Уроки объясняли, как это устроено внутри. Теперь поймем, что с этим делать. Где какой подход применять, что проверить перед запуском, во что это обойдётся и как разбирать инциденты. Без новой теории — опираемся на предыдущие уроки.
Все демо на странице — симуляция: реальных запросов к модели нет, ответы заложены заранее.
Один и тот же вопрос — «где ИИ реально поможет» — распадается на типовые сценарии. У каждого свой подходящий инструмент, свой уровень риска и свои ограничения. Выберите задачу — получите рекомендацию и ссылки на механику из прошлых уроков.
Прежде чем включать ИИ-ассистента в работу, полезно пройтись по короткому списку. Кликайте по пунктам — раскроются детали, а галочкой справа отмечайте, что у вас уже закрыто — внизу соберётся оценка готовности к запуску. Общий принцип из урока 3: начинать с простейшего решения и усложнять, только когда это доказуемо помогает.
Ассистент выдал неверный ответ клиенту. Хороший лог показывает всю цепочку рассуждений. Кликните на шаг, где, по-вашему, всё пошло не так — и проверьте себя.
«95% точности» звучит хорошо ровно до момента, пока не переведёшь в число ошибок в день. Выберите поток обращений и уровень надёжности.
Сначала — базовые развилки на одном экране. Потом — грубый калькулятор «на пальцах», чтобы почувствовать, как режим агента, кэш и дообучение двигают стоимость.
| Ситуация | Что строить | Почему / где смотреть |
|---|---|---|
| Быстро проверить идею | Промпт | Ничего не строим — один хороший промпт. Дёшево и за минуты (урок 1). |
| Ответы по базе документов | RAG | Факты меняются, их много — держим в поиске, а не в модели (урок 2). |
| Многошаговые задачи с внешними данными | Агент | Нужны действия и решения по ходу — но дороже и медленнее (урок 3). |
| Чувствительные данные | Локальный деплой | Данные не должны уходить наружу — своя модель / изоляция, обезличивание. |
| Стабильные правила, тон, формат | Fine-tuning | Стиль «плывёт» даже с промптом, поток большой — вшиваем в веса (урок 4). |
| Быстро меняющиеся факты | RAG, не FT | Вшитые в веса факты устаревают и не обновляются без переобучения (урок 4). |
Модель условная, в относительных единицах — чтобы почувствовать порядки, а не точные суммы. За единицу взят один вызов модели без оптимизаций.
Пять сюжетов. Сначала примерьте решение на себя — выберите вариант ответа, а потом сравните с разбором и механикой из уроков.
Ответы на них могут подсказывать подход и границы применимости.
Чем дороже ошибка, тем ближе к решению должен быть человек. Дёшево — доверяем модели; дорого и необратимо — обязателен human-in-the-loop и точки подтверждения.
→ уроки 1, 3Если данные нельзя отдавать наружу — думаем про локальный деплой, изоляцию и обезличивание ещё до выбора модели. Это ограничивает и инструменты, и провайдеров.
→ урок 4Факты меняются часто — это RAG, а не дообучение. Стабильные правила, тон и формат при большом потоке — повод для fine-tuning. Просто попробовать — промпт.
→ уроки 2, 4Выберите, что хотите сделать — получите короткий список инструментов и на что смотреть при выборе. Это лишь короткая справка, чтобы начать.