Почему ИИ мало знать правильный ответ
В разработке оборудования для критической инфраструктуры, например базовых станций, искусственный интеллект (ИИ) постепенно становится новой рабочей силой. Агенты могут сами выполнять задачи, выбирать и использовать инженерные инструменты. Для такой работы нужны знания стандартов, особенностей ПО, требований к испытаниям и ограничений конкретных систем. Один из подходов к специализации – предметно-специфические языковые модели (Domain-Specific Language Models, DSLM), адаптированные для определенной области. Свой отраслевой ИИ начинается с сильной команды, объединяющей специалистов в соответствующей сфере, разработчиков и экспертов по машинному обучению. Ей предстоит определить задачи, которые можно будет решать с помощью ИИ, подготовить данные и инструменты, выстроить обучение модели и проверку результатов – ее работы. Обучение модели с нуля дает наибольший контроль над ее устройством и данными. Чтобы поддерживать уровень ведущих базовых моделей, нужна полноценная исследовательская лаборатория, практически недоступная большинству отраслевых компаний по затратам и компетенциям. При этом доступ к параметрам готовой модели не означает доступа к данным, методам и опыту, необходимым для воспроизведения ее обучения. Более доступный путь – дообучение готовой модели. Небольшие языковые модели, SLM (Small Language Models. – «Ведомости. Инновации и технологии»), особенно интересны для устойчивых, повторяющихся инженерных задач: при достаточном качестве они требуют меньше ресурсов, чем крупные. Но преимущество дообученной модели может оказаться временным: новые версии универсальных моделей способны справляться с теми же задачами не хуже нее. Смена базовой модели требует новой проверки на задачах компании, иногда повторного обучения. Размер и специализация – разные характеристики: SLM необязательно является предметно-специфической, а DSLM необязательно должна быть малой. Обычно проще и дешевле начать с сильной универсальной LLM (Large Language Model, большой языковой модели. – «Ведомости. Инновации и технологии») в отраслевой рабочей среде – харнессе. Он дает модели доступ к знаниям отрасли, документации проекта и инструментам разработки и испытаний. Это позволяет проверить полезность ИИ до вложений в обучение. Агент может сопоставлять требования, искать противоречия в коде, выдвигать гипотезы о причинах сбоя и готовить программы испытаний. Разработчики задают цель, критерии результата и границы самостоятельности, оставляя выбор способа решения агенту. Жестко расписывая каждый шаг, мы теряем часть возможностей модели. За два-три месяца на рынке успевают появиться новые версии ведущих моделей с заметным ростом результатов в сравнительных испытаниях. Если модель слаба на задачах компании, в следующем квартале стоит проверить ее новую версию на тех же задачах. Такая среда нужна и дообученным моделям. В нашей целевой архитектуре универсальные LLM работают во всех ролях. Небольшие специализированные модели дополняют их в тестировании, отладке специализированных фреймворков, низкоуровневом программировании и эмуляции сетевого уровня (имитации работы сети для проверки оборудования и ПО. – «Ведомости. Инновации и технологии»). В «Иртее» мы считаем использование как универсальных, так и специализированных моделей практически достижимым с учетом доступных ресурсов и инфраструктуры. Например, большая модель формулирует гипотезу о причине сбоя, а специализированная готовит сценарий ее проверки под контролем большой. Такое распределение задач и управление их выполнением называют оркестрацией. Эмулятор воспроизводит заданные условия, результаты возвращаются в общий процесс разработки. При этом подготовка сценария испытания еще не гарантирует, что гипотеза подтвердится на практике. Задача команды – настроить мультиагентный харнесс под модели и выработать методологию их совместной работы: распределять задачи, передавать результаты и проверять общий результат. Самостоятельность агента повышает требования к постановке…
Источник: vedomosti.ru — www.vedomosti.ru/technologies/trendsrub/columns/2026/10/28/1240508-pravilnii-otvet
