«Это проблема LLM: имея возможность искать в интернете, вытаскивать из весов нужные токены, они могут цитировать заблуждение. Когда ты занимаешься чем-то 8, 9, 10 лет, ты знаешь, что это заблуждение. Но оно настолько широко распространённое, что выглядит как правда.»
Ведущий:
Степан Поздняков, продюсер ProductSense
Гость:
Юра Агеев, основатель ProductSense
Записи докладов ProductSense'26, кейсы и практики — в Академии ProductSense: https://academy.productsense.io/
Подписывайтесь на канал анонсов подкаста: https://t.me/mspodcast
О чем говорим:
— Введение
— Даже подводку в два предложения LLM не может написать человеческим языком
— Как распознать слоп: стилистический и смысловой
— Почему нейрослоп неизбежен?
— Через призму каких характеристик мы смотрим на текст?
— Чем экспертность отличается от содержательности
— Почему модели тиражируют распространённые заблуждения
— Рубленые фразы и почерк двух моделей в одном тексте
— Команда «Пиши как Пушкин» решает 80% задачи стиля
— Стилизация ответов модели под себя
— В какой момент нужны редполитика и скиллы?
— Пайплайны проверок разными моделями
— Экспертность через гипотезы и попытки их опровергнуть
— Почему смысл важнее экспертности
— Инженерный подход: декомпозиция текста на шаги для Claude
— Почему LLM хорошо пишут код и причем тут код-ревью
— Как применить инженерный подход к смыслу текста
— Проверка смысла второй моделью в режиме «душнилы»
— Процесс целиком: экспертность, смысл, стиль
Словарик:
— LLM (Large Language Model) — большая языковая модель: ChatGPT, Claude и другие
— Нейрослоп — шаблонный текст нейросети, который выглядит убедительно, но почти не несёт смысла
— Пайплайн — последовательность заданных этапов обработки и проверки, через которую проходит текст или задача
