Чему вы научитесь

Примерное время: 25 минут

К концу этого урока вы сможете:

• Дать определение генеративному ИИ и объяснить, чем он отличается от других типов ИИ

• Объяснить три разработки, сделавшие современные LLM возможными

• Определять, что современный ИИ делает хорошо, а где надёжно не справляется

Что такое генеративный ИИ

(12 минут)

Это видео рассказывает, как строятся и обучаются большие языковые модели вроде Claude, и что это значит для того, что они могут — и не могут — надёжно делать, когда вы применяете их в своём бизнесе.

Ключевые выводы

• Генеративный ИИ создаёт новый контент, а не анализирует существующие данные.

• Три разработки сделали современные LLM возможными: архитектура трансформеров, огромные объёмы обучающих данных и масштабные вычисления.

• Обучение проходит в два этапа. Предобучение усваивает паттерны из миллиардов примеров. Файнтюнинг учит модель helpfully следовать инструкциям.

• Текущие сильные стороны: универсальность в задачах, разговорная беглость и использование инструментов.

• Текущие ограничения: cutoff знаний, галлюцинации и ненадёжные сложные рассуждения.

• Лучшие применения сочетают ваши суждение, креативность и надзор со скоростью и масштабом ИИ.

Упражнение

Проверка границ

Это упражнение даёт вам опыт из первых рук о том, что генеративный ИИ делает хорошо, а где не справляется, на примере задачи по коду, которую вы знаете досконально, — чтобы у вас был конкретный внутренний ориентир, построенный на собственных наблюдениях, при решении, что доверять ИИ.

Часть I: Самоанализ (самостоятельно)

Выберите область кода, которую вы хорошо знаете, где сразу заметите ошибку. Запишите:

• Тему (например, ваша логика rate-limiting, как вы обрабатываете async-состояние, DB-запрос, который вы оптимизировали в прошлом квартале)

• Две-три вещи, которые любой компетентный инженер должен сделать правильно

• Одно распространённое заблуждение или tricky-деталь реализации

• Одно недавнее изменение — обновление библиотеки, deprecation, новая best practice

Часть II: Совместная работа (с ИИ)

Откройте разговор с Claude (или любым ИИ-ассистентом на ваш выбор) и проведите три быстрых чата. После каждого запишите, что заметили.

• Тест универсальности. Попросите ИИ объяснить вашу тему тремя способами в одном ответе: для нетехнического PM, для мидл-инженера, пришедшего в команду, и для сеньора на код-ревью. Сработали ли сдвиги в глубине на самом деле или изменился только словарь? Какая версия была сильнее?

• Тест на галлюцинации. Попросите ИИ порекомендовать конкретные библиотеки, пакеты или документацию для вашей задачи по коду. Проверьте хотя бы одну: существует ли она? Точный ли API? Актуальна ли версия?

• Проверка cutoff знаний + рассуждений. Спросите что-то time-sensitive по вашему домену: недавнее обновление фреймворка, устаревший паттерн или security-патч. Пометил ли он, что информация может быть устаревшей, — или подал stale-информацию как актуальную? Затем попросите разобрать tricky-деталь реализации, записанную в части I. Действительно ли он разрешил путаницу или просто пересказал правильный ответ?

Часть III: Рефлексия

Какая способность из видео проявилась ярче всего? Какое ограничение всплыло — и заметили бы вы его, если бы это не была область, которую вы хорошо знаете? Исходя из этого, какую одну задачу вы спокойно поручили бы ИИ, а за какой хотели бы присматривать внимательнее?

Дополнительная цель: прогоните ту же тему через второй ИИ-инструмент. Ошибки и сильные стороны оказались теми же?

Рефлексия по уроку

• Как знание о том, как обучаются эти системы, меняет то, как вы будете с ними работать?

• Какие этические соображения приходят в голову, учитывая, как работает генеративный ИИ и где он не справляется?

Что дальше

Теперь, когда вы своими руками проверили границы ИИ, на следующем уроке мы глубоко разберём первое D: Делегирование. Вы сформулируете реальную проблему, разложите её по инструментарию разработчика и осознанно решите, где ИИ играет роль, — до написания первой строки кода.

Обратная связь

По мере прохождения курса нам будет очень интересно узнать, как вы используете концепции курса в своей работе, а также любые ваши отзывы. Поделитесь отзывом здесь.

Благодарности и лицензия

Copyright 2026 Anthropic. Курс разработан в партнёрстве с CodePath на основе фреймворка ИИ-грамотности, созданного проф. Риком Даканом (Ringling College of Art and Design) и проф. Джозефом Феллером (University College Cork). Выпущено под лицензией CC BY-NC-SA 4.0.