Как стать автором
Обновить
2401.71
МТС
Про жизнь и развитие в IT

Как нейронки помогают студентам в обучении — и где обычно подводят

Время на прочтение5 мин
Количество просмотров2.7K

Привет! Это Алина Веденская из команды образовательных проектов МТС Диджитал.

Помните Гермиону Грейнджер из «Гарри Поттера»? Знания она добывала из огромных стопок книг и старинных рукописей, которые находила в библиотеках. Жизнь современных студентов точно не такая пыльная: информация упакована в ноутбук, а рутинные задачи можно поручить ИИ. Как раз о последнем и пойдет речь в этом посте.

Недавно моя коллега рассказывала, как в магистратуре от МТС и ВШЭ учат работать с искусственным интеллектом. Мне стало интересно узнать у студентов, используют ли они чат-боты в обучении, для каких задач и насколько это облегчает им жизнь. Кейсами ребят поделюсь ниже. Если вы учитесь прямо сейчас или только планируете освоить новую сферу, забирайте пост в закладки. Возможно, эти идеи вам пригодятся!

Дальше — опыт студентов магистратуры «Исследования и предпринимательство в искусственном интеллекте»:

ChatGPT

Обычно использую для дебага кода и исправления ошибок. До появления продвинутых генеративных чат-ботов нужно было гуглить каждую ошибку и собирать советы с форумов. Это отнимало кучу времени. Ситуацию усложняло то, что кода было недостаточно — приходилось дополнительно разбираться, что провоцирует ошибку.

Теперь, если программа выдает синтаксическую ошибку, можно поручить чат-боту найти неверную строку и исправить ее. Или, если функция возвращает не ожидаемый результат, нейронка подскажет, где именно в логике программы допущена ошибка и что с ней делать. Еще можно отлично оптимизировать код: чат-бот предлагает более быстрые алгоритмы и упрощает сложные конструкции.

Чтобы исправить скрипт, просто высылаешь боту текст ошибки и сам код. Он не только выдаст корректную версию, но и объяснит, из-за чего возникла проблема и как все починить. Если вариант не подходит или банально не работает, можно попросить решить проблему по-другому.

Для работы с кодом есть специальные нейронки: GitHub Copilot, Cursor и другие. Но ChatGPT тоже неплохо справляется, особенно платная версия.

Конечно, не всегда получается гладко. Ответ чат-бота может оказаться банально хуже, чем тот, который выдаст вам первая же ссылка в поисковике. А еще иногда бот не знает о свежих изменениях в библиотеках и в целом не слишком хорошо разбирается в малоизвестных библиотеках и языках программирования. Поэтому не советую сильно на него полагаться: если с первых попыток получить адекватный ответ не удалось, используйте другой вариант.

Еще Chat GPT помогает быстро разобраться в объемном тексте. С недавних пор в него можно загружать PDF и другие файлы. Я выработал для себя максимально эффективную стратегию: создаю новый чат, загружаю документ и начинаю его читать (!). Попутно задаю вопросы — например, запрашиваю суммаризацию или прошу объяснить небольшой кусок текста. Можно смело поставить задачу перефразировать отрывок без использования терминов:

Я не прошу суммаризировать весь документ — пусть это и выглядит заманчиво. Обычно в таких случаях ответ слишком сжат и примитивен. Скорее всего, потеряешь аспекты, которые действительно важны. А еще если документ на иностранном языке, то и обсуждать его с чат-ботом лучше на нем же. Это помогает адаптироваться к терминологии и освобождает ум от постоянных переключений на русский.

Microsoft Copilot

Допустим, нужно найти источник для какого-то утверждения, исследовательской работы. Конечно, есть традиционный способ — обратиться к базам данных научных работ. Многие ищут в них напрямую или пользуются Google Scholar.

А можно пойти к чат-боту, в который интегрирован поиск источников информации. В Microsoft Edge есть специальное окно с чат-ботом Microsoft Copilot — каждый факт он будет подкреплять ссылкой на его источник. Если грамотно сформулировать запрос, можно быстро и эффективно пополнить свой список использованной литературы.

Стоит признать, что и тут нейронки галлюцинируют. Поэтому прежде чем указывать выданные источники, их нужно обязательно проверить. Другая проблема — они могут оказаться поверхностными и не затронуть тему по существу. С этим стоит быть особенно осторожными, если у вас научная работа. Решает проблему более точный промпт-инжиниринг и опять же проверка ответов.

ChatGPT, DeepSeek

Обычно я пишу запрос в ChatGPT и DeepSeek, а потом выбираю оптимальный ответ. Обращаюсь к ним для генерации кода. Например, когда приходится работать с фреймворками, с которыми до этого не сталкивался.

Можно попросить модель сгенерировать код для решения задачи с использованием выбранной библиотеки. Так я трачу гораздо меньше времени и сил, чем если бы следовал стандартному подходу с изучением документации. Особенно, если библиотека крупная и у нее большая функциональность.

Пример запроса для Chat
Пример запроса для Chat
Пример кода, сгенерированного Chat GPT на мой запрос
Пример кода, сгенерированного Chat GPT на мой запрос

С чем могут быть проблемы и как их решать?

Галлюцинации: LLM сгенерировала код, который внешне выглядит вполне адекватным и кажется рабочим, но при его запуске возникает ошибка. Такое возможно, когда модель пытается использовать модули или сущности, которых в библиотеке на самом деле нет. Знатоки etna заметят, что в коде импортируются классы MovingAverageTransform, OutliersTransform, FillMissingTransform, которых на самом деле нет в пакете etna.transforms.

Нужно обращать внимание на это и сразу проверять работоспособность сгенерированного кода. А если есть ошибки, исправить их самостоятельно. Если не знаете, как это сделать, ищите решение в интернете — например, на Stack Overflow. Или можно продолжить диалог с моделью и попросить ее пофиксить свои же ошибки.

Код может быть написан неоптимально или не очень качественно. В примере выше каждое преобразование создается и сразу применяется к исходным данным. Выглядит достаточно громоздко. Это можно исправить, если передать список преобразований как параметр в конструктор класса Pipeline. На это тоже нужно обращать внимание и всегда рефакторить код модели, делать его более удобочитаемым и оптимальным.

Пример исправления кода, написанного Chat GPT
Пример исправления кода, написанного Chat GPT

Подготовка отзывов — еще одна задача, с которой помогает LLM. Подчеркиваю: именно подготовка, а не написание целиком. Для меня LLM полезны как инструменты редактуры. Например, если я готовлю ОС о курсе, я могу попросить чат-бот оценить связность и логичность текста и банально проверить его на ошибки.

Быстро найти ответ — тоже задача, которая по силе чат-ботам. Во время обучения у меня постоянно возникает огромное количество вопросов. Чтобы ответить на них, мне бы пришлось изучить несколько страниц выдачи, а потом и материалов. Мягко говоря, это не быстро. Так что обычно я иду за ответами не в поисковики, а к LLM. Нейронки хорошо для этого подходят, ведь на этапе предобучения видели большую (или всю) часть интернета.

А тут примеры:
Пример запроса в Google
Пример запроса в Google

На этот же запрос DeepSeek R1 дает такой ответ:

Тут тоже бывают проблемы:

  1. Модель галлюцинирует и отвечает неправильно. Если вы сами не знаете ответ, такую ошибку поймать будет сложно. Единственный способ не сесть в лужу — внимательно перепроверять.

  2. Модели может не хватать информации. Например, бесполезно спрашивать ChatGPT от 2022 года о технических характеристиках iPhone 16. Она ответит неправильно или не ответит вообще. Поэтому важно следить, что за модели используете и на каких данных они обучены. Вендоры пишут об этом в своих техрепортах.

ChatGPT помогает мне описывать курсовые работы и быстрее выполнять лабораторные. Ниже — подробнее об этом.

Описание курсовой. Иду в ChatGPT, чтобы сформировать структуру и описание разделов. Сначала выделяю ключевые тезисы и основные выводы, которые хочу взять в документ. Потом прошу чат-бота оформить эти идеи в виде связного текста для конкретных задач — это, например, описание предметной области, анализ данных или формулировка выводов. То есть доверяю формализацию текстов помощнику и могу сосредоточиться на содержательной части. Получившийся текст нужно внимательно вычитать и отредактировать.

Лабораторные работы, где нужно программировать. В наших домашних заданиях основной акцент делается на аналитический подход к решению задач машинного обучения, написание кода — второстепенно. Чтобы быстро получить рабочий пример кода, я использую ChatGPT. А уже потом адаптирую его под конкретные задачи. Так я могу уделить больше времени анализу данных, выбору алгоритмов и интерпретации результатов, а не заниматься техническими деталями реализации.

На этом все. Возможно, примеры студентов подскажут вам классную идею, как оптимизировать свое время. Делитесь в комментариях кейсами, для каких задач вы используете нейронки и что из этого получается. И с Днем студента!

Теги:
Хабы:
Всего голосов 8: ↑7 и ↓1+11
Комментарии3

Полезные ссылки

Как я учился на аналитика данных

Уровень сложностиПростой
Время на прочтение5 мин
Количество просмотров7.7K
Всего голосов 21: ↑19 и ↓2+20
Комментарии3

Превращаем магию в технологию: как волонтеры МТС знакомили детей с цифровым миром

Время на прочтение4 мин
Количество просмотров328
Всего голосов 7: ↑5 и ↓2+6
Комментарии3

FreeIPA: как обнаружить атаку злоумышленника на любом этапе Кill Сhain. Часть 2

Время на прочтение14 мин
Количество просмотров1.4K
Всего голосов 9: ↑9 и ↓0+14
Комментарии2

Изоляция с помощью глобальных акторов в Swift Concurrency: варианты на примере @MainActor

Время на прочтение7 мин
Количество просмотров627
Всего голосов 6: ↑6 и ↓0+12
Комментарии0

Обходим подводные камни работы с UDA в коде на Lua для ScyllaDB: дружим Java-драйвер и пустые значения

Уровень сложностиСредний
Время на прочтение5 мин
Количество просмотров737
Всего голосов 6: ↑6 и ↓0+11
Комментарии0

Информация

Сайт
www.mts.ru
Дата регистрации
Дата основания
Численность
свыше 10 000 человек
Местоположение
Россия