Все новости крипты
в одном месте!
Больше не нужно искать — необходимые
обучающие материалы и подсказки всегда под рукой
Больше не нужно искать — необходимые
обучающие материалы и подсказки всегда под рукой
Вот перефразированная новость на русском языке:
Успех внедрения искусственного интеллекта (ИИ) в компаниях напрямую зависит от того, насколько активно сотрудники участвуют в обучении специализированных моделей. К такому выводу пришла обозреватель Financial Times Сара О’Коннор.
Ключевую роль здесь играет так называемое неявное знание — это практические навыки и методы принятия решений, которые накапливаются с опытом, но редко прописываются в инструкциях и документах компании. В FT отметили, что эта концепция восходит к философу Майклу Поланьи, который говорил: «мы знаем больше, чем можем высказать».
По мнению автора статьи, универсальные модели ИИ хорошо работают там, где много открытых данных и четкие критерии оценки. Но в задачах, требующих глубокого понимания внутреннего контекста компании и экспертного мнения, одних лишь письменных инструкций недостаточно.
Издание проводит параллель с работой американского инженера Фредерика Уинслоу Тейлора, который в начале XX века пытался формализовать опыт заводских рабочих, наблюдая за ними, делая записи и замеряя время.
Bridgewater дообучила модель на экспертных оценках
В качестве примера приводится совместное исследование Bridgewater AIA Labs и Thinking Machines Lab, опубликованное 30 июня. Ученые протестировали ИИ на шести задачах из реальной работы инвестиционной компании: модели анализировали финансовые новости, документы центробанков и другие данные, важные для принятия решений.
При использовании простых инструкций модели Claude Opus 4.6 и 4.8, Gemini 3.1 Pro, GPT-5.4 и GPT-5.5 показывали точность от 45,6% до 50,1%. Однако промпты, составленные экспертами Bridgewater, повысили этот показатель до 74,3–78,2%. Автоматическая оптимизация инструкций не дала дополнительного эффекта.
«Четкий промпт способен передать лишь ту часть интуиции, которую эксперт может выразить словами. Но самые важные суждения часто сложнее всего сформулировать», — пояснили авторы работы.
Затем исследователи дообучили модель Qwen3-235B на данных, размеченных специалистами Bridgewater. В результате средняя точность системы выросла до 84,7%. По расчетам разработчиков, количество ошибок сократилось на 29,8% по сравнению с лучшей универсальной моделью из протестированных.
При этом стоимость обработки задач оказалась в 13,8 раза ниже. Авторы назвали этот метод «дифференцированным интеллектом». Он подразумевает настройку отдельных моделей под конкретные процессы и потребности организации.
Ford расширила команду опытных специалистов
FT также приводит пример компании Ford. За последние три года автопроизводитель нанял, повысил в должности или вернул на работу около 350 опытных технических специалистов. Они проверяют конструкции, выявляют возможные неисправности, обучают молодых инженеров и помогают улучшать автоматизированные системы контроля качества.
Вице-президент Ford по разработке аппаратной части Чарльз Пун заявил, что результат работы ИИ напрямую зависит от качества данных, на которых его обучают. «Искусственный интеллект — отличный инструмент, но он хорош ровно настолько, насколько хороша информация, используемая для его обучения», — подчеркнул он.
По словам Пуна, компания недостаточно системно сохраняла знания опытных инженеров. Некоторые специалисты ушли из Ford до того, как их опыт удалось полностью передать и закрепить во внутренних процессах.
Напомним, в октябре 2025 года ForkLog разбирался, как разработчики адаптируют большие языковые модели для выполнения офисных задач.
Популярные лонгриды:
