Почему ИИ важен?

Вы смотрите на фильтр как на модель: на входе письмо, на выходе решение «спам/не спам». Дальше вы вспоминаете про данные и обучение: фильтр когда‑то обучали на большом наборе писем, где были примеры мошеннических рассылок и обычной переписки.

Если в данных было много писем с похожими словами («скидка», «срочно», «оплата»), модель могла научиться считать такие слова подозрительными. Если в данных мало примеров писем от вашего банка или от сервисов, которыми вы пользуетесь, фильтр может ошибаться именно на них.

Теперь вы переходите к инференсу: каждое новое письмо — это новый вход, и модель принимает решение прямо сейчас, не «вспоминая» вашу личную ситуацию как человек. Вы делаете простые действия, которые соответствуют этой логике: помечаете ошибочно попавшие письма как «не спам», добавляете отправителя в контакты или в список доверенных, проверяете, не слишком ли агрессивны настройки фильтра.

Эти шаги не «переписывают» всю модель под вас, но помогают системе на стороне сервиса и вашей почты корректнее применять правила и дополнительные сигналы при инференсе.

После этой главы стоит унести три вещи. Модель — это настроенный механизм, обучение — настройка на данных, инференс — применение к вашему запросу здесь и сейчас. Качество и состав данных определяют, где модель сильна и где будет ошибаться. А когда вы отправляете запрос в ИИ‑сервис, вы запускаете инференс: сервис обрабатывает ваш текст и выдаёт результат на основе того, чему модель уже научилась раньше.

Глава 5. Генеративный ИИ: чем он особенный

Вы могли уже пользоваться «умными» функциями: телефон распознаёт лицо, почта отфильтровывает спам, переводчик переводит фразу. А потом вы открываете чат с ИИ и видите другое: он пишет письмо, придумывает план, объясняет тему, генерирует картинку. Возникает путаница: это всё один и тот же ИИ или разные вещи? И почему один «узнаёт», а другой «создаёт»?

Ключевое отличие генеративного ИИ в том, что он не выбирает ответ из готового списка, а строит новый результат по вашему запросу — слово за словом, строка за строкой, пиксель за пикселем. «Генеративный» значит «создающий»: такая модель умеет производить новый текст, код или изображение, похожие по стилю и структуре на то, чему она училась, но не являющиеся простым копированием заранее заготовленного ответа.

Чтобы понять разницу, полезно разделить ИИ‑системы на два типа по их выходу.

Первый тип — распознавание и классификация. «Классифицировать» значит отнести объект к одному из вариантов. Например: «это спам или не спам», «на фото кот или собака», «в аудио есть слово “привет” или нет», «тон отзыва позитивный или негативный». Такая система получает вход (текст, картинку, звук) и возвращает метку, число или короткий ответ из ограниченного набора. Она не обязана быть разговорчивой: её задача — правильно определить, что перед ней.

Второй тип — генерация. Здесь выход не ограничен несколькими метками. Модель должна собрать результат, который раньше не существовал в готовом виде: письмо клиенту, конспект статьи, список идей для презентации, кусок кода, описание товара, изображение по текстовому описанию. Поэтому генеративный ИИ обычно выглядит как «собеседник» или «автор черновиков»: он не только отвечает «да/нет», а предлагает связный материал.

Как это работает на уровне логики, без технических деталей. У генеративной модели есть навык продолжать начатое по закономерностям языка, кода или изображений. Вы даёте ей контекст: что вы хотите получить, для кого, в каком стиле, с какими ограничениями. Дальше она по шагам выбирает следующий элемент результата так, чтобы он был правдоподобным и соответствовал запросу. В тексте это следующее слово или фраза, в коде — следующая строка, в изображении — элементы композиции и детали, которые «сходятся» с описанием.

Отсюда следуют два практических последствия.

Первое: генеративный ИИ хорошо делает формы и варианты. Он умеет писать связно, подбирать структуру, менять тон, сокращать или расширять, предлагать несколько подходов. Это похоже на очень быстрый черновик, который можно править.

Второе: генеративный ИИ может «додумывать» там, где нужны точные факты. Если в запросе не хватает данных или тема сложная, модель всё равно постарается выдать цельный ответ. Иногда это полезно как гипотеза или набросок, но опасно, если вы воспринимаете текст как проверенную справку.

Что именно он умеет генерировать на практике.

Текст — письма, резюме, объявления, инструкции, планы, конспекты, ответы на вопросы, варианты формулировок. Это самый распространённый сценарий: вы получаете черновик, который легко поправить под себя.

Код — небольшие функции, примеры использования библиотек, шаблоны скриптов, объяснение ошибок, идеи структуры проекта. Это не магия «написал программу за минуту», а ускоритель для типовых кусочков и объяснений, особенно если вы можете проверить результат запуском или тестом.

Изображения — иллюстрации по описанию, обложки, простые макеты, варианты стиля, фоны, иконки. Здесь важно помнить: результат может выглядеть убедительно, но не обязан быть точным — например, в деталях предметов, текста на картинке, логотипов.

Музыка и звук — короткие мелодии, фоны, звуковые эффекты, варианты аранжировки. Обычно это используют как черновик или источник идей.

Видео — короткие ролики или анимации по описанию, иногда с персонажами и сценами. Это быстро развивается, но для начинающего чаще полезно как прототип: «показать идею», а не сделать финальный рекламный ролик без доработок.

Теперь — где генеративный ИИ особенно полезен начинающему пользователю. В первую очередь там, где вам нужно не «единственно правильное», а «достаточно хорошее, чтобы начать», и где результат можно быстро оценить глазами или простыми проверками.

Самый частый класс задач — черновики и переработка текста. Подходит, если нужно: написать письмо, сделать вежливую версию сообщения, составить план доклада, переформулировать абзац проще, сократить длинный текст, выделить ключевые пункты. Начинающему это экономит время и снижает барьер «с чего начать».

Второй класс — обучение и объяснения. Подходит, если вы хотите: понять тему «человеческими словами», получить примеры, придумать упражнения, разобрать непонятный термин, составить план подготовки. Здесь важно задавать рамку: уровень, цель, формат (например, «объясни как для новичка и дай 3 примера»), а затем сверять спорные факты по источникам.

Третий класс — поиск вариантов, когда нет одного ответа. Подходит, если нужно: накидать идеи для презентации, варианты заголовков, структуру таблицы, список вопросов для интервью, сценарии разговора, набросок требований к задаче. Генеративный ИИ хорош как «генератор вариантов», а вы выбираете и уточняете.

Один сценарий, чтобы увидеть это в действии. Представьте офисного сотрудника, которому нужно написать письмо партнёру: попросить документы и согласовать сроки. Он открывает чат и формулирует запрос так, чтобы модель могла сгенерировать подходящий черновик: указывает адресата (партнёр), цель (запросить документы и подтвердить дедлайн), тон (вежливо и по делу), ограничения (коротко, без канцелярита) и добавляет исходные факты (какие документы, к какой дате, кто отправитель).

Получив текст, он делает три быстрые проверки: все ли факты верны (даты, названия документов), нет ли лишних обещаний («мы гарантируем…»), подходит ли тон. Затем просит второй вариант — более короткий — и выбирает лучший. Итог: письмо готово быстрее, но ответственность за факты и финальную формулировку остаётся у человека.

После этой главы стоит запомнить три вещи. Генеративный ИИ отличается тем, что создаёт новый результат, а не просто распознаёт и выбирает метку. Он может генерировать разные типы контента — от текста и кода до изображений, музыки и видео — чаще всего в виде черновиков и вариантов. А новичку он особенно полезен там, где нужно быстро начать: получить структуру, черновик, объяснение или набор идей, которые вы затем уточняете и проверяете.

Глава 6. Как ИИ отличается от обычных программ

Вы открываете чат‑бот и задаёте простой вопрос: «Составь письмо клиенту» или «Объясни тему по истории». Ответ выглядит убедительно. Потом вы переформулируете запрос почти теми же словами — и получаете другой вариант.

Возникает недоумение: «Почему так? Это же программа. Разве она не должна отвечать одинаково?» А дальше появляется второй вопрос: «Можно ли ей доверять так же, как калькулятору или навигатору?»

Ключевое отличие такое: обычная программа работает по жёстким правилам и должна выдавать один и тот же результат для одного и того же ввода. А ИИ часто выдаёт вероятностный ответ — выбирает наиболее подходящий вариант из множества возможных, и этот выбор не всегда будет одинаковым.

Жёсткие правила — это когда заранее прописано: если произошло А, делай Б. Калькулятор — хороший пример. В нём чётко определено, что такое «2 + 2», и результат всегда один. Если калькулятор показывает разные ответы на одно и то же выражение, это не «особенность», а ошибка.

ИИ‑чат‑бот устроен иначе. Он не хранит в себе список готовых фраз на все случаи и не следует набору правил уровня «если пользователь спросил Х, ответь Y». Он подбирает продолжение текста по вероятности: какое слово и какая фраза сейчас наиболее уместны, если опираться на то, как люди обычно пишут и отвечают.

Проще говоря, он «угадывает» следующий кусочек ответа так, чтобы он выглядел логично и полезно. Иногда это угадывание попадает в цель, иногда — нет.

Отсюда и причина, почему ИИ даёт разные ответы на похожие запросы.

Во‑первых, в запросе почти всегда есть неоднозначность, даже если вам кажется, что всё ясно. «Составь письмо клиенту» — это письмо с извинениями или с предложением? Тон официальный или дружелюбный? Клиент доволен или недоволен? Когда человек отвечает, он обычно уточняет. ИИ тоже может уточнять, но часто вместо уточнений выбирает один из возможных вариантов и разворачивает его.

Во‑вторых, у ИИ много допустимых «хороших» формулировок. Если вы просите черновик письма, можно написать десять разных писем, и все будут приемлемыми. Поэтому даже при очень похожих запросах система может выбрать другую траекторию ответа: другие аргументы, другой порядок, другой стиль.

В‑третьих, в таких системах обычно есть элемент случайности — небольшой «разброс» при выборе следующего фрагмента текста. Он нужен, чтобы ответы не были одинаковыми и шаблонными, и чтобы модель могла предлагать варианты. Для творческих и языковых задач это полезно. Для задач, где нужна строгая повторяемость, — наоборот, проблема.

Из этого отличия вытекает практический вывод про ожидания. Есть области, где вы вправе требовать точность и одинаковость результата, и есть области, где разумнее требовать не точность «до последней цифры», а понятность, структуру и проверяемость.

Точность можно требовать там, где задача имеет однозначный правильный ответ и цена ошибки высока. Примеры: арифметика, суммы в таблице, точные даты и цифры из источника, условия договора, медицинские дозировки, юридические формулировки.

В таких задачах ИИ может помочь как ассистент — например, объяснить, как посчитать, или оформить результат. Но сам результат нужно проверять по надёжному источнику или считать инструментом, который гарантирует правильность (калькулятор, формула в таблице, официальный документ).

А есть задачи, где «правильного единственного ответа» нет: черновик письма, список идей, план презентации, краткое резюме длинного текста, объяснение темы простыми словами, варианты заголовков. Здесь ИИ полезен именно потому, что предлагает вероятностные варианты.

Вы оцениваете не «истина/ложь», а «подходит/не подходит» под вашу цель, стиль и контекст. В этих задачах нормально, что два похожих запроса дают разные ответы: вы выбираете лучший, объединяете, правите.

Чтобы это почувствовать на практике, представьте две ситуации — калькулятор и чат‑бот — и один и тот же подход к проверке.

Вы готовите письмо клиенту, который недоволен задержкой доставки. Вам нужен аккуратный текст: признать проблему, обозначить срок, предложить компенсацию. Вы идёте в чат‑бот и пишете: «Составь письмо клиенту о задержке доставки. Тон вежливый, без оправданий. Предложи решение».

Получаете вариант. Он в целом нормальный, но слишком общий: нет конкретных сроков, а компенсация звучит двусмысленно.

Вы уточняете: «Добавь: заказ №12345, задержка 3 дня, новый срок — пятница, компенсация — скидка 10% на следующий заказ. Не обещай того, чего не можем гарантировать». Ответ меняется: появляются детали, тон становится точнее.

Потом вы просите: «Сделай короче и более официально». И снова получаете другой вариант — это нормально, потому что вы не ищете единственную «правильную» фразу, вы подбираете подходящую.

Дальше вы делаете шаг, который отличает работу с ИИ от работы с калькулятором: проверяете то, что должно быть точным. Вы сверяете номер заказа, срок, размер скидки, формулировку обещаний с внутренними правилами компании.

Если в тексте появляется лишняя конкретика, которую вы не давали (например, «доставка завтра» или «вернём деньги»), вы это убираете. ИИ здесь — генератор черновика, а ответственность за факты и обещания остаётся на вас.

Если бы это была задача «посчитай итоговую сумму по позициям», вы бы действовали иначе. Там вы не «выбираете лучший вариант», а требуете один ответ и проверяете его формулой. ИИ можно использовать, чтобы подсказать формулу или объяснить ошибку, но итог вы доверяете инструменту с жёсткими правилами.

Запомните простую настройку ожиданий. Если задача про точные факты и расчёты — относитесь к ИИ как к помощнику, который может ошибиться, и проверяйте результат внешним способом. Если задача про текст, идеи и структуру — относитесь к ИИ как к черновику и генератору вариантов: разные ответы на похожие запросы здесь не баг, а свойство.

Полезно унести с собой три ориентира:

- Жёсткие правила дают повторяемый результат; вероятностные ответы дают варианты, которые нужно выбирать и править.

- Разные ответы на похожие запросы возникают из-за неоднозначности, множества допустимых формулировок и небольшого «разброса» в генерации.

- Требуйте точность там, где есть один правильный ответ, а в остальных задачах требуйте ясность, структуру и возможность проверить ключевые факты.

Глава 7. Где вы уже сталкиваетесь с ИИ каждый день

Обычно ИИ представляют как отдельный «умный чат», с которым нужно специально работать. В обычной жизни кажется, что ничего не изменилось: вы просто ищете в интернете, листаете ленту, строите маршрут, отвечаете на письма. Из‑за этого появляется путаница: где именно там ИИ, что он делает за вас и почему иногда результат «как будто подстроен» — показаны не те новости, предложены странные товары или перевод звучит неестественно.

Ключевой принцип простой: ИИ чаще всего работает не как отдельная кнопка, а как невидимый слой внутри привычных сервисов. Этот слой выбирает, что вам показать или предложить дальше.

Обычно этот «слой» решает одну из двух задач: отбор или подсказка. Отбор — это когда система из множества вариантов выбирает несколько и ставит их выше остальных. Подсказка — когда система помогает сформулировать, исправить, продолжить или автоматически сделать часть работы.

В поиске ИИ участвует в том, как формулировка запроса превращается в список результатов. Он пытается угадать, что вы имели в виду, и подобрать страницы, которые «похожи» на ваш запрос. Плюс он может менять выдачу под контекст: местоположение, язык, историю запросов, популярность тем.

В итоге два человека могут получить разные ответы на «один и тот же» вопрос. Это не обязательно плохо, но важно помнить: выдача — не нейтральная полка в библиотеке, а отсортированный список, который кто‑то ранжировал.

Рекомендации в магазинах, видеосервисах и соцсетях — это тот же отбор, только вместо «страниц» выбираются товары, видео, посты и аккаунты. ИИ смотрит на сигналы: что вы открывали, сколько времени смотрели, на что реагировали, что пропускали, что покупали. На основе этого он решает, что показать дальше, чтобы вы с большей вероятностью кликнули, досмотрели или вернулись.

Лента новостей и реклама работают похожим образом: вам показывают не «всё важное», а то, что система считает подходящим именно вам. Поэтому иногда создаётся ощущение, что мир вокруг «сужается» до нескольких тем, а новые точки зрения встречаются реже.

Переводчики тоже используют ИИ, но здесь задача другая: не отобрать, а преобразовать текст. Современный перевод часто не «слово в слово», а попытка передать смысл и стиль. Это удобно, но и рискованно: модель может выбрать слишком уверенную формулировку, сгладить важные нюансы, перепутать термины или имена.

Чем короче и проще фраза — тем обычно лучше. Чем больше контекста, жаргона или двусмысленности — тем выше вероятность неточности.

Навигаторы используют ИИ, когда оценивают пробки, прогнозируют время в пути и предлагают маршрут. Система опирается на данные многих пользователей и исторические закономерности: где обычно замедление, в какие часы, как меняется поток. Поэтому маршрут — это не «единственно верный путь», а ставка на то, что в среднем так будет быстрее.

Иногда ставка не срабатывает: авария, перекрытие, погода, событие в городе. Полезно воспринимать навигатор как помощника, а не как истину.

Фильтры спама — ещё один пример отбора: они решают, что пропустить во «Входящие», а что спрятать. ИИ ищет признаки нежелательных писем: шаблонные фразы, подозрительные ссылки, массовую рассылку, несоответствие отправителя. Ошибки возможны в обе стороны: иногда спам попадает во входящие, а иногда важное письмо улетает в «Спам». Поэтому стоит время от времени проверять папку со спамом и настраивать правила, если сервис это позволяет.

Автодополнение текста в почте и мессенджерах — это подсказка. Система предлагает продолжение фразы, исправляет орфографию, подсказывает варианты ответа. Это экономит время, но может незаметно менять тон: сделать сообщение слишком сухим, слишком дружелюбным или слишком категоричным.

Особенно осторожно стоит относиться к автоподстановкам в деловой переписке: одна неудачная фраза может выглядеть как ваше осознанное решение.

Как же начать замечать ИИ в привычных сервисах осознанно, без паранойи и без лишней сложности? Помогает простой способ «остановка на секунду» — короткая проверка, что именно делает сервис.

Представьте обычный сценарий. Вы открываете видео‑платформу «на пять минут», а через полчаса понимаете, что смотрите уже третью тему подряд, хотя изначально хотели найти конкретный ролик «как составить резюме». Вы решаете действовать осознаннее.

Шаг 1 — отделяете цель от ленты. Цель: найти один‑два ролика по резюме. Лента: бесконечные рекомендации, которые пытаются удержать внимание.

Шаг 2 — замечаете, где именно работает отбор. Вы видите блок «Рекомендуемое» и понимаете: это не список «лучшего в мире», а персональная подборка под ваши прошлые просмотры. Чтобы не уехать в сторону, вы идёте в поиск и формулируете запрос точнее: «резюме без опыта пример», «резюме студент структура». Так вы переключаете сервис из режима «подсовывать» в режим «искать по запросу».

Шаг 3 — проверяете подсказки. Вы открываете найденный ролик, а потом пишете письмо знакомому с просьбой посмотреть черновик резюме. Почта предлагает автодополнение: «Буду признателен за обратную связь». Фраза нормальная, вы её оставляете. Но следующий вариант делает письмо слишком официальным, и вы его убираете. Вы не запрещаете подсказки, вы просто решаете, какие из них действительно ваши.

Шаг 4 — делаете маленькую настройку. Вы ставите напоминание «проверить время» или ограничение на просмотр, или просто закрываете рекомендации после того, как нашли нужное. Это не про силу воли, а про то, чтобы не отдавать управление полностью алгоритму.

После такого опыта становится проще переносить подход на другие сервисы: поиск, новости, магазин, навигатор, почту. Вы начинаете видеть, где вам помогают, а где вас ведут к чужой цели — чаще всего к клику, просмотру или покупке.

Стоит запомнить три вещи. Во‑первых, ИИ вокруг вас чаще всего занят отбором и подсказками, а не «размышлениями». Во‑вторых, поиск, ленты, рекомендации и реклама показывают не реальность целиком, а отсортированную версию, и она может отличаться у разных людей. В‑третьих, полезная привычка — на секунду спрашивать себя: «Это я выбираю или за меня выбирают?» и при необходимости переключаться в режим точного запроса, ручного выбора или простой проверки.

Глава 8. Основные типы задач, которые решает ИИ

Часто ИИ воспринимается как «умный собеседник», которому можно задать любой вопрос. Но в реальных задачах быстро появляется путаница: вы просите «помоги разобраться», а получаете длинный текст, который неясно как применить. Или наоборот: задача кажется слишком сложной для автоматизации, хотя на самом деле она довольно типовая. Чтобы использовать ИИ осмысленно, полезно уметь переводить свою просьбу на один из нескольких простых типов задач.

Ключевой принцип такой: почти любую бытовую задачу для ИИ можно свести к одному из четырёх типов — классификация, поиск похожего, прогноз или генерация. От этого зависит, чего ждать от результата и как его проверять.

Классификация — это «разложить по категориям». На входе у вас объект (письмо, отзыв, фото, строка в таблице), на выходе — метка из заранее понятного набора. Примеры из жизни: определить, спам это или нет; отнести обращение клиента к теме («доставка», «возврат», «оплата»); понять тон сообщения («нейтральный/раздражённый/довольный»). Важный признак классификации: вы заранее можете перечислить варианты ответа, и ИИ выбирает один (иногда с вероятностью или пояснением).

Поиск похожего — это «найти то, что максимально похоже на пример». Здесь вы не просите придумать новое, вы ищете совпадения по смыслу или форме. Бытовые примеры: найти похожие товары по описанию; подобрать похожие формулировки для письма; найти в базе знаний ответ на вопрос, который «звучит иначе, но про то же». Признак: у вас есть образец или запрос, и вы хотите список близких вариантов, чтобы выбрать.

Прогноз — это «оценить, что будет дальше» на основе прошлых данных или наблюдений. В быту это может быть простая оценка: сколько времени займёт задача, какой будет спрос, как изменится расход, какой риск просрочки. Признак: речь про будущее или неизвестный результат, который можно оценить числом, диапазоном или вероятностью. Важно помнить: прогноз не гарантирует точность, он даёт оценку. Её нужно сверять с реальностью на небольших ставках.

Генерация — это «создать новый текст/картинку/план/код/варианты». Это то, с чем чаще всего сталкиваются в чатах: написать черновик письма, придумать варианты заголовков, составить план урока, переформулировать абзац проще, сделать список идей. Признак: вы хотите новый контент, которого раньше не было, и готовы потом править. Генерация особенно полезна для черновиков и вариантов, но требует проверки фактов и соответствия вашим условиям.

Как по формулировке своей задачи понять, к какому типу она относится? Можно задать себе три коротких вопроса.

Первый: «Я выбираю из готовых вариантов или хочу создать новое?» Если выбираете из заранее понятных категорий — это классификация. Если хотите новый текст, план или набор идей — генерация.

Второй: «Мне нужен один ответ-ярлык или список подходящих вариантов?» Один ярлык — классификация. Список близких по смыслу примеров, документов, товаров — поиск похожего.

Третий: «Вопрос про будущее или про оценку вероятности?» Если да — прогноз. Если нет, и речь про формулировки, структуру, варианты — чаще генерация или поиск похожего.

Иногда задача звучит «сложно», потому что в ней смешаны несколько шагов. Но почти всегда её можно разложить на эти простые типы и сделать понятнее, что именно просить у ИИ и как проверять результат.

Представьте ситуацию: вы работаете в офисе и получаете много писем от клиентов. Вам кажется, что «нужен ИИ, который будет разбираться и отвечать». Формулировка большая и расплывчатая, поэтому результат от чата тоже будет расплывчатым. Вы раскладываете задачу.

Шаг 1 — классификация: «Определи тему письма: доставка/оплата/возврат/другое и срочность: высокая/обычная». Здесь вы заранее задаёте категории. Проверка простая: совпадает ли метка со смыслом письма и не пропускаются ли срочные случаи.