⚡ Активация

💭 в уме · писать не нужно

Представь две команды. Первая неделю выбирает модель и крутит настройки обучения. Вторая неделю разбирает свои примеры: выкидывает дубли, чинит перепутанные ответы, дописывает редкие случаи.

Обе обучили модель на одном и том же железе.

Как думаешь, чья модель лучше справится с реальной задачей?

👁 Рефлексия

💭 в уме · писать не нужно

Скорее всего, ты поставил на вторую. Модель учится ровно тому, что ей показали, — включая ошибки в примерах.

Это та же мысль, что в модуле 04: агент делает то, что ты сформулировал, а не то, что ты имел в виду. В обучении твоя формулировка — это датасет. Каждый кривой пример — кривое ТЗ, повторённое много раз.

Прикинь, где в твоей работе лежат примеры «вход → правильный выход», которые уже кто-то проверил.

💡 Концепция

Цикл машинного обучения

Любой ML-проект, от классификатора писем до дообучения LLM, проходит одни и те же семь шагов:

1. Сбор данных — примеры задачи, желательно из реальной жизни.
2. Предобработка — чистка, дедупликация, единый формат, разметка.
3. Выбор модели — класс алгоритма и конкретная модель под задачу.
4. Обучение — модель подстраивает веса под примеры.
5. Тест — проверка на примерах, которых модель не видела.
6. Тюнинг — правка данных и настроек по итогам теста, затем снова обучение.