Под запросом «создать свою нейросеть» обычно скрывается одна из четырёх задач. Научить программу отличать брак от нормы на фото. Сделать бота, который отвечает по вашему прайсу. Переучить готовую модель писать в фирменном стиле. Или собрать модель с нуля. Создание нейросети онлайн в первом случае бесплатно и занимает вечер, а в последнем требует команды, видеокарт и месяцев работы.
Путаница стоит денег. Бизнес заказывает «обучение модели», хотя хватило бы ассистента с базой знаний. Бывает и наоборот: промптом пытаются добиться того, что решается только дообучением.
Ниже разобраны четыре пути, и для каждого указаны цена, сроки и требования к данным. Если вы уже склоняетесь к файн-тюнингу и хотите понять, оправдан ли он, прочитайте отдельный разбор о том, когда файн-тюнинг нейросети нужен, а когда нет.
Что стоит за словами «своя нейросеть»
Нейросеть состоит из модели и весов, подобранных на примерах. «Своей» её делает одно из трёх: вы обучили веса сами, подстроили чужие веса под свою задачу или обернули чужую модель своими инструкциями и данными. Снаружи результат выглядит одинаково: сервис, который решает вашу задачу. Внутри разница в деньгах и сроках кратная.
До выбора пути ответьте на три вопроса:
- Тип задачи. Нужно отнести объект к категории (классификация) или сгенерировать текст, ответ, изображение?
- Какие есть данные. Сотня размеченных фото, тысячи диалогов с клиентами, база документов или пока ничего?
- Где будет работать модель. В браузере, в облаке через API или на своём сервере без выхода в интернет?
По этим ответам почти всегда видно, какой путь подходит. Дальше разберём каждый.
Путь 1. No-code конструктор: классификатор без кода
Это самый короткий способ получить модель, обученную своими руками. Классический пример: Teachable Machine от Google. Это бесплатный веб-инструмент. Вы раскладываете примеры по классам, запускаете обучение и сразу проверяете, как модель распознаёт новые примеры. Работает с изображениями, звуками и позами. Сервис можно использовать полностью на устройстве, так что данные с веб-камеры и микрофона не покидают компьютер.
Готовую модель можно скачать или разместить онлайн. Это полноценные модели TensorFlow.js: они работают везде, где запускается JavaScript, поэтому их встраивают в сайт или приложение.
Что нужно
- Десятки или сотни примеров на каждый класс, снятых в условиях, близких к рабочим.
- Чёткие границы классов: «брак» и «норма», а не «вроде похоже на брак».
- Отдельная пачка примеров для проверки, которых модель не видела при обучении.
Цена: ноль. Сроки: от часа до пары дней, и почти всё время уходит на сбор примеров. Ограничение: только узкие задачи распознавания. Вести диалог, писать тексты и отвечать по документам такая модель не умеет.
Типичная ошибка: все примеры снимают на одном столе при одном освещении. Модель учится узнавать стол, а не деталь. В цеху точность проседает.
Путь 2. Ассистент на готовой модели
Чаще всего под «своей нейросетью для бизнеса» имеют в виду именно этот вариант. Веса никто не трогает. Вы подключаете большую языковую модель через API, например в Yandex AI Studio, пишете системную инструкцию и добавляете базу знаний и интеграции. На вопросы по вашим документам модель отвечает через поиск по базе. Такой подход называется RAG, подробно он описан в статье о том, как нейросеть отвечает по вашим документам.
Оплата идёт по факту использования. В Yandex AI Studio цена зависит от режима работы и числа токенов разных типов: входных, выходных, кешированных и токенов инструментов.
Что нужно
- Актуальные документы: прайс, регламенты, FAQ, карточки товаров.
- Список типовых вопросов с эталонными ответами, чтобы проверять качество.
- Сценарий передачи диалога человеку, когда бот не знает ответа.
Цена: разработка плюс ежемесячный счёт за токены, который растёт вместе с числом диалогов. Сроки: прототип собирают за несколько дней, рабочую версию с интеграциями за несколько недель. Пошагово сборка описана в гайде по созданию чат-бота на нейросети.
Типичная ошибка: в базу загружают всё подряд, вместе со старыми версиями прайса. Модель честно цитирует устаревшие цены, и клиент спорит с менеджером.
Путь 3. Дообучение готовой модели
Дообучение меняет поведение модели на ваших примерах. Оно нужно, когда промпт не справляется: строгий формат ответа, отраслевая терминология, фирменный стиль, сортировка обращений по вашим категориям. Добавлять так новые факты неудобно, для этого есть RAG.
Возьмём для примера российское облако Yandex AI Studio. Там методом LoRA можно дообучить модель генерации текста YandexGPT Lite и классификаторы на её базе. По документации дообучение идёт от 1 часа до суток: срок зависит от объёма данных и загрузки системы.
Требования к данным
- Для генерации текста нужно минимум 10 пар «запрос и эталонный ответ». Запрос до 8 000 токенов, ответ до 2 000 токенов.
- Для классификатора рекомендуют не меньше 1 000 примеров и не меньше 100 на каждый класс.
- Во всех обучающих примерах и в рабочих запросах используется одна и та же инструкция.
Десять примеров означают технический минимум, а не качество. Для заметного эффекта примеров нужно намного больше, и каждый стоит вычитать вручную: модель повторит и ваши ошибки.
Цена: пока функция в статусе Preview, дообучение в AI Studio бесплатно. Дообученная YandexGPT Lite стоит столько же, сколько базовая. Статусы и тарифы меняются, поэтому перед запуском проверьте страницу цен. Главная статья расходов здесь: время на подготовку датасета. Сроки: от нескольких дней до нескольких недель, считая сбор данных и тесты.
Если данные нельзя выносить в облако, открытую модель дообучают на своём сервере. Технически это сложнее, зато данные остаются в периметре компании.
Путь 4. Обучение модели с нуля
Здесь своя архитектура, случайные веса на старте и обучение на собственном корпусе данных. Языковую модель общего назначения малому и среднему бизнесу так не построить: нужны огромные объёмы текста, кластер видеокарт и команда ML-инженеров, а один цикл обучения тянется месяцами.
Но «с нуля» не обязательно означает гигантскую модель. Небольшие специализированные сети с нуля обучают постоянно: прогноз спроса по истории продаж, поиск аномалий в показаниях датчиков, скоринг заявок. Данные в таких задачах табличные или представляют собой временные ряды, и узкая модель на них часто работает лучше универсальной LLM.
Что нужно
- Размеченная история за длительный период, в которой есть разные ситуации, включая редкие.
- ML-инженер, который подберёт архитектуру и метрики качества.
- Инфраструктура для обучения и отдельная для работы модели.
Цена: самая высокая из четырёх путей. Основные деньги уходят на специалистов и вычисления. Сроки: от нескольких недель для узкой модели до многих месяцев для сложной.
Создание нейросети онлайн: сравнение четырёх путей
| Путь | Задачи | Данные | Цена | Сроки |
|---|---|---|---|---|
| No-code конструктор | Распознавание изображений, звуков, поз | Десятки или сотни примеров на класс | Бесплатно | Часы или дни |
| Ассистент на готовой модели | Ответы клиентам, работа с документами | Документы и тестовые вопросы | Разработка плюс токены | Дни или недели |
| Дообучение | Формат, стиль, классификация обращений | Минимум 10 пар для генерации, от 1 000 примеров для классификатора | Подготовка датасета плюс работа модели | Дни или недели |
| Обучение с нуля | Прогнозы, аномалии, скоринг | Большая размеченная история | Самая высокая | Недели или месяцы |
Где ошибаются при выборе пути
- Начинают с обучения, а не с промпта. Сначала проверьте, справляется ли готовая модель с хорошей инструкцией. Если справляется, дообучение не нужно.
- Путают знания и навыки. Факты о товарах и ценах подключают через базу знаний. Дообучение учит форме и манере, а не свежим данным.
- Не считают стоимость владения. Ассистент дёшев на старте, но счёт за токены растёт вместе с трафиком. Своя модель дорога на старте и требует поддержки и регулярного переобучения.
- Забывают про персональные данные. Прежде чем отправлять данные клиентов в облачную модель, сверьтесь с требованиями закона и отключите логирование запросов, если платформа это позволяет.
- Не собирают тестовый набор. Без заранее подготовленных вопросов с эталонными ответами не понять, стало после изменений лучше или хуже.
С чего начать
- Опишите задачу одной фразой: что модель получает на вход и что должна выдать.
- Соберите несколько десятков реальных примеров с правильными ответами. Это и тест, и основа будущего датасета.
- Попробуйте самый дешёвый путь. Для распознавания подойдёт no-code конструктор, для текстов готовая модель с инструкцией. К дообучению переходите, только если упёрлись в потолок качества.
Если не хочется разбираться самому, выбор пути, подготовку данных и разработку берёт на себя команда заказной разработки Neurounit: от прототипа ассистента до узкой модели, обученной на ваших данных.
