Продолжаю делиться опытом освоения нейросетей человеком с гуманитарным образованием и без IT-бэкграунда. На этот раз моей целью было разобраться, как происходит дообучение готовых LLM-моделей, как выстраивать процесс, какие использовать данные, модели, настройки и прочее. Зачем мне это понадобилось?

Во-первых, это вызов самому себе. Юристов, которые смогли бы дообучить языковую модель под свои задачи, думаю, единицы. Хотелось стать одним из тех, кому это по силам, тем более что тема мне интересна.

Во-вторых, никогда не знаешь, как такие навыки могут пригодиться в будущем. У меня есть идея: дообучить модель для работы с юридическими документами, чтобы она могла с высокой точностью интерпретировать указанные в них обстоятельства и подготавливать на основе анализа возражения, пояснения, жалобы и другие документы.

Но для этого нужно понимать, как устроен процесс обучения и из каких элементов он состоит. На момент, когда я взялся за эту тему, у меня были только идея и желание разобраться. Я понимал, что нужно начинать с малого, двигаться небольшими шагами от простого к сложному. Поскольку среди моего окружения не оказалось людей, разбирающихся в этой теме, а понятных гайдов по обучению я не нашел, все мои вопросы по обучению адресовались Grok, Qwen, Deepseek, Gemini и ChatGPT (только бесплатные версии).

Забегая вперед, скажу, что это была далеко не команда мечты. Большинство ошибок произошло из-за недосказанности, галлюцинаций и разных причуд нейросетей. Если бы у меня было хотя бы минимальное понимание того, какие существуют обученные LLM-модели, с какими стоит работать, а каких лучше избегать, я потратил бы на процесс обучения не неделю с небольшим, а справился бы за пару дней.

Всем привет! В предыдущей статье я поделился своим опытом вайб-кодинга в решении рабочих задач с учетом специфики работы юриста. А сегодня я расскажу, как на протяжении шести месяцев взаимодействия с LLM я использовал нейросети для решения повседневных задач и что из этого получилось. Я не буду затрагивать очевидные сценарии вроде написания макросов для Excel или обработки текста, а сосредоточусь только на реальных примерах применения LLM в повседневной жизни.

Топ составлен на основе моего личного опыта и задач, которые стояли передо мной. Все приведенные примеры и промты использовались мной в бесплатных версиях LLM таких как Grok (в основном), ChatGPT, Gemini, DeepSeek и Qwen. В комментариях к каждому пункту я поделюсь дополнительным контекстом применения нейросетей, чтобы вы могли лучше понять, как адаптировать эти подходы под свои задачи.

Приятного чтения!

1. Составление программы тренировок.

Промт: «Составь персонализированную тренировочную программу на 12 недель в табличной форме, с распределением по дням, циклам и с прогрессией нагрузок для занятий в тренажерном зале. С учетом следующих параметров и целей: Пол – ; Возраст - ; Рост - ; Вес - ; Тренировочный стаж: - ; Уровень подготовки - ; Травмы и ограничения: - ; Доступное оборудование - ; Цель тренировок - ; Периодичность тренировок: - . При подготовке ответа, для составления эффективной тренировочной программы опирайся на последние научные данные, открытия, статьи, опубликованные в достоверных (надежных) источниках, с учетом того, что данные должны быть получены на основании исследований, проведенных в отношении атлетов применяющих натуральный тренинг без использования анаболических стероидов».

Статья для гуманитариев, решивших освоить вайб-кодинг с нуля. Автор, юрист без опыта программирования, делится 6-месячным опытом работы с Python, Excel и LLM. Рассказывает о трудностях, лайфхаках и результатах, предостерегая от иллюзий и вдохновляя на старт в IT.