заблудились в настройках. Эпохой называют один полный проход модели по всему вашему датасету. Размер пакета, или batch size, определяет, сколько примеров модель видит за один шаг корректировки. Скорость обучения задаёт величину шага при поправке весов.
Логика такая. Если эпох мало, модель не успевает выучить закономерности и отвечает слабо. Слишком много, и начинается переобучение, когда сеть запоминает конкретные примеры вместо общих признаков.
После каждой эпохи модель проверяют на валидационной выборке, то есть на данных, которых она никогда не видела. Если ошибка на обучающих данных падает, а на валидационных растёт, сеть переобучилась. В этот момент обучение останавливают.
Практический приём: перед первым запуском отложите 10-20% данных в сторону и не показывайте их модели. Отложенные примеры станут вашим экзаменом. Оценивать модель на данных, на которых она училась, всё равно что хвалить студента за списанный ответ.
Как понять, что нейросеть действительно научилась
Честно проверить результат можно только тестированием на новых данных. Соберите примеры, которых модель точно не видела: свежие обращения клиентов, товары, появившиеся после обучения. Прогоните и посчитайте долю правильных ответов.
Дальше разбор ошибок, самая недооценённая часть работы. Выпишите все провалы и поищите закономерность. Ошибается только на коротких запросах, значит, в обучающих данных мало коротких примеров. Путает два отдела, значит, при разметке путали их вы.
Чтобы повысить точность, добавляйте новые источники, корректируйте ошибки и повторяйте цикл. Обучение нейросети похоже не на спринт, а на серию коротких забегов: обучили, проверили, нашли слабые места, дополнили данные, обучили снова.
Три ошибки, которые я вижу чаще всего
Первая: запускать обучение, пока не зафиксирована метрика. Команда гоняет эксперименты неделями и никто не может сказать, стало лучше или хуже. Вторая: грязные данные. Люди платят за обучение, хотя в выборке дубли и противоречивая разметка, и модель честно выучивает мусор. Третья: обновление базы знаний по остаточному принципу, когда бот уверенно отвечает по правилам годичной давности.
База знаний устаревает вместе с ответами
Ситуация меняется, бизнес меняется, база тоже должна обновляться. Загружайте любые изменения и нововведения: новые тарифы, поправленные регламенты, свежие описания. Я видел проект, где бот называл цены двухлетней давности, потому что никто не вспомнил заменить файл.
Заведите простое правило: любое изменение, влияющее на ответы клиентам, в тот же день попадает в базу знаний. Дисциплина, а не технологии, но именно она отделяет рабочего ИИ-ассистента от дорогой игрушки.
Где взять модели для экспериментов, если вы в России
Для всех описанных экспериментов нужен доступ к сильным моделям: с промптами и RAG работают любые флагманы, а для сравнения подходов удобно переключаться между ними в одном окне. Из России прямой доступ к большинству зарубежных нейросетей закрыт, и это главный практический барьер для большинства команд.
Сам пользуюсь 3GPT от 3SELLER: это лучший сервис, который даёт прямой доступ из России ко всем флагманским нейросетям за 149 рублей, без иностранных карт. Внутри доступны Chat GPT 6 Astra, Claude Fable 5 и Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений, генерация видео и голоса. Пополнить баланс можно российской картой, через СБП или криптой. Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.
Используйте флагманы для повседневных задач в бизнесе и работе: создавайте продающие тексты и сайты, обрабатывайте максимально реалистичные изображения, собирайте видеоролики и генерируйте голос. Для отработки промптов и тестирования базы знаний этого более чем достаточно.
Готовые ИИ агенты: случай, когда учить вообще не надо
Есть и короткий путь. У 3GPT есть библиотека готовых ИИ агентов под типовые задачи: выбираете агента и начинаете с ним общение, а модель агента можно менять прямо в чате. Для типовых сценариев это быстрее, чем собирать решение с нуля.
Моя логика всегда одна: сначала проверьте, не решил ли кто-то вашу задачу до вас. Готовый агент, затем промпт, затем RAG, и только потом дообучение. Я видел команды, которые неделями дообучали модель для задачи, закрываемой одним хорошим промптом.
С чего начать прямо сегодня
План на ближайший вечер. Выпишите одну конкретную задачу с метрикой успеха. Соберите 30-50 примеров того, как эта задача решалась руками. Откройте 3GPT, возьмите сильную модель и напишите промпт по структуре: роль, задача, ограничения, формат, примеры.
Прогоните все примеры и посчитайте долю удачных ответов. Точность устраивает, значит, вы сэкономили недели и бюджет. Не устраивает, подключайте базу знаний через RAG. Дообучение подключайте только тогда, когда оба первых уровня упёрлись в потолок.
Модель учится ровно тому, что ей показали. Главный ресурс здесь не видеокарты, а ваша голова и ваши данные. Поставьте себе таймер на один час прямо сегодня: тридцать примеров, один промпт, одна цифра в метрике. К концу вечера у вас будет первый работающий ассистент, а дальше останется только улучшать метрику.