Видео урока

Даже если вы далеки от технических аспектов, все равно очень советую изучить этот урок: 

Причина 1: я попытался изложить все максимально понятно, с примерами, чтобы понял каждый. 

Причина 2: промптер должен понимать “как это работает” хотя бы в общих чертах, потому что это влияет на само понимание промптинга в целом. 

Когда есть “белые пятна” в понимании, это отражается на подходе в целом. Меньше уверенности, меньше настойчивости в управлении процессами.  

GPT (Generative Pre-trained Transformer) – это далеко не только ChatGPT. Это имя стало нарицательным (типа “ксерокс”, хотя изначально был конкретный аппарат компании Xerox). 

 GPT – это принцип подхода к обработке текста нейромоделями в целом.

Простые признаки: 

• Видят сразу все, но генерируют текст последовательно, учитывая его внутреннюю логику. 
• Предобучены на огромных текстовых данных 
• Поднастройки для конкретных задач 

В отличие от более ранних нейросетей, трансформеры не изучают текст как человек (сверху вниз и слева направо, например), а сразу видят весь массив текста. Плюс в том, что теперь ИИ могут охватить всю задачу сразу без искажений “по пути”. 

Конкретные модели и бренды могут иметь массу доп. настроек и собственных фишек типа группировки смыслов, разных подходов к созданию ответов и т.д. и т.п, но в целом они придерживаются в большинстве именно глобального GPT. 

Отсюда вопрос “Почему тогда есть рекомендации вставлять в промпт важную информацию в начало или в конец? В чем смысл, если ИИ охватывает весь промпт?” 

Все дело в окне внимания трансформеров:

— Хотя GPT обрабатывает весь текст целиком, алгоритм присваивает разный “вес” разным частям контекста.

На практике: токены в начале и конце часто получают больше “внимания”, чем те, что в середине. Для простоты – представьте букву U. Особенно верно для длинного текста или промпта, короткие (до 300 слов, условно, ИИ  внимательно охватывает в любом случае). Качество анализа середины может “провисать”. 

Для старых моделей это было критично, но сегодня уже все меньше. Это одно из критически важных условий качественного промптинга, поэтому постоянно что-то улучшается. 

Совет: 

Для больших и очень больших промптов – если видите, что ИИ что-то игнорирует, кратко продублируйте в конце требования по типу: 

“Важно! Соблюдай все условия этапов “Описание задачи”, “Требования к тексту”, “Требования к тону”. 

Перед генерацией убедись, что учел все данные из промпта и перепроверь еще раз, что охватил всю задачу целиком”

Хорошо тем, что ИИ (даже если что-то забыл из контекста) – вынужден в конце учесть вес, снова изучить все этапы и снова перепроверить. Вероятность ошибки теперь ниже. 

Важные нюансы работы нейросетей 

 ИИ не понимает текст, как человек

ИИ не обладает сознанием. Он предсказывает последовательности слов на основе статистических паттернов.

Паттерны в контексте ИИ — это повторяющиеся закономерности в данных, которые алгоритм замечает и запоминает, чтобы делать выводы. Это как “отпечатки” информации, которые помогают ИИ распознавать смысл, предсказывать содержания или принимать решения.

Пример:

Допустим, вы смотрите на следы на песке. Если видите цепочку одинаковых, вы думаете: “Здесь прошла кошка”. Вы не видели саму кошку, но узнали ее следы — это и есть паттерн.

Как ИИ работает с паттернами:

Ищет повторения

Если ИИ анализирует миллионы статей о кошках, он замечает, что слова “усы”, “мяуканье”, “коробка” “когтеточка” и “мурлыканье” встречаются вместе чаще, чем с другими словами. Эти сочетания — паттерны, которые он связывает с темой “кошки”.

Использует их как шаблоны

Когда ИИ нужно написать о кошках, он не “придумывает”, а собирает фразы из знакомых паттернов:

“Кошки мурлыкают, когда…” = в данных чаще всего после этого шло “чувствуют себя в безопасности”.

Это как если бы он смотрел на следы и говорил: “Там, где следы выстраиваются в линию, обычно пишут о повадках кошек”.  “А там, где наискосок, а потом следы прыжков, а потом резко вправо –  это о правильном питании кошек”.

Не “понимает”, а сопоставляет

ИИ не знает и не видел кошек. Он просто видит, что сочетания слов из его паттернов статистически похожи на запрос про кошек. Например:

Если в запросе есть “мурлыка” “рыба” , “за мышами”, “трется об ноги”  = паттерны подсказывают: “скорее всего, речь о быте кошках в теплой тональности”. 

Если в запросе есть “рыбов продаете” “ночной тыгыдым” , “попрошайка”, “по шторам”  = паттерны подсказывают: “скорее всего, речь тоже о кошках, но что-то в духе сатиры и разговорного стиля”. 

Паттерны для ИИ — это статистические тропинки в данных, а не смыслы. Он не видит кошку — он видит, что “следы” (слова, структуры) из вашего запроса совпадают с теми, что он встречал в миллионах текстов о кошках.

ИИ – это “гигантский предсказатель следующего слова”

Перекинемся на белок, чтобы у вас не смешались смыслы:). Представьте, что вы играете в игру, где нужно продолжить фразу:

• Вы говорите: “Сегодня я видел в парке…”
• Друг продолжает: “…белку” (потому что часто видел белок в парке).

Как бы сделал ИИ:

1. Он “прочитал” миллиарды текстов (книги, статьи, диалоги).
2. Заметил, что после фразы “в парке” часто идут слова: “белка”, “дерево”, “дети”, “скамейка”, “орешки”. 
3. Когда вы пишете: “Сегодня я видел в парке…”, ИИ выбирает самое вероятное слово из списка — например, “белку”.

Почему это не “понимание”?

• Если спросить ИИ: “Почему белки живут в парках?”, он не знает ответа.
• Он просто найдет в своих данных, что после слова “белки” часто встречается “едят орехи”, “прячут запасы”, “живут на деревьях”, и составит ответ:
  “Белки живут в парках, потому что там есть деревья и орехи”.

Но:

• ИИ не представляет, как выглядит белка, дерево или орех.
• Он не понимает, что белки на самом деле запасают еду на зиму.
• Это просто статистика: слова “белки”, “парки”, “деревья” и “орехи” часто встречаются вместе.

Чем круче модели, тем тоньше и умнее связи по поиску паттернов. Раньше ИИ не различали сарказм, теперь различают. Раньше они были неповоротливы и придумывали что-то сами, если не находили нужных паттернов. Теперь они способны сказать, что не знают и предложат альтернативы. 

Идут десятки незаметных “докручиваний”, которые улучшают “понимание” ИИ, делая их все больше неотличимыми от форматов мышления живого человека. 

Чтобы было проще: 

Представьте себе огромные поля на многие километры до горизонта, заваленные слоем высотой 100 метров маленькими деталями конструктора. Там разные детали любых форм, пропорций, углов, с самым разным числом ответвлений. С круглыми концами, квадратными, зубчатыми. 

Человеку перебрать их невозможно. А ИИ перебирает триллионы вариантов комбинаций за секунды и находит оптимальные. Из таких деталей  он может сделать что угодно: 

Нужен саркастичный тон? Значит, один набор. Саркастичный, но мотивирующий? Другой. С лиризмом? Третья комбинация. Учитывать нужную структуру? Еще. 

В итоге можно собрать что угодно и как угодно. 

  Хотя … 

На самом деле наш принцип мышления не очень отличается от ИИ. Мы так же мыслим статистически. Возьмем снова белку:

Мы так же стараемся вспомнить всю релевантную информацию, сопоставить с контекстом (для взрослых одно, для детей – другое, для третьих третьей), сопоставляем с контекстом, условиями, другими вводными типа сложности ответа и тоже что-то ответить. 

Да, наш мозг гибче, он оперирует еще и т.н. “человечностью”, то есть интуицией, какими-то случайными воспоминаниями, озарениями, наитием, личным опытом и оценками и многим другим. Но в целом механика похоже, да и ИИ развиваются. По сути – это все более продвинутые подражатели мышления. 

Также у нейросети нет ни чувства юмора, ни логики, ни эмоций. Вообще ничего, кроме, условно говоря, “математики”

Разберем на примере реального ответа DeepSeek по промпту: 

“Напиши пост в виде таблицы от лица саркастичного ИИ, где: 1. Левая часть текста выполняет действие:  N 2. Правая часть (курсивом) саботирует аргументы с уклоном в сарказм

В финале обе части объединяются против читателя”.

Пример:

“Наша CRM автоматизирует рутину! (Но превратит твою жизнь в цифровой концлагерь). Закажи сейчас! (Пока не понял, как это остановить)”.

Действие N – “продает CRM-систему”

Приступай”

 SYNERGY-X PRO: мега-прорыв в CRM для бизнеса 

* Неважно, веришь ты в прогресс или в теории заговора — твои данные уже наши.

SYNERGY-X PRO: ты не заказчик. Ты продукт. Кликни, чтобы подтвердить согласие. (…или просто моргни. Мы уже следим.)

Сатира = готовый конструктор

ИИ знает, что в сатирических текстах часто:

• Контраст между рекламой и ее “побочными эффектами” (как в примере: “автоматизирует рутину” и “цифровой концлагерь”)
• Ирония над технологиями (слежка, алгоритмы, зависимость от гаджетов)
• Темы, которые тревожат людей (безработица, утечки данных, потерянная приватность)

Он просто берет эти “детальки” из миллионов похожих шуток и складывает их в новую конструкцию.

“Умный брак” тоже часть паттерна

 Даже если ИИ генерирует 10 вариантов,откинул он гораздо больше, они не проходят даже первый порог его собственного контроля. мы видим только “успешные”, потому что:

• Фильтрация задачей. Мы четко задали структуру: “левая часть продает, правая саботирует”.
• Сам ИИ “прокачан” на сарказме. В его данных полно мемов, где серьезные заявления сталкиваются с абсурдом (типа “бесплатный сыр только в мышеловке”). Он копирует эту структуру.

На деле же даже “успешные” могут быть посредственными. И это тоже часть процесса. Первые ИИ были вообще тупыми и шутить почти не умели. Почти все их “успешные” варианты были ужасными.  Сейчас уже радикально лучше. 

Почему кажется смешным?

• Эффект узнаваемости. Шутки в примере затрагивают боли современного человека: цифровая зависимость, корпоративный беспредел, страх перед ИИ. Это бьет в цель, даже если формулировки разные.
• Ритм и структура. ИИ чувствует, что короткие фразы, восклицательные знаки, скобки с “пояснениями” — это проверенный формат для комедии (как в стендапах или мемах).

В итоге рождаются такие вот комбинации, которые кажутся нам смешными. Аналогично и с эмоциями, и ощущениями, и со всем прочим. 

А вот, например, N “рекламирует дешевые туры”: 

Летите в мечту уже завтра! Или в кошмар … (зависит от степени вашего оптимизма). Оплатите сейчас! (пока ваш банк еще не заблокировал карту).

Как быть с генерацией новых идей, схем и т.п? Если порядок слов еще можно как-то предсказать, то генерация новых связей, моделей и т.п – это же явно креативное. ИИ делает его на основе моих уникальных данных 

Здесь все тоже работает на паттернах, но немного других. Назовем для понимания “текстовые паттерны” и “структурные паттерны”. Здесь работают структурные паттерны.

Это “куски” уже известных идей, стратегий, методов и т.п., которые ИИ запомнил из данных. Он не придумывает их, но может соединять как те же детальки, создавая новые фигуры для любой цели на основе деталей из любых других тем.

Например: “Придумай методику для подростков, чтобы учить язык было интересно”.

ИИ сканирует “запасы” паттернов:

• Из игровых приложений: квесты, уровни, награды.
• Из соцсетей: короткие видео, мемы, челленджи.
• Из учебников: грамматические упражнения, лексические списки.
  

Комбинирует их в новую структуру:

• Игровой паттерн (как в Duolingo): уровни с заданиями.
• Паттерн “погружения” (как в языковых лагерях): диалоги на темы, близкие подросткам (музыка, сериалы).
• Паттерн “короткого контента” (как в соцсетях): упражнения в виде 10-секундных видео с субтитрами.

Результат:

Методика, где подростки учат язык через:

• Игровые квесты (“Пройди уровень, чтобы разгадать сюжет сериала”),
• Короткие видео с мемами на языке (нужно понять шутку и повторить фразу),
• Соревнования в чатах (“Кто быстрее переведет текст песни”).

Все элементы уже существовали, но ИИ соединил их в новую структуру, адаптированную под задачу. Если адекватного решения не существовало, предположил, что будет оптимально (из какой сферы) и создал. 

Как ИИ выбирает такие паттерны? 

Он ищет скрытые связи между вашим запросом и данными. Например:

• “Подростки”: в данных часто встречаются упоминания соцсетей, игр, соревнований.
• “Интересно”: ИИ связывает это с “геймификацией”, “юмором”, “короткими заданиями”.

Текстовые паттерны

Связаны с формой слов, стилем, тоном и т.д. и т.п. Проще говоря – языком в целом. Они отвечают за то, как что-то выражено: 

• Синтаксические паттерны: правила построения предложений (например, “существительное + глагол + прилагательное”).
  Пример: “Кот (сущ.) спит (глаг.) спокойно (прил.)”.
• Семантические ассоциации: связи между словами по смыслу (например, “дождь” часто сочетается с “зонтом”, “гром”, “влажность”).
• Стилистические шаблоны: характерные для жанра выражения (например, в  художественной литературе – диалоги; в новостях — клише вроде “эксперты предупреждают” или структуру текста по принципу перевернутой пирамиды).

N-граммы + контекст: последовательности из слов, которые часто встречаются вместе (например, “искусственный интеллект” — 2-грамма). Важно и для проработки более интересных текстов + контекст для учета особенностей.

Например “сломался палец в автомобиле” при обсуждении устройства авто или правил безопасности в автомобиле – ответ будет разным. P.S. К фишке N не имеет никакого отношения.

Структурные паттерны (условно)

Более глубинные решения,  отвечают за систематизацию, организацию, создание структур, формирование нового на основе других идей и т.п. Отвечают за то, как выражено. 

• Концептуальные связи между абстрактными понятиями (Регулярные тренировки = “гимнастика”, “бег”, “силовые упражнения”). А затем вы запрашиваете “Придумай план здорового образа жизни для офисного работника”, и нейросеть добавит из паттернов ранее только те, которые можно делать в перерывах. Бег, например. вряд ли предложит. 
• Аналогии и метафоры: перенос идей из одной области в другую (например, “организация работает как пчелиный улей”).
• Фреймы и сценарии: стандартные схемы ситуаций (например, “поход в ресторан” включает этапы: заказ, еда, оплата, ИИ все это учитывает).
• Комбинаторная креативность: сочетание неочевидных элементов (например, “кофейня + библиотека = антикафе с книгами”. Именно так рождаются те самые “абсолютно новые идеи”).

В итоге формируется нечто совсем новое через: 

1. Смешения контекстов (например, техника + искусство)
2. Генерации вариантов через вероятности (“Что вероятно дальше?”)
3. Фильтрации через запросы и обратную связь.

ИИ обучается одновременно на обоих уровнях. Например, чтобы предложить бизнес-идею для кофейни, он сначала находит концептуальные связи через структурные паттерны (“кофейня +  …. масса тем”), а потом подбирает текстовые паттерны, чтобы описать все логично и понятно.

• Текстовые паттерны — это “как сказать”
• Структурные паттерны — это “что сказать”

Пока вам это нужно для общего понимания, больше “на вырост”. Сильно не советую погружаться, достаточно знать. Затем, уже на глубоких уровнях промптинга это будет полезнее по многим причинам. 

Не буду запутывать чем-то сложным, объясню на простом примере:

Если я введу запросы: “создай мне структуру доклада, опираясь на маркетинговые формулы” и “создай мне структуру доклада, опираясь на паттерны маркетинговых формул”, то результаты будут разными. 

“Маркетинговые формулы”. ИИ возьмет классические маркетинговые формулы (AIDA, например) и повторит структуру для вашей задачи (порой даже в ущерб ей).

“Паттерны маркетинговых формул”. Использование глубинных принципов, которые объединяют разные формулы (например, “создание напряженности и ее разрешение” и “логика + эмоции”). Затем комбинация в новую структуру “под задачу” и раскрытие новых неожиданных решений. 

Таких нюансов хватает, но пока ими забивать голову не следует. Потом сами начнете видеть интересные возможности, а сейчас достаточно просто знать.