Знания

Что вы узнаете

Расчетное время: 30 минут

По итогу этого урока вы сможете:

Объяснить, как формируются знания модели ИИ во время обучения и почему у неё есть фиксированная граница знаний
Различать темы, которые относятся к зоне возможностей (частые, недавние в обучении, последовательные), и темы на границе (редкие, после даты среза, нишевые, спорные)
Определять такие типичные сбои в знаниях, как устаревание, неравномерное покрытие, унаследованные предубеждения и амнезия источников
Распознавать функции продукта, такие как веб-поиск, извлечение/ретревер (RAG) и использование инструментов, которые решают эту проблему

Понимание пробелов в знаниях у моделей ИИ

*(5 минут)*

Модель знает только то, с чем она столкнулась во время обучения, и ничего больше. По умолчанию нет реального просмотра в интернете, нет живого опыта и жесткая остановка на дате среза знаний. Практический вопрос заключается не в том, «знает ли ИИ это?», а в том, «насколько хорошо эта тема была представлена в том, что она читала?».

Что модель читала и когда она перестала читать

Основные выводы

То, что знает генеративный ИИ, полностью зависит от обучающих данных и фиксируется на дате среза знаний. Без инструментов у модели нет доступа к информации после этой даты.

Зона возможностей: темы, которые появлялись часто, недавно (в рамках обучения) и последовательно в обучающих данных.

Зона ограничений: редкие, появившиеся после даты среза, нишевые, локальные или спорные темы.

Типичные сбои: устаревание, неравномерное покрытие, унаследованные предубеждения в том, что считается «стандартным» или «нормальным», а также невозможность указать источник знаний.

Веб-поиск, извлечение (RAG/MCPs) и использование инструментов существуют специально для устранения этих пробелов, предоставляя модели доступ к информации, которую она никогда не видела в обучении.

4D-связь: неравномерность знаний лежит в основе делегирования. Понимание того, где модель хорошо обеспечена знаниями, а где — нет, подсказывает, когда передавать задачу модели, когда предоставлять контекст самостоятельно и когда обращаться к другим источникам.

Упражнения

Упражнение: Тест постороннего

Зачем? Вы знаете, что знания модели широки, но заморожены и сформированы тем, что было в её обучающих данных. Теперь вы составите точную карту того, где модель хорошо обеспечена знаниями, а где — нет в вашей конкретной области.

Вернитесь к своему списку задач и выберите одну задачу. Относительно этой задачи запишите:

Две темы, которые являются основными, хорошо документированными и стабильными. То, что знает любой осведомлённый коллега.

Две темы, которые являются нишевыми, локальными, недавними или быстро развивающимися. Специфический отраслевой жаргон, региональные нормативы, что-то, что изменилось за последний год.

Одно «стандартное предположение», которое часто неправильно понимают посторонние в вашей сфере. (Кто является типичным клиентом. Что такое «стандартный» случай. Какой инструмент люди действительно используют, а не тот, который получает больше внимания.)

Теперь проведите три теста:

Тест 1: Полнота. Спросите о одной основной теме и одной нишевой теме из вашего списка. Сравните глубину и точность. Обратите внимание, сигнализирует ли ИИ о неопределённости по-разному в этих случаях или оба ответа звучат с одинаковой уверенностью.

Тест 2: Устаревание. Спросите о том, что вы знаете, что изменилось недавно в вашей сфере: обновление нормативов, выпуск инструмента, смена руководства, пересмотренный стандарт. Признаёт ли ИИ дату среза? Представляет устаревшую информацию как актуальную? Отказывается отвечать? Зафиксируйте, что происходит.

Тест 3: Стандартные предположения. Не называя своё предположение напрямую, задайте вопрос, который выявит, придерживается ли ИИ стандартного взгляда постороннего. Например, если «стандартный» клиент в вашей сфере отличается от того, что предполагает большинство, попросите ИИ описать типичного клиента. Обратите внимание, что она считает нормальным.

Вернитесь к своему списку задач и добавьте второе примечание: для каждой задачи отметьте, можете ли вы полагаться на знания модели или вам нужно предоставить знания самостоятельно через контекст, документы или поиск.

Дополнительное задание: Проведите тест на устаревание с включённым веб-поиском. Сравните, что изменилось. Это и есть работа ретревера.

Размышления по уроку

В какой области вашей работы вы теперь понимаете, что вам нужно предоставлять контекст, а не полагаться на то, что модель это знает?

Выявил ли тест на стандартные предположения что-то, что вас удивило?

Что дальше

Знания охватывают то, что модель усвоила во время обучения. Рабочая память охватывает то, на что она обращает внимание прямо сейчас: ваш запрос, ваши документы, ваш разговор. Это свойство имеет самую жёсткую границу из всех четырёх.

Обратная связь

По мере прохождения курса мы будем рады узнать, как вы применяете концепции курса в своей работе, а также получить ваши отзывы. Поделитесь своими отзывами [здесь](#).

Благодарности и лицензия

Copyright 2026 Anthropic. Оригинальная работа построена на основе концепции AI Fluency Framework, разработанной профессором Риком Даканом (Художественный колледж Ringling) и профессором Джозефом Феллером (Университетский колледж Корка). Распространяется по лицензии CC BY-NC-SA 4.0.