Data — the fuel of AI: why data is what decides

В уроке о том, как нейросеть учится, мелькнул принцип «мусор на входе — мусор на выходе». Пришло время разобрать его всерьёз: данные — не фон, а топливо, на котором работает любой ИИ. Поменяешь топливо — поменяется всё.

Почему решают данные, а не алгоритм

Интуиция подсказывает: сильный ИИ — это гениальный алгоритм. На деле алгоритмы обучения давно опубликованы и доступны всем — их проходят студенты. Разницу между посредственной и великой моделью чаще делают данные: их количество, чистота и разнообразие. Вспомни из первого урока, почему прорыв случился в 2012-м: алгоритмы нейросетей знали с 1980-х, но выстрелили они, только когда интернет накопил миллиарды примеров. Не алгоритм ждал данных — данные разбудили алгоритм.

Отсюда правило индустрии: чаще выгоднее вложиться в данные, чем в очередную настройку модели. Компании, у которых есть уникальные данные (поисковики, соцсети, банки), сильны именно этим — данные повторить труднее, чем код.

Два вида данных: структурированные и неструктурированные

Структурированные данные — аккуратно разложенные по таблицам: строки, столбцы, числа, категории. Возраст клиента, сумма покупки, дата — всё на своих местах.

Неструктурированные данные — всё остальное: тексты писем, фотографии, аудио, видео, посты. Ни строк, ни столбцов — сплошной поток. По разным оценкам, большая часть данных в мире — именно неструктурированные, и десятилетиями бизнес почти не умел их использовать. Прорыв нейросетей в том и состоит, что впервые появился инструмент, извлекающий из этого океана смысл: LLM из прошлого модуля — машина по перевариванию неструктурированного текста.

Откуда берутся данные

• Разметка. Люди вручную проставляют «ответы»: обводят пешеходов на кадрах для беспилотника, помечают письма «спам / не спам». Знаменитый датасет ImageNet из первого урока — около 14 миллионов картинок, размеченных вручную армией людей; именно на нём выиграла AlexNet. Разметка — дорогой и медленный, но незаменимый труд.
• Наблюдение за поведением. Каждый твой клик, лайк, досмотренное до конца видео — бесплатная разметка. Ты сам, не замечая, учишь рекомендательные системы: досмотрел — «хороший пример», пролистал — «плохой».
• Готовые датасеты. Собранные и очищенные наборы, которые переиспользуют многие: тексты книг, энциклопедии, открытые фотоколлекции. Быстро — но у всех одинаковые, уникального преимущества не дают.

Ты даёшь вход и выход — остальное сеть строит сама

Важная деталь, которая объясняет, почему разметки «вход → ответ» достаточно. Ты не описываешь ИИ, как выглядит кошка или лицо. Ты даёшь только вход A (фото) и выход B («кошка / не кошка») — а промежуточные признаки сеть собирает сама, слой за слоем, как из лего-кубиков. В распознавании лиц это видно наглядно: первые слои находят простые края и пятна, следующие складывают из них части (глаз, нос, контур), верхние — целые лица. Никто не программировал «глаз» вручную — сеть вырастила это понятие сама, лишь бы сходился ответ. Вот почему подход и победил (помнишь из урока о том, что такое ИИ): признаки, которые человек не сумел бы описать словами, машина выводит из примеров.

«Мусор на входе — мусор на выходе»

Теперь принцип из урока об обучении звучит в полную силу. Модель не умнее своих данных: что показали — то и выучит, включая ошибки, пробелы и перекосы.

Реальный случай: в 2016 году Microsoft запустила в Twitter чат-бота по имени Tay, который должен был учиться живому общению прямо на репликах пользователей. Меньше чем за сутки тролли завалили его оскорбительными и расистскими сообщениями — и Tay, послушно обучаясь на этом «топливе», начал повторять ту же грязь. Через 16 часов Microsoft отключила бота. Алгоритм работал ровно так, как задумано, — отравлены были данные, которыми его кормили.

Задержись на секунду: Tay не был «злым» — он лишь впитал то, что в него залили. Что это говорит о любых данных? Подумай, прежде чем читать дальше. Вывод: данные никогда не бывают по-настоящему нейтральными — это слепок того, что и кто в них вложил, со всеми перекосами и слепыми пятнами. Поэтому вопрос «на чём это училось?» — главный вопрос ко всему, что делает ИИ.

Три заблуждения про данные

• «Чем больше данных, тем лучше — всегда». Нет: миллион мусорных примеров хуже тысячи чистых. Объём без качества только усиливает ошибку.
• «Данные объективны, это же цифры». Данные — слепок реальности, снятый людьми с их выбором и слепыми пятнами. Цифра не гарантирует правды: вспомни отсечку знаний и устаревшие цены из урока об обучении.
• «У нас мало данных — ИИ не про нас». Часто хватает и малого — если данные чистые и по делу; а ещё можно взять готовую модель и слегка дообучить (об этом было в конце урока об обучении).

Сделай сейчас

Упражнение на пять минут, без всякого инструмента — только голова. Выбери любой знакомый ИИ-сервис (лента рекомендаций, спам-фильтр, голосовой помощник) и ответь на три вопроса на бумаге: (1) на каких данных он, скорее всего, учился? (2) откуда эти данные взялись — разметка, наблюдение за поведением или готовый датасет? (3) какой перекос мог в них попасть? Привычка «видеть данные за результатом» отличает профессионала от потребителя. В следующем уроке посмотрим, что при таких данных ИИ реально может, а что ему не по силам.