Дообучать нейросеть? Сначала введите её в курс дела

«Давайте обучим нейросеть на наших данных» — эту фразу я часто слышу в разговорах о внедрении ИИ. Обычно к этому моменту уже выбрано лечение: дообучение нейросети. С диагнозом пока сложнее.

Допустим, агент ошибся в условиях возврата. Ему вообще показали актуальный регламент? Он нашёл нужный пункт? В документах одна версия правил или три, и все утверждены? Пока это не выяснили, обсуждать обучение рано. У плохого ответа может быть вполне административная причина.

Моя позиция: начните с документов, инструкций и проверки на реальных задачах. Дообучение понадобится, если обнаружится конкретная проблема, которую оно умеет решать. А вот собирать материал для будущей модели стоит с первого дня. Здесь откладывать как раз дорого.

Документы на стол. Навык — через практику

Контекст — всё, что модель получает для конкретной задачи: вопрос, инструкцию, образцы ответа, нужные фрагменты документов. Например, сотрудник спрашивает про возврат, система находит соответствующий пункт регламента и передаёт его модели вместе с вопросом. Веса модели при этом не меняются. Как устроен поиск, мы разбирали в статье про базу знаний с ИИ.

Дообучение меняет саму модель. Ей показывают примеры правильной работы: как распределять обращения по категориям, извлекать поля из договоров, выбирать действие. Она учится воспроизводить нужное поведение на новых задачах. Результат проверяют на примерах, которых в обучении не было.

Один из способов сделать это экономнее — LoRA: основные веса модели фиксируют, а обучают небольшой набор дополнительных параметров. Это сокращает требования к ресурсам, но качество примеров по-прежнему приходится обеспечивать людям (Unsloth).

Агент объединяет модель, инструкции, поиск, инструменты и проверки. Дообученная модель тоже может читать документы и вызывать инструменты. Эти подходы совместимы: актуальные сведения приходят в контексте, а дообучение помогает ими пользоваться в конкретной задаче.

Прайс-лист не стоит заучивать наизусть

Модель способна усваивать факты при дообучении. Но делать из её весов хранилище актуальных цен, договоров и регламентов — сомнительный инженерный выбор.

В исследовании Microsoft поиск по документам справился с фактическими вопросами лучше, чем дообучение в том виде, в каком его проверяли авторы (Ovadia и др.). В другом эксперименте новые факты усваивались медленнее знакомых, а по мере их усвоения росла склонность модели к выдуманным ответам (Gekhman и др.). Это результаты конкретных экспериментов, а не запрет на обучение новым знаниям. Для бизнеса из них следует практический вывод: сначала проверьте поиск.

У документов есть ещё три преимущества:

• Обновление. Новый прайс можно подключить к поиску, проверить, что старая версия исключена, и протестировать ответы. Обучать модель ради каждой новой цены не требуется.
• Проверяемость. Найденный фрагмент позволяет показать источник. Нужно ещё проверить, что ответ действительно ему соответствует: сама ссылка правоту не гарантирует.
• Разграничение доступа. Система может отбирать документы по правам сотрудника до передачи модели. Сведения, запомненные в весах, так отфильтровать нельзя. Доступ к самой модели тоже нужно контролировать.

Дообучение не отменяет ни одной из этих задач. Новый прайс должен попадать в ответы через обновление данных, а не через надежду на память модели.

Сначала выясните, что сломалось

Перед разговором о дообучении я бы взял несколько ошибочных ответов и разобрал путь каждого: что спросили, что нашёл поиск, что получила модель и что она сделала.

Полезный эксперимент: вручную дайте модели ровно тот фрагмент, который нужен для ответа. Если результат заметно улучшился, это сильный аргумент заняться поиском и сборкой контекста. Если ошибка осталась, проверяйте инструкцию, сложность задачи и возможности модели. Один удачный ответ ничего не доказывает — повторите проверку на разных примерах.

Обсуждать дообучение имеет смысл, когда вы можете показать повторяемую ошибку или измеримое ограничение по цене и скорости. Формулировка «агент иногда тупит» для этого недостаточна.

Когда дообучение нейросети оправдано

Допустим, служба поддержки распределяет обращения между отделами. Категории похожи, исключений много. Инструкция и примеры уже проверены, но модель продолжает путать одни и те же случаи. Есть история обращений с проверенными решениями сотрудников. Это разумный кандидат для эксперимента с дообучением.

Другой повод — стоимость. Большая модель справляется с узкой задачей, но на вашем объёме обходится дорого. Можно проверить, достигнет ли небольшая дообученная модель приемлемого качества при меньших затратах. Экономию нужно считать вместе с подготовкой данных, проверкой и сопровождением.

Я бы переходил к такому эксперименту при четырёх условиях:

1. Задача определена. Понятно, что считать правильным ответом и какие ошибки недопустимы.
2. Есть проверенные примеры. Они покрывают обычные случаи и исключения. Универсального порога в тысячу записей нет: требования зависят от задачи, модели и разнообразия данных.
3. Есть с чем сравнить. Работает исходный вариант с инструкцией и контекстом; его качество, скорость и стоимость измерены.
4. Есть независимая проверка. Тестовые случаи и их близкие копии не попали в обучение. Победа на уже знакомых примерах мало что говорит о работе завтра.

Если текущий агент справляется, объём небольшой, а процесс ещё меняется, дообучение вполне может не окупиться. Свою модель приятно упомянуть на совещании. Сопровождать её придётся и после совещания.

Сколько стоит дообучение: считайте людей тоже

В небольшом эксперименте вычисления могут оказаться скромной частью бюджета. Оценка только по аренде видеокарты пропускает основную работу.

Для примера: 1000 уже собранных ответов по три минуты проверки на каждый — 50 часов специалиста. До исправления ошибок, разбора спорных случаев и подготовки тестового набора. Человек, который знает ваш процесс, тоже вычислительный ресурс. Только счёт за него приходит из другого отдела.

Запросите смету для конкретной модели, объёма данных и длины примеров. Ориентир «несколько часов на видеокарте» без этих условий почти бесполезен. И отдельно посчитайте жизнь модели после обучения: где она работает, сколько стоит запрос и кто проверяет качество при изменениях.

Выход новой базовой модели сам по себе не заставляет бросать старую. Но при переходе на другую версию адаптацию обычно нужно повторять и проверять заново. Отключение версии у провайдера может сделать такой переход обязательным.

Можно ли сделать это самостоятельно

Да. Доступны три организационных варианта: сервис дообучения у провайдера, открытая модель на арендованном оборудовании или запуск на своём сервере. Выбор зависит от доступности моделей, условий работы с данными, компетенций команды и дальнейшей эксплуатации.

Сервис снимает часть забот об инфраструктуре. Например, River AI предлагает дообучение открытых моделей через API и возможность забрать обученные веса. У Yandex AI Studio есть документация по дообучению, однако на момент проверки, 28 октября 2026 года, на этой странице стоит отметка о недоступности функции. Закладывать её в план без уточнения у провайдера я бы не стал.

Для самостоятельного запуска есть инструменты вроде Unsloth. Потребность в памяти зависит от модели, метода обучения и длины примеров; ориентиры есть в требованиях разработчиков. По их данным, модели на 8 млрд параметров со сжатием до 4 бит нужно около 6 ГБ памяти видеокарты, без сжатия — около 22 ГБ. Для модели на 70 млрд — от 41 ГБ. Это нижняя граница: длинные примеры требуют больше. Железо стоит выбирать под проверенную конфигурацию, а не под слово «нейросеть».

Для первого эксперимента я бы рассматривал аренду. Например, у Selectel облачный сервер с видеокартой L4 на 24 ГБ стоит от 70 ₽ в час, с RTX PRO 6000 на 96 ГБ — от 290 ₽ в час (Selectel). Даже десяток пробных запусков по несколько часов обычно обходится дешевле, чем 50 часов специалиста из примера выше. Свой сервер стоит считать отдельно, если он нужен для постоянной работы или данные должны оставаться внутри компании. Подробнее — в статье «Локальная нейросеть для компании».

Кнопка запуска обучения — вполне освоенная технология. Сложнее договориться, какие ответы считать правильными. Если два опытных сотрудника размечают один случай по-разному, сначала понадобится разговор между ними.

Почему тогда в дообучение вкладывают миллиард

В августе 2026 года General Catalyst сообщил о раунде River AI на 1,1 млрд долларов. Компанию основал Игорь Бабушкин, ранее работавший в DeepMind, OpenAI и xAI. Инвестор связывает свою ставку с возможностью адаптировать открытые модели и контролировать их использование (General Catalyst).

По описанию River, клиент может дообучить модель на примерах, затем улучшать её через обучение с подкреплением: задавать задачи, инструменты и оценку результата. Это отдельная работа — определить, какое действие агента считать успешным. Сам факт доступа к API её не выполняет (River AI).

Для меня здесь важна доступность такого цикла: обучить, проверить, запустить, собрать обратную связь. Но инвестиционный раунд не доказывает окупаемость дообучения в конкретной компании. У венчурного фонда и вашего отдела поддержки разные критерии успеха.

Мой прогноз: у бизнеса будет больше небольших моделей под повторяющиеся процессы. Где-то они дадут выигрыш в скорости, цене или контроле над системой. Где-то общая модель с хорошим контекстом останется удобнее. Проверять придётся на своей работе.

Собственную модель начинают собирать до обучения

Вот что я рекомендую делать уже сейчас: сохранять проверенные примеры того, как ваша компания решает задачи. Они пригодятся и для улучшения инструкций, и для тестов, и для будущего дообучения.

Для полезного примера нужны запрос, доступный в тот момент контекст, ответ или действие агента, исправление сотрудника и причина исправления. По возможности — итог: удалось ли решить задачу. Утверждённый ответ должен быть проверен человеком, который отвечает за процесс.

Архив переписки сам по себе ещё не учебный материал. В нём есть ошибки, устаревшие правила и решения, принятые по обстоятельствам, которых в переписке нет. Правка сотрудника тоже не становится эталоном автоматически. Отбор и проверка потребуют времени — зато вы будете знать, чему именно учите модель.

Начать можно так:

1. Выбрать один повторяющийся процесс и определить приемлемый результат. Для подготовки пригодится разбор проблем внедрения ИИ.
2. Собрать небольшой набор реальных задач с проверенными ответами. Например, 30–50 случаев хватит для первого разбора ошибок; для уверенной оценки, особенно редких сбоев, набор понадобится расширять.
3. Проверить агента с инструкцией, примерами, нужными документами и инструментами. Сохранить исходные показатели.
4. Наладить сбор исправлений: кто проверяет, что сохраняется и какие сведения нужно исключать. Часть случаев сразу отложить для независимого тестирования.
5. Возвращаться к дообучению, когда накопятся данные и появится измеримая задача для него. Сравнивать варианты на одинаковых условиях, включая стоимость эксплуатации.

Модель у провайдера может заказать и ваш конкурент. Проверенную историю решений вашей команды ему ещё придётся собрать.

Я бы начал именно с неё. Видеокарту можно арендовать завтра. Историю правильных решений за прошлый год — уже нет.