Как создавать крутые идеи с нейросетями — рассказываю

Как использовать приёмы TRICERA в работе с идеями

Показываю на примерах, сразу начну с Role.

Role — нарочно нелогичная, которая явно не подходит к контексту задачи, — чтобы придумать что-то новое. Либо наоборот — известная личность, у которой был успех в решении похожих задач.

«Действуй как инвалид-колясочник», — когда нужно придумать маршрут для прогулок, который будет недолгим и удобным. Либо: «Действуй как Стив Джобс», — когда предстоит придумать структуру для публичного выступления.

Instructions — то, что должна или не должна содержать идея.

«Исключи чеснок и кинзу», — когда нужно придумать план питания. Либо: «Используй только решения, которые можно реализовать без бюджета», — когда нужно придумать дешёвые маркетинговые активности.

Context — вводные о том, как идея будет реализована или для кого эта идея предназначена.

«Эти идеи я запитчу на встрече с топ-менеджментом». «Целевая аудитория мероприятия — женщины 20–25 лет».

Examples — примеры форматов реализации идеи.

«Запечь курицу заранее и сварить гречку — заготовка, слепить пельмени и отварить при необходимости — не заготовка», — когда нужно придумать план питания.

References — примеры формата, в котором ты хочешь увидеть идею.

«Опиши концепцию мероприятия в формате: тип (онлайн, оффлайн, смешанный), необходимый реквизит, примерный бюджет, возможные риски», — когда предстоит подумать над концепциями мероприятий.

Algorithm — последовательность действий.

Используй этот приём, если ты хорошо понимаешь, как правильно выполнить задачу.

Электронный нейрон придумали раньше, чем закончилась Вторая мировая

В 1943 году учёные МакКаллок и Питтс описали первую математическую модель нейрона. Они показали, как представить работу мозга через логические единицы. Этот принцип стал основой развития нейросетей.

В 1950-х придумали перцептрон — одну из первых нейросетей, которую удалось реализовать. Он работал просто: получал входные данные и принимал бинарное решение — «да» или «нет». Это похоже на приложение, где подбрасываешь монетку, чтобы принять решение. Только здесь компьютер выбирал вариант, опираясь на логику, а не случайность.

Как нейросети учатся и корректируют ошибки

Представь, что у тебя есть несколько входных сигналов, например, погода, твое настроение и самочувствие. Каждый из этих факторов имеет своё число (0 или 1), а перцептрон умножает каждый сигнал на его вес и складывает результаты.

И даже в пятидесятых нейросети уже могли учиться. Особенность перцептрона в том, что он обучается. Допустим, он принял неверное решение — сказал, чтобы шли гулять, а на улице ураган, а у тебя несварение желудка. Тогда алгоритм скорректирует веса: если какой-то фактор оказался недостаточно значимым, его вес увеличивают, а если наоборот — уменьшают.

Получается, что OpenAI не изобрели нейросети, когда выпустили ChatGPT, хотя и пытаются делать вид, что это так. Нейросети с нами уже 80 лет и давно работают нам на пользу. Ну, или не нам, как в случае с динамическим ценообразованием в такси.

Как работают современные нейросети

Современные нейросети работают по тому же принципу, что и их первые версии. Это математические модели, состоящие из искусственных нейронов. Каждый нейрон получает числовые данные, умножает их на веса, суммирует и передаёт через функцию активации. Она решает, активировать нейрон или нет.

Обучение происходит на ошибках через алгоритм обратного распространения. Модель сравнивает свой результат с правильным, корректирует веса и снижает ошибку на обучающих данных. Чем больше данных и циклов обучения, тем точнее становится работа нейросети.

Какие бывают нейросети и что они умеют

Существует много видов нейросетей, и большинство из них совсем не похожи на ChatGPT.

Например, есть свёрточные нейросети — они помогают распознавать лица и анализировать медицинские изображения, например рентгеновские снимки.

Есть генеративно-состязательные — одна часть нейросети создаёт, например, изображения, а другая часть пытается отличить выдумку от реальности. Такие нейросети создают очень реалистичный контент — вспомни хотя бы бесконечные дипфейки с ДиКаприо на улицах Москвы.

Сейчас существует нейросеть, которая может создать формулу белка под запрос учёных, например, чтобы создать лекарство от рака.

Есть модели на основе механизмов внимания — трансформеры. Это и есть GPT — General Pre-trained Transformer. Такие модели хорошо работают с естественным языком — человеческим и простым. Эта технология действительно очень свежа, а OpenAI удалось сделать из неё мощный и удобный продукт.

Кстати, давай договоримся, что GPT и ChatGPT — это разные вещи. ChatGPT — это готовый интерфейс, продукт, прям как айфон. А GPT — это модель, принцип, на котором этот продукт работает, как условная iOS.

Подробнее о генеративных нейросетях

Существует несколько типов генеративных нейросетей, в зависимости от формата контента, который они получают на входе и отдают на выходе. Например, ты вводишь текст, а хочешь получить картинку. Или даёшь картинку, а на выходе хочешь текстовое описание или анимированный видеоролик. Так генеративные нейросети, которые создают контент, делятся на категории, например, text to video или text to text.

Такие модели обучены на огромном количестве данных. Текстовые модели проштудировали все учебники и инструкции, графические — сотни тысяч фотографий людей и разных картин, видеонейросети — тысячи фильмов, аниме и прочей мировой классики.

Так получается, что модель «впитать» — «впитала», но понять — не поняла. Она может только скомбинировать в ответе кусочки того, что знает и что, по её мнению, лучше подойдёт под ответ.

Как промпт влияет на точность ответа

Поэтому чем детальнее будет твой запрос, тем точнее выйдет ответ. Нейросеть не может догадаться или прочитать мысли. Она понимает контекст только в том случае, если ты его чётко укажешь. Тут работает универсальное правило промпт-инжиниринга: «мусор на входе — мусор на выходе».

На один и тот же запрос нейросеть может выдать разные ответы. Иногда правильные, а иногда нет. Поэтому мы используем приёмы промптинга, чтобы уменьшить разброс и получить точные результаты.

Нейросеть — как прогноз погоды. Она не может точно предсказать, но даёт наиболее вероятный вариант. Например, снег в мае — это возможно.

Поэтому давай ещё раз подытожим, что такое нейросети.

По сути, нейросеть — это модель, которая предсказывает самый вероятный сценарий. Она комбинирует данные, которые она «знает», и выдает подходящую комбинацию этих фрагментов информации. Поэтому важно давать детализированные промпты, уточнять их шаг за шагом, указывать факты и контекст. Запрос «сделай мне то-то» в 5 словах не сработает — нейросеть выполнит задачу, но результат, скорее всего, тебя не устроит.