Как дообучить свою нейросеть без программирования: пошаговый гайд

Ты написал «инженер» — вот обещанный гайд. К концу у тебя будет собственная мини-нейросеть, дообученная под твою задачу: она сама разбирает входящие обращения на жалобу, возврат и вопрос по доставке. Инструмент — LLaMA-Factory, его выложил китайский инженер Яовэй Чжэн бесплатно, на гитхабе у него уже семьдесят пять тысяч звёзд. Кнопка «запустить обучение» правда есть, и правда в браузере.

Писать код ты не будешь ни на одном шаге. Всё, что надо поставить и настроить, делает твой агент — ты копируешь ему фразу и смотришь глазами на результат. Но предупрежу сразу: сложность не в кнопке, а до неё. Основная работа — руками разметить свои примеры, и за тебя её никто не сделает.

1Что понадобится

2Настраиваем по шагам

Шаг 1. Размечаем свои примеры руками

Нейросеть учится не на описании задачи, а на твоих правильных ответах. Значит, нужен файл, где напротив каждого обращения стоит метка: жалоба, возврат или доставка. Агент разметит черновик по твоим правилам и быстро, но спорные случаи решаешь ты — именно на них модель потом и сыпется. Цель — хотя бы сотня примеров на каждый класс, лучше больше.

Должна получиться таблица из двух колонок, которую ты можешь открыть и прочитать глазами. Пролистай сотню строк подряд: если в десятке случаев ты не согласен с меткой — правила описаны плохо, поправь их с агентом и прогоните разметку заново. Проверь и баланс: если жалоб 400, а возвратов 20, модель будет всё называть жалобой.

Шаг 2. Ставим LLaMA-Factory и открываем веб-интерфейс

Это тот самый бесплатный инструмент из ролика. Ставить его руками — как раз та самая AI-инженерия, которой мы не хотим, поэтому всю установку сваливаем на агента. Твоя задача — получить в браузере страницу с вкладками и списками, где выбирается модель и жмётся кнопка обучения.

В браузере открывается панель: выбор модели, выбор метода обучения, список датасетов, поле с настройками и большая кнопка запуска. Отдельно должна быть вкладка чата — там ты потом поговоришь со своей моделью. Если страница пустая или ссылка не открывается, скажи агенту, что именно видишь, и пусть доводит до работающего экрана.

Шаг 3. Превращаем таблицу в датасет, который видит интерфейс

Своя таблица LLaMA-Factory сама по себе не подхватит: данные нужно уложить в тот вид, который он понимает, и зарегистрировать, чтобы датасет появился в списке. Ещё важная вещь — отложи часть примеров и не давай их в обучение. Без этой отложенной части ты не узнаешь, научилась модель или просто запомнила.

Обнови страницу в браузере и найди своё имя в выпадающем списке датасетов. Там же обычно есть кнопка предпросмотра — нажми и прочитай несколько примеров: на входе должно быть обращение, на выходе одно слово. Если в ответах попадаются целые фразы вместо метки, верни агенту на переделку.

Шаг 4. Решаем, на чём считать, и считаем деньги заранее

Вот здесь живут деньги. Сам LLaMA-Factory бесплатный, но обучение идёт на GPU, и за аренду платят по часам: чем крупнее модель, тем дороже. Макбук тянет только маленькие модели и медленно. Поэтому до запуска узнай цену одного прогона, а не после.

На выходе ты должен увидеть понятную вилку: «вот эта модель у тебя локально за столько часов» или «локально не выйдет, аренда стоит столько за час, прогон обойдётся примерно во столько». Если агент называет размер модели, который твой компьютер не держит, не спорь — бери меньше. Для сортировки обращений на три класса маленькой модели хватает.

Шаг 5. Выбираем модель Qwen и заполняем настройки

Теперь то, что в ролике: выбираю модель, например Qwen, и подключаю свои примеры. Настроек на экране много, но трогать надо единицы — остальные оставь как есть. Пусть агент скажет, что вписать в каждое поле, и объяснит словами зачем, чтобы ты понимал, что меняешь.

Перед запуском пройди глазами сверху вниз: выбрана модель Qwen, выбран твой датасет, выбран лёгкий метод дообучения, а не полное переобучение модели. Многие интерфейсы показывают готовую сводку настроек — покажи её агенту скриншотом или текстом и спроси, всё ли на месте.

Шаг 6. Жмём «запустить обучение» и смотрим на график

Это та самая кнопка. После нажатия в интерфейсе побежит лог и нарисуется график ошибки — он должен падать. Если линия стоит ровно или скачет вверх, обучение идёт впустую, и лучше остановить его через пять минут, чем узнать об этом через пять часов аренды.

Нормальный финал — сообщение о завершении и график, который заметно пошёл вниз и выровнялся. Если учишь на арендованном GPU, сразу после завершения останови машину: счёт капает за часы, а не за обучение.

Шаг 7. Проверяем модель на отложенных примерах

Теперь проверка честности. Иди во вкладку чата, подгружай обученную модель и скармливай ей те самые 10 процентов, которые не участвовали в обучении. Важно сравнить с базовой моделью и нормальным промптом: если обычный Qwen без дообучения угадывает так же, дообучение тебе не нужно, и это нормальный результат, а не провал.

Ты получишь две цифры и список ошибок. Прочитай ошибки сам: часто окажется, что в них спорная разметка, а не плохая модель. Если дообученная версия выигрывает процентов на десять и больше — работа оправдалась. Если нет, вернись к шагу 1 и добавь примеров того класса, где больше всего промахов.

Шаг 8. Ставим модель на поток и оставляем человека на проверке

Модель полезна, когда разбирает входящие сама, а не когда ты вручную вставляешь текст в чат. Пусть агент сохранит модель и соберёт простой разбор файла: кидаешь выгрузку обращений за день — получаешь ту же таблицу с метками. И сразу договорись, что делать с неуверенными случаями: они едут человеку, а не угадываются.

Проверка простая: берёшь свежую выгрузку, которую модель никогда не видела, прогоняешь и читаешь результат. Пара первых недель — с человеком на выходе: кто-то глазами просматривает метки и спорную папку. Как только видишь, что модель стабильно права, проверять можно выборочно.

3Кому подходит

Подходит, если у тебя есть поток однотипных задач и архив по ним: поддержка, модерация, сортировка заявок. Тогда разметка окупается, потому что модель будет делать одно и то же каждый день. Не подходит, если данных нет: дообучать нечего, и готовая модель с нормальным промптом справится быстрее и дешевле. Не подходит для задач, где нужны факты и точные формулировки — дообучение меняет манеру и разметку, а не знания. Человек обязателен в двух местах: он решает спорные примеры на разметке и просматривает неуверенные ответы в работе. Про сроки честно: нашу контент-фабрику ИИ-роликов мы строили год, прежде чем пошли лиды, и лиды идут с органики. Здесь та же логика — результат дают данные и время, а не кнопка.