Генеративный искусственный интеллект
Генеративный ИИ — класс моделей, которые создают новые артефакты (текст, изображение, код, аудио) по запросу, а не только присваивают метку классу. ChatGPT, Copilot, Midjourney, GitHub Copilot — сервисы поверх таких моделей. Базовые определения ИИ и ML — в введении в раздел; здесь — устройство и ограничения генеративного стека.
Чем генеративный ИИ отличается от "классического" ML
| Аспект | Классический ML (часто) | Генеративный ИИ (LLM и др.) |
|---|---|---|
| Выход | Класс, число, ранжирование | Текст, картинка, фрагмент кода |
| Обучение | Признаки → метка | Предсказание следующего токена / диффузия пикселей |
| Ошибки | Смещение метрик | "Галлюцинации" — правдоподобный, но неверный текст |
| Данные на входе | Таблица, логи | Промпт + опционально RAG-контекст |
Модель не "знает факты" как база данных: она воспроизводит статистические паттерны из обучающего корпуса. Поэтому для юридических, медицинских и финансовых решений нужны проверка человеком и ссылки на источники.
LLM - минимальная механика
Большая языковая модель (LLM) получает последовательность токенов (кусочков текста) и на каждом шаге выдаёт распределение вероятностей над следующим токеном. Декодирование (жадное, beam search, sampling с temperature) определяет "креативность" ответа.
Ключевые термины:
- Контекстное окно — сколько токенов модель "видит" за раз; длинные документы режут или суммаризируют.
- Системный промпт — инструкция роли ("ты помощник поддержки…"), задаётся разработчиком сервиса. Примеры полей и формулировок — Prompt engineering — библиотека.
- Temperature — выше → разнообразнее и рискованнее; ниже → стабильнее и суше.
Инференс LLM требует GPU или специализированных чипов; обучение с нуля доступно единицам организаций — большинство команд дообучают или подключают готовые API.
RAG - когда одной модели мало
Retrieval-Augmented Generation (RAG) — схема "сначала найти релевантные фрагменты в вашей базе, потом подставить их в промпт". Так снижают выдумывание фактов о внутренних документах (регламенты, API, тикеты).
Этапы RAG:
- Индексация документов (chunking, эмбеддинги).
- Поиск по запросу пользователя (векторный + иногда полнотекстовый).
- Сборка промпта: вопрос + найденные цитаты.
- Ответ LLM с требованием опираться на цитаты.
RAG не отменяет ошибки: плохой chunking или устаревшая база дают неверный контекст так же надёжно, как галлюцинация.
Шаблон промпта с блоком "источники" для учебных и внутренних баз — библиотека промптов, RAG. RAG — слой знаний в типовой архитектуре вместе с MCP (подключения) и агентом (действия). Сводная схема — RAG, MCP и агенты — три слоя архитектуры.
Агенты
Агент — LLM + цикл "план → вызов инструмента → наблюдение". Инструменты — поиск, SQL, HTTP API, выполнение кода в песочнице. Подробнее — Агенты ИИ и обзор трёх слоёв.
Риски и ответственное использование
- Конфиденциальность — не вставляйте в публичный чат персональные данные и секреты компании без политики DLP.
- Авторство и лицензии — сгенерированный код может повторять чужие фрагменты; нужен review.
- Зависимость от вендора — модели и цены меняются; закладывайте абстракцию API.
Развёрнуто — в ответственном использовании ИИ и ИИ для топ-менеджмента и корпоративного ПО.
Практика на Microsoft Learn
После этой главы:
- Концепции ИИ (~40 мин)
- Генеративный ИИ и агенты — введение (~37 мин)
Агент с доступом к терминалу выполняет команды от вашего имени — перед запуском сверяйтесь с Опасными скриптами. Архитектура — 6.04 / Агенты ИИ.
Все ссылки — в навигаторе Learn.
Итоги
Генеративный ИИ — статистическая генерация контента, а не разум. LLM + RAG + агенты — инженерные паттерны продакшена 2020-х. Теория здесь, hands-on — на Learn и в ваших pet-проектах с API.