Главное про AI - Вадим Жартун

когда вы подписываете первый AI-выход своим именем. С этого момента это ваша операционная ответственность — и относиться к ней стоит так же серьёзно, как к подписи под финансовым отчётом или под ответом клиенту.

Послесловие

Сейчас, когда вы дошли до конца книги, я хочу сказать вам нечто важное.

Это объёмная книга на не самую лёгкую тему, и то, что вы дочитали до этого места (не важно, шли ли вы от главы к главе или выбирали только самое нужное вам), означает одну простую вещь: вам не всё равно, и я за это вам искренне благодарен.

У вас наверняка остались вопросы, которые вы задавали себе по ходу чтения и не находили готового ответа в книге — потому что я писал её не как сборник готовых рецептов, а скорее как набор фильтров, через которые вы сможете посмотреть на свою ситуацию.

Если в какой-то главе вы остановились и подумали «а у нас не так» — это не недостаток главы. Это книга сделала то, для чего была написана: помогла вам через призму чужого опыта взглянуть на ваш собственный

Дальше — только практика. Это единственный способ научиться работать со сложным инструментом, который меняется буквально у нас на глазах.

Спасибо, что дочитали до этого места. Теперь — ваша очередь решать, что с этим делать.

Об авторе

Вадим Жартун – консультант по управлению и организационному развитию, бизнес-тренер, блогер, сертифицированный специалист по управлению проектами (IPMA), сертифицированный специалист по международному маркетингу.

С 2004 года специализируется на комплексных реорганизациях, а также внедрении отдельных управленческих систем: управления проектами, материального стимулирования, обучения и развития персонала, стратегического менеджмента и так далее. Разработал ряд авторских методик в области вознаграждения топ-менеджеров («Мотивационный конструктор», «Суперматрица»), а также комплексную концепцию организационного развития («Корпорация гениев»).

Автор и ведущий более 50 тренингов для руководителей, в том числе связанных с внедрением AI в организациях.

Активно развивает темы, связанные с оперативным управлением, личной эффективностью руководителей, визуальными коммуникациями.

Реализовал порядка ста консалтинговых проектов в самых различных отраслях: инжиниринг, IT, строительство, пищевая, легкая и химическая промышленность, логистика, дистрибуция, агропром, профессиональные услуги, нефте- и газо-добыча.

Глоссарий

Ключевые термины, упомянутые в книге. Русскоязычные термины идут первым блоком, англоязычные — вторым, в обоих случаях по алфавиту. После термина — короткое определение, после определения — ссылка на главу, где термин раскрывается подробно.

ГЛОССАРИЙ: РУССКОЯЗЫЧНЫЕ ТЕРМИНЫ

Авторегрессия (autoregressive) — способ генерации, при котором модель выдаёт токен за токеном слева направо, и каждый следующий токен зависит от всех предыдущих; основной режим работы современных текстовых LLM. См. главу 1.

Бенчмарк — стандартизированный набор задач для оценки возможностей модели (MMLU, HumanEval, GSM8K и др.). См. главу 4.

Галлюцинация — уверенно выданный моделью вымышленный факт, который выглядит правдоподобно, но не подтверждается источниками. См. главы 1, 2, 12.

Гибридная (мультимодальная) модель — модель, которая в одном окне принимает и выдаёт текст, картинки, аудио и видео; архитектурно это «склейка» авторегрессии для текста и диффузии для изображений. См. главу 1.

Глоссарий — вы сейчас его читаете; алфавитный список ключевых терминов книги с короткими определениями и отсылками к главам. См. структуру главы в любой из глав 1–17.

Диффузионная модель (diffusion) — семейство моделей, которые не «пишут» текст или картинку, а учатся убирать шум из хаоса за N проходов; основа почти всех современных генераторов изображений. См. главу 1.

Квантование — сжатие весов модели для уменьшения занимаемой памяти и ускорения работы; уровни Q4, Q8 обозначают степень сжатия. См. главу 5.

Контекстное окно — максимальный объём текста, который модель может обработать за один запрос; измеряется в токенах. См. главу 1.

Корпоративная лицензия — договор с поставщиком AI на использование модели сотрудниками компании; обычно включает соглашение об обработке данных и юридические гарантии. См. главу 16.

критерий трёх R — Repetition × Risk × Reversibility — фильтр для решения, какие задачи отдавать AI; все три «да» — отдавайте AI, хотя бы одно «нет» — человек нужен в контуре. См. главу 3.

Мультиагентная система — архитектура, в которой несколько AI-агентов взаимодействуют для решения задачи. См. главу 7.

Параметры модели (B, миллиарды) — числовой размер модели: 7B ≈ семь миллиардов обучаемых весов (карманный помощник), 70B (серьёзный собеседник), 405B (старший эксперт); цифра отвечает на вопрос «сколько железа нужно», а не «насколько умна модель». См. главу 1.

Песочница (sandbox) — изолированная среда исполнения кода, в которой модель может запускать скрипты, но не имеет выхода в файловую систему, интернет или чужие процессы; в книге упоминается в контексте Code Interpreter и подобных инструментов. См. главу 2.

Потерянная середина (lost in the middle) — эмпирически обнаруженный эффект, при котором модель лучше помнит начало и конец длинного контекста и хуже — середину; практический вывод — важное ставить в начало и в конец. См. главу 1.

Предвзятость (bias) — систематическое искажение в ответах модели, унаследованное из обучающих данных. См. главу 2.

Промпт — текст запроса к модели; качество промпта определяет качество ответа. См. главу 6.

Промпт-инжиниринг — практика составления и итеративного улучшения промптов. См. главу 6.

Разреженное внимание (sparse attention) — вариант механизма внимания, при котором модель смотрит не на все токены контекста, а на отобранное подмножество; снижает квадратичную сложность self-attention и позволяет работать с миллионными окнами. См. главу 1.

Резюме — финальный раздел каждой главы, содержащий сжатые рабочие моменты и суть главы. См. структуру главы в любой из глав 1–17.

Российские модели — большие языковые модели, разработанные в России (GigaChat, YandexGPT и др.). См. главу 4.

Системный промпт — постоянная инструкция для модели, определяющая её роль, формат вывода и ограничения; задаётся один раз и действует на все последующие запросы. См. главу 6.

Скрытое состояние (hidden state) — числовой вектор, который рекуррентная сеть обновляет на каждом шаге, пытаясь удержать в нём смысл уже прочитанной части последовательности; ключевое понятие RNN и LSTM. См. главу 1.

Стохастический попугай (stochastic parrot) — метафора, введённая Тимнит Гебру, Эмили Бендер и соавторами в 2020 году для описания модели, которая воспроизводит услышанное, не понимая смысла; в книге используется как контраргумент к тезису «статистика порождает понимание». См. главу 1.

Токен — минимальная единица текста, обрабатываемая моделью; для русского текста один токен обычно соответствует части слова или одному короткому слову. См. главу