Искусственный интеллект
Основы ИИ для руководителя: двадцать терминов и один айсберг
Содержание
Чтобы поставить задачу на внедрение ИИ и проверить ответ подрядчика, руководителю не нужно знать сорок терминов — достаточно двадцати, разложенных по четырём группам, и одной картинки: айсберга, у которого языковая модель — только верхушка. Ниже — наш словарь с примерами из собственных систем и объяснение, почему модель почти никогда не является продуктом. Там, где практика закреплена в системе качества компании, стоит плашка «По стандарту качества Интелбит»; сама политика качества опубликована в разделе о компании.
Основы: что именно вы покупаете
Искусственный интеллект artificial intelligence, AI
Общее название для программ, которые решают задачи, раньше требовавшие человека: распознать текст, ответить на вопрос, выбрать действие. Под этим словом может скрываться что угодно, поэтому в договоре оно ничего не значит без следующих четырёх.
Машинное обучение machine learning
Способ получить такую программу не написанием правил, а подбором параметров по примерам. Если правила известны и их немного, машинное обучение не нужно: достаточно обычного кода.
Нейросеть neural network
Модель из множества простых вычислительных узлов, соединённых слоями: каждый узел получает числа, взвешивает их и передаёт дальше. Веса связей — это и есть параметры, которые подбираются при обучении на примерах.
Глубокое обучение deep learning
Обучение нейросетей с большим числом слоёв. Именно оно стоит за современным распознаванием речи и изображений и за языковыми моделями.
Большая языковая модель large language model, LLM
Нейросеть, обученная предсказывать следующий фрагмент текста на огромном корпусе. Именно она стоит за ChatGPT, Claude, GigaChat и YandexGPT. Она не хранит ваши данные и не знает вашу компанию — пока ей этого не показали.
По стандарту качества Интелбит. Модель выбираем по контуру: зарубежные — в разработке и контент-заводе, российские — там, где обрабатываются персональные данные; во внешнюю модель персональные данные не уходят.
Генеративный ИИ generative AI
Применение таких моделей для создания текста, кода, изображений. В наших проектах генеративная часть — это ответы чат-бота и черновики кода.
Взаимодействие: как программа говорит с моделью
Промпт prompt
Текст, который модель получает на вход: вопрос пользователя плюс инструкции разработчика. Большая часть «настройки ИИ» в прикладных проектах — это работа с промптом, а не с моделью.
Токен token
Единица, в которой модель считает текст, — примерно три четверти слова для английского и меньше для русского. В токенах измеряется и оплата, и объём того, что модель может удержать.
Контекстное окно context window
Максимум токенов, который модель видит за один запрос. Всё, что в него не поместилось, для модели не существует. Отсюда главный инженерный вопрос любого проекта: что именно положить в окно.
API application programming interface
Программный интерфейс, через который ваша система вызывает модель. Модель в чате и модель по API — одна и та же; разница в том, кто формирует промпт и что делает с ответом. В нашем чат-боте на сайте и в Telegram расход токенов учитывается на каждого посетителя отдельно, с лимитом на посетителя и отдельным потолком на адрес, — иначе один скрипт может потратить месячный бюджет за ночь.
Чат-бот chatbot
Интерфейс, в котором модель отвечает на сообщения. Сам по себе он ничего не умеет делать в ваших системах; для этого нужны инструменты, о которых ниже.
Обучение: почему «обучить на наших данных» почти никогда не нужно
Обучение training
Процесс подбора параметров модели на данных. Для больших языковых моделей это делают их производители; стоимость измеряется в тысячах видеокарт.
Дообучение fine-tuning
Доводка готовой модели на вашем наборе примеров. Меняет стиль и формат ответов, но плохо подходит для того, чтобы «выучить» ваши документы: факты в параметрах хранятся неточно и устаревают в момент обучения.
Обучение с учителем и с подкреплением supervised learning, reinforcement learning
Два режима подбора параметров: по размеченным примерам «вход → правильный ответ» и по сравнению пар ответов: какой из двух предпочесть. Второй режим — то, чем модели-ассистенты приучены отвечать вежливо и по делу.
RAG и эмбеддинги retrieval-augmented generation, embeddings
Способ дать модели ваши знания без обучения: документы режутся на фрагменты, каждый превращается в числовой вектор (эмбеддинг), по вопросу находятся ближайшие фрагменты и кладутся в контекстное окно. Так устроен наш чат-бот: база знаний — заметки компании, которые скриптом попадают в векторную базу; сама модель при этом не меняется, а обновить знания — значит обновить заметку.
Доверие: что проверять до пилота
Галлюцинация hallucination
Уверенный и правдоподобный ответ, не подкреплённый данными. Это не сбой, а свойство: модель предсказывает текст, а не проверяет факты. Так в первой статье этого блога заголовок «Bitrix24 стирает свойство» после проверки превратился в «молча пропускает».
По стандарту качества Интелбит. Вывод модели проверяется до того, как попадёт к клиенту или в публикацию: каждое утверждение воспроизводится на живой системе.
Смещение bias
Систематический перекос ответов, унаследованный из данных обучения или из промпта. При тестировании нашего бота обнаружилось, что измерительный стенд, который должен был оценивать ответы, сначала их расхваливал.
По стандарту качества Интелбит. Качество ответов модели измеряется на наборе вопросов с заранее известными правильными ответами. Сам инструмент оценки проверяется первым: если он завышает баллы, его чинят до того, как верить его цифрам.
Объяснимость explainability
Возможность показать, на чём основан ответ. Для RAG-систем это источник: фрагмент документа, из которого взят факт. Ответ без источника в учётных задачах принимать нельзя.
Ограждения guardrails
Проверки вокруг модели: что ей разрешено читать, что — делать, какие ответы не выпускать.
По стандарту качества Интелбит. Ограничения живут в системе, а не в промпте: публикатор контента не выпускает текст без источника факта, чат-бот ограничен по темам и бюджету токенов.
Агент AI agent
Модель, которой дали инструменты: искать, читать, записывать. Наш MCP-сервер для Bitrix24 позволяет модели найти контрагента по ИНН, обогатить реквизиты и создать сделку — внутри CRM, а не в чате. Чем больше у агента прав, тем важнее ограждения.
По стандарту качества Интелбит. Действие агента во внешнем мире — письмо, запись в CRM, публикация — выполняется только после подтверждения человеком; права агента ограничены задачей.
Айсберг: почему модель — не продукт
Верхушка айсберга — то, что видно всем: ChatGPT, Claude, промпты и несколько вызовов API. С этого начинают, и это правильно. Средний слой — то, что делает систему полезной: эмбеддинги и RAG, векторные базы (vector databases), вызов инструментов (function calling), структурированные ответы (structured outputs), оценка качества (evaluation) и наблюдаемость (observability). Нижний слой — то, что превращает прототип в рабочую систему: оркестрация агентов (agent orchestration), дообучение, квантизация (quantization) и собственный инференс (inference), ограждения, протоколы инструментов вроде MCP (Model Context Protocol), кеширование, ускорение на уровне GPU.
Главный вывод айсберга: модель редко является всем продуктом. Отличие одного решения от другого — в системе вокруг неё: качество данных, устройство поиска, оценка, устойчивость к сбоям, задержка, безопасность, стоимость и рабочий процесс пользователя. Наш чат-бот на сайте — это модель плюс база знаний, бюджеты токенов, защита от инъекций, российский контур для персональных данных — и большая часть работы ушла не на модель, а на всё вокруг неё.
Для руководителя из этого следует практический порядок вопросов к подрядчику: откуда модель берёт знания (RAG или «обучим»), где проходит граница персональных данных, как проверяется качество ответов, что модели разрешено делать и кто подтверждает действия. Ответы на эти вопросы и есть описание продукта — модель в нём только одна строка.
По мотивам двух публикаций: словаря «40 AI terms» и схемы «The GenAI Iceberg» (LinkedIn, октябрь 2026). Определения и примеры — наши.
Материалы к публикации
Нажмите на изображение, чтобы открыть его в полном размере.
Нужна помощь с такой задачей?