🧠 RAG и Fine-Tuning: про обучение нейросетей 🤖

Когда AI придёт и в ваш проект, эти два термина вам точно пригодятся.

👉 Да и в обычной работе с AI для задач СА и БА полезно знать не только промпт-инжиниринг, но и эти два подхода.
Они тоже помогают получать от AI более качественный результат.

Донастройку AI под себя через RAG и Fine Tuning можно сделать почти в любой нейросети, включая ChatGPT, Алиса AI, Qwen и другие.


Подробнее 👇

1️⃣ RAG = AI ищет ответ по вашим данным
RAG (Retrieval-Augmented Generation) — генерация, дополненная поиском.

Это подход, при котором AI отвечает на основе ваших документов и базы знаний.
Вы загружаете свои файлы: PDF, HTML-страницы, статьи, инструкции, регламенты и другие материалы, а система ищет ответ по ним.

То есть модель не переобучают.
Ей просто дают нужный контекст из ваших данных для ответов на вопросы.


Технически это реализуется так:

1) Векторизация запроса — преобразование запроса в числовое представление (без AI).

2) Поиск релевантных фрагментов — система ищет в векторной БД наиболее близкие числа, т.е. фрагменты документов (без AI).

3) генерация ответа на основе этих фрагментов — найденные фрагменты добавляются в запрос к AI-модели, и она формирует ответ с их учётом.


Пример:
NotebookLM работает по принципу RAG.
Вы загружаете материалы, и AI далее работает именно по ним.



2️⃣ Fine-Tuning = меняем саму модель под нужную задачу

Это дообучение модели под конкретные задачи, формат ответов или предметную область.

Другими словами — "улучшение мозгов" 🧠

То есть здесь меняются не внешние документы рядом с моделью, а сама модель адаптируется под нужный сценарий.

Например, если вы хотите, чтобы модель:
* писала Use Case в вашем формате,
* генерировала REST API методы по шаблону,
* лучше понимала терминологию конкретной отрасли,
* стабильно отвечала в нужном стиле.

Тогда Fine-Tuning может быть уместен.

🔻 Это более сложный и дорогой путь, который требует качественной подготовки обучающих данных.

Пример:
AI-ассистент “слушает” встречу врача с пациентом,
выделяет из разговора важные данные
и автоматически оформляет запись в медицинской карте в нужном формате и помогает с предварительным определением диагноза.

Для этого модель дообучают на большом количестве реальных врачебных записей, которые ранее заполнялись вручную.

Данные делят на "обучающие" и "тестовые". На обучающих модель учится, а на тестовых проверяют, что она отвечает как настоящий доктор.



👉 В чём разница

RAG
➡️ модель не дообучается
➡️ даёт ей доступ к внешним документам
➡️ удобно, когда данные часто меняются

Fine-Tuning
➡️ модель дообучается
➡️ меняется её внутреннее поведение
➡️ удобно, когда нужно глубже адаптировать её под задачу



👉 Когда выбирают RAG:
✔️ есть база документов
✔️ знания часто обновляются
✔️ нужен быстрый и более дешёвый запуск AI в продукте

👉 Когда выбирают Fine-Tuning:
✔️ нужен стабильный формат ответов
✔️ знания меняются редко
✔️ важна адаптация под узкую предметную область, простой RAG уже не даёт нужного качества



👉 Иногда в проекте используют оба подхода сразу:
▫️ RAG — для получения актуальных данных,
▫️ Fine-Tuning — для лучшего поведения модели.


Системному аналитику полезно знать оба термина.
Потому что в AI-проектах это уже не “что-то для ML-инженеров”, а часть обсуждения архитектуры решения.


📱 GetAnalyst | 💙 VK | 💬 Max

#AI_for_analysts