По вопросам регистрации, доступа к курсам, оплаты или обработки персональных данных напишите на academy-support@anthropic.skilljar.ru. Полные реквизиты и контактные сведения размещены на странице «Реквизиты и контакты».
О курсе
Первый опыт большинства людей с генеративной ИИ-системой обычно представляет собой смесь восторга и растерянности. Она за считанные секунды создаёт аккуратное резюме объёмного отчёта, а затем уверенно придумывает несуществующую ссылку на источник. Она идеально следует подробной инструкции, а уже в следующем сообщении игнорирует простую просьбу. Без понимания того, что происходит «под капотом», такие моменты кажутся случайными — и становится сложно понять, можно ли доверять следующему ответу или как исправить предыдущий.
Этот курс даёт слушателям такую ментальную модель. Он дополняет курс AI Fluency: фреймворк и основы: если тот курс посвящён человеческим компетенциям — делегированию (Delegation), описанию (Description), различению (Discernment) и добросовестности (Diligence), — то этот объясняет свойства модели, с которыми эти компетенции помогают работать. Оба курса можно проходить в любом порядке, а вместе они формируют целостное представление об эффективном сотрудничестве человека и ИИ.
Курс построен вокруг четырёх свойств, которые определяют, что ИИ-система может и чего не может для вас сделать: прогнозирование следующего токена (Next Token Prediction), то есть откуда берутся ответы ИИ; знания (Knowledge), то есть что модель действительно знает и почему она может уверенно ошибаться; рабочая память (Working Memory), то есть на что модель обращает внимание прямо сейчас и что выпадает из контекста; и управляемость (Steerability), то есть какой реальный контроль дают ваши инструкции. Каждое свойство существует на спектре от возможности до ограничения, а каждый раздел сочетает короткое объяснение с практическим упражнением, чтобы вы могли не просто прочитать о границах возможностей ИИ, а почувствовать их на практике.
В финальном разделе рассматривается, что происходит, когда эти свойства сталкиваются между собой, — потому что в реальном использовании так происходит всегда. Длинный документ нагружает рабочую память и одновременно может затрагивать знания, которых у модели нет; расплывчатая инструкция проверяет управляемость ровно в тот момент, когда прогнозирование следующего токена тянется к тому, что звучит наиболее правдоподобно. Завершается курс практической диагностикой: как посмотреть на неожиданный ответ, определить тип ошибки, понять, где задача оказалась на континууме от возможности до ограничения, и применить точечное исправление вместо обычной повторной попытки.
Рекомендуемые предварительные требования
Не требуются. Этот курс не предполагает технической подготовки или предыдущего опыта работы с ИИ-инструментами. Если вы уже прошли AI Fluency: фреймворк и основы, вы узнаете, как каждое свойство связано с компетенциями 4D, — но это не является обязательным условием.
Для кого этот курс
Для всех, кто уже использует или только собирается начать использовать генеративный ИИ в работе или учёбе и хочет понять, почему он ведёт себя именно так. Преподаватели, студенты, специалисты интеллектуального труда и руководители команд найдут эту базовую модель одинаково полезной, потому что описываемые в ней свойства не меняются от одного сценария использования к другому.
Разделы курса
Начало работы
3 урокаСлово «ИИ» охватывает очень многое. В этом разделе мы сузим фокус до того типа систем, с которыми вы действительно будете работать, — больших языковых моделей — и объясним, как два этапа обучения, предварительное обучение и дообучение, превращают базовый предсказатель текста в полезного ассистента, с которым вы взаимодействуете. По ходу раздела вы познакомитесь с фреймворком из четырех свойств, который структурирует остальную часть курса.
Прогнозирование следующего токена
2 урокаКаждый ответ ИИ строится по одному токену за раз — через прогнозирование того, что должно идти дальше. В этом разделе показано, что это означает на практике: почему модель отлично справляется с привычными задачами вроде резюмирования или переформатирования, почему она может выдавать утверждения, которые звучат правдоподобно, но не соответствуют действительности, и как распознать, что задача выходит на территорию, где одного прогнозирования уже недостаточно.
Знания
2 урокаМодель знает то, что было в ее обучающих данных: часто встречающееся, недавнее и устойчиво повторяющееся. В этом разделе разбирается, что из этого следует: модель сильна в массовых темах и популярных языках, но слабее во всем редком, новом, нишевом или спорном. Вы потренируетесь оценивать, где именно вопрос находится на этом спектре, чтобы понимать, когда можно доверять ответу, а когда нужно подключать собственные источники.
Рабочая память
2 урокаКонтекстное окно — это рабочая память модели: все, на что она может обращать внимание прямо сейчас, и ничего сверх этого. В этом разделе рассматривается, что помещается в контекст, что незаметно выпадает за его пределы, почему внимание распределяется неравномерно по длинному документу и почему новая сессия не помнит предыдущую. Вы научитесь заранее соотносить задачу с размером окна контекста, а не обнаруживать ограничение посреди разговора.
Управляемость
2 урокаИнструкции — это способ направлять модель, но не все инструкции воспринимаются одинаково надежно. Короткие, конкретные и проверяемые запросы — например, «ответь в виде таблицы» или «до 100 слов» — работают стабильно; длинные цепочки рассуждений, абстрактные просьбы и требования нативной точности — это области, где управляемость начинает давать сбои. Этот раздел поможет вам увидеть разницу и переписать неустойчивую инструкцию так, чтобы модель действительно могла ей следовать.
Собираем все вместе и следующие шаги
2 урокаРеальные задачи редко проверяют только одно свойство за раз. Анализ длинного договора нагружает рабочую память и одновременно выходит за пределы знаний модели; расплывчатый творческий бриф проверяет управляемость именно там, где прогнозирование следующего токена стремится заполнить пробел чем-то правдоподобным. Этот раздел показывает, как четыре свойства сталкиваются между собой, и дает диагностический подход для любого неожиданного ответа: определить, какое свойство задействовано, поместить задачу на соответствующий спектр и применить точечное исправление вместо того, чтобы просто пробовать еще раз.
Стоимость курса
Для оплаты войдите или зарегистрируйтесь.