Как создать свою нейросеть для бизнеса: промпты, RAG или fine-tuning

Запрос «как создать свою нейросеть» бизнес обычно задаёт с конкретной целью: чтобы ИИ знал ассортимент, писал в фирменном стиле, разбирал заявки по вашим правилам. Для этого почти никогда не нужно создавать модель с нуля. Нужно выбрать правильную ступень адаптации готовой модели — и не переплатить за ту, что выше необходимой. Разберём, чем отличаются промпты, RAG и fine-tuning, сколько данных требует дообучение, где его делать в России и как проверить результат.

Можно ли создать свою нейросеть с нуля и нужно ли это бизнесу

Технически создать нейросеть с нуля можно: простой классификатор на Python и PyTorch собирается за вечер по учебнику. Но когда говорят «своя нейросеть как ChatGPT», речь о большой языковой модели (LLM), а это другой порядок затрат. По оценке Stanford AI Index 2024, вычисления на обучение GPT-4 стоили около 78 млн долларов, Gemini Ultra — около 191 млн. Без учёта зарплат, данных и неудачных запусков.

Свои LLM с нуля обучают Сбер, Яндекс и крупные зарубежные лаборатории на кластерах из тысяч GPU. Среднему бизнесу это не нужно: готовые модели уже пишут и анализируют на русском, задача — адаптировать их к вашим данным и процессам.

Лестница решений: промпт, RAG, fine-tuning или своя модель

Каждая ступень дороже и требует больше данных. Подниматься выше стоит, только если тесты показали потолок предыдущей.

Для ориентира по рынку: пилот одного сценария на готовой модели обычно стоит от 150–200 тыс. ₽ и занимает 2–4 недели, решение на закрытом контуре с открытой моделью на своём сервере — от 800 тыс. ₽ и от 8 недель. Итог зависит от данных, интеграций и требований к безопасности.

Промпт-инжиниринг: первая ступень, которую часто пропускают

Большинство «нейросеть не понимает нашу специфику» решается инструкцией: роль, цель, ограничения, формат ответа и несколько эталонных примеров прямо в промпте (few-shot). Современные модели держат в контексте сотни страниц текста, так что правила, словарь терминов и примеры помещаются целиком.

Промпт — самый дешёвый способ проверить гипотезу. Если модель не справляется даже с хорошей инструкцией, дообучение вряд ли спасёт: проблема скорее в постановке задачи или выборе модели. Как составлять инструкции, мы разобрали в статье «Что такое промт и как его написать».

RAG: когда нейросеть должна знать ваши данные

Если цель — чтобы ИИ отвечал по каталогу, договорам, базе знаний поддержки, нужен не fine-tuning, а RAG (Retrieval-Augmented Generation). Система находит в документах релевантные фрагменты и передаёт их модели вместе с вопросом, а модель отвечает по ним со ссылкой на источник.

Поменяли прайс — переиндексировали документ, и ответы уже новые; дообученную модель пришлось бы обучать заново. Устройство RAG — в отдельном материале «Что такое RAG-система».

Что такое fine-tuning простыми словами

Fine-tuning (дообучение) — дополнительное обучение готовой модели на ваших примерах. Модель уже понимает язык, а дообучение смещает её поведение: формат, тон, выбор категорий. Если сравнить с сотрудником: промпт — памятка на столе, RAG — доступ к документам, fine-tuning — тренинг, закрепляющий навык.

LoRA и PEFT: почему дообучение стало доступным

Полное дообучение меняет все миллиарды параметров модели и требует кластера GPU. Методы PEFT (Parameter-Efficient Fine-Tuning) меняют лишь небольшую часть. Самый распространённый — LoRA: к модели добавляются компактные «адаптеры», а исходные веса замораживаются. Вариант QLoRA дополнительно сжимает модель: по данным авторов метода (Dettmers et al., 2023), он позволил дообучить модель на 65 млрд параметров на одной видеокарте с 48 ГБ памяти. Моделям на 7–14 млрд параметров хватает одного облачного GPU.

Сколько примеров нужно для дообучения

Для генеративных задач ориентир — сотни–тысячи качественных примеров. Исследование LIMA (Meta, 2023) показало, что 1000 тщательно отобранных пар «запрос → ответ» достаточно, чтобы заметно изменить стиль и формат ответов большой модели. Для классификаторов требования выше: Yandex AI Studio рекомендует для дообучения классификатора на базе YandexGPT не менее 1000 примеров в датасете и не менее 100 на каждый класс.

Качество важнее количества: 500 пар, проверенных экспертом, дадут больше, чем 20 000 сырых диалогов из CRM с ошибками и устаревшими условиями.

Формат датасета

Стандарт для текстовых моделей — файл JSON Lines: каждая строка — отдельный пример. Для диалоговых моделей это инструкция, запрос и эталонный ответ, для классификации — текст и метка класса. Так принимает данные Yandex AI Studio (JSONL, UTF-8), так же дообучают открытые модели через библиотеки Hugging Face (Transformers, PEFT, TRL). Обязательно отложите 10–20% примеров в тестовую выборку: на них модель не учится, а по ним вы оцениваете результат.

Когда своя модель действительно нужна: узкие задачи

Собственная модель — оправданный путь, если задача узкая, повторяется тысячи раз в день и не требует генерации текста:

• Классификация и маршрутизация — тематика обращений, спам, приоритет заявки. Небольшая модель работает быстрее и дешевле LLM на каждом запросе.
• Прогнозирование — спрос, отток, загрузка склада на табличных данных. Здесь нейросеть часто проигрывает градиентному бустингу, модель подбирают под данные. Подробнее — в статье о предиктивной аналитике.
• Компьютерное зрение — контроль брака, подсчёт товаров на полке, распознавание документов. Обычно берут предобученную архитектуру и дообучают на ваших размеченных фотографиях; задачи и примеры — в статье о компьютерном зрении.

Даже здесь «с нуля» почти всегда значит «на готовой архитектуре и предобученных весах». Без мониторинга и переобучения точность такой модели падает по мере того, как меняются товары, клиенты и сезонность.

Где дообучить нейросеть в России в 2026 году

YandexGPT в Yandex AI Studio

В Yandex AI Studio доступно дообучение по методу LoRA модели генерации текста YandexGPT Lite, классификаторов на её базе и модели эмбеддингов. Обучение и работа модели идут в инфраструктуре Яндекса в РФ, дообученная модель вызывается через тот же API. Минус — выбор базовых моделей для дообучения ограничен.

GigaChat

Самостоятельного дообучения в публичном API GigaChat нет — адаптацию модели обсуждают индивидуально в рамках корпоративных договоров со Сбером. Зато Сбер открыл веса моделей GigaChat 3.x (флагманы Ultra и компактная Lightning) по лицензии MIT — их можно дообучать на своих серверах.

Открытые модели на своём GPU или в облаке

Qwen, Mistral, DeepSeek, Llama, открытые версии GigaChat можно дообучить и развернуть в собственном контуре или на арендованных GPU в российских облаках — Yandex Cloud, Cloud.ru, Selectel. Так данные не покидают вашу инфраструктуру. Перед выбором проверьте лицензию конкретной модели и версии:

• Qwen — большинство открытых моделей под Apache 2.0, но у отдельных флагманов собственная лицензия.
• DeepSeek (R1, V3, V4) — MIT, коммерческое использование разрешено.
• Mistral — актуальные открытые модели (Mistral Small, Mistral Large 3) под Apache 2.0, часть более ранних — под собственными ограничительными лицензиями.
• Llama — собственная лицензия Meta: коммерческое использование разрешено, но при аудитории свыше 700 млн активных пользователей в месяц нужна отдельная лицензия, действуют правила допустимого использования и требования к указанию авторства.

Выбор между облаком и своим контуром зависит от данных, нагрузки и бюджета — его делают на этапе диагностики при внедрении ИИ в бизнес.

Данные для обучения и 152-ФЗ

Датасет для дообучения обычно собирают из переписки с клиентами, заявок и звонков — то есть из персональных данных. Отсюда три требования:

• Обезличивание. Имена, телефоны, адреса, номера договоров удаляют или заменяют метками до обучения. Модель способна воспроизвести фрагменты обучающих данных, а «удалить» из весов конкретного клиента нельзя — только переобучить модель.
• Локализация. Первичный сбор и хранение персональных данных граждан РФ — в базах на территории России. Это касается и датасетов, и логов работы модели.
• Трансграничная передача. Загрузка персданных в зарубежный сервис для дообучения — трансграничная передача: по ст. 12 152-ФЗ до её начала оператор обязан уведомить Роскомнадзор и оценить, обеспечивает ли страна получателя защиту данных. Практичное решение — российские облака, открытые модели в своём контуре или обезличивание до отправки.

С 30 мая 2025 года (420-ФЗ) штрафы за нарушения при обработке персональных данных выросли в разы, поэтому эти требования закладывают в архитектуру сразу. Порядок работы с данными согласуйте с юристом компании.

Как проверить, что обучение нейросети сработало

1. Соберите тестовый набор до обучения. 100–300 реальных запросов с эталонными ответами, включая сложные и пограничные случаи. Он не должен пересекаться с обучающими данными.
2. Зафиксируйте базовую линию. Прогоните тест на исходной модели с хорошим промптом. Дообучение имеет смысл, только если результат заметно лучше этой линии.
3. Выберите метрики под задачу. Для классификации — точность, полнота и F1 по каждому классу, а не только общая доля верных ответов. Для генерации — соблюдение формата, фактические ошибки, доля ответов, которые не нужно править.
4. Проведите экспертную оценку. Метрики плохо ловят тон и смысл: пусть сотрудники вслепую сравнят ответы старой и новой версии.
5. Проверьте общие навыки. После дообучения модель может хуже следовать инструкциям вне узкой задачи — держите в тесте и такие примеры.
6. Мониторьте в работе. Следите за долей правок и эскалаций, добавляйте новые ошибки в тестовый набор.

Типичные ошибки при обучении нейросети под бизнес

• Начинать с fine-tuning. Дообучают модель ради фактов или не попробовав промпт и RAG — и тратят месяцы на то, что решалось инструкцией или базой знаний.
• Обучать на сырой выгрузке. Ошибки операторов и грубость модель воспроизведёт так же уверенно, как правильные ответы.
• Не отделять тестовую выборку. Проверка на обучающих примерах даёт красивые цифры, но ничего не говорит о реальной работе.
• Игнорировать лицензию и данные. Ограничительная лицензия или персданные в зарубежном облаке становятся юридическим риском уже после запуска.
• Считать проект разовым. Дообученную модель придётся переобучать при смене базовой модели, ассортимента и правил — это нужно заложить в бюджет владения.

Чек-лист: как подготовиться к обучению нейросети

• Задача сформулирована узко и измеримо: что на входе, что на выходе, какой результат считается успехом.
• Проверен промпт с примерами на тестовом наборе из 100+ реальных запросов.
• Факты и документы вынесены в RAG, а не в обучающие данные.
• Для fine-tuning собраны сотни–тысячи проверенных экспертом примеров в формате JSONL, 10–20% отложены на тест.
• Персональные данные обезличены, место хранения и обработки соответствует 152-ФЗ.
• Выбрана модель с подходящей лицензией и способом размещения: облако РФ или свой контур.
• Определены метрики, базовая линия и порядок экспертной оценки.
• Заложены мониторинг, регулярное обновление датасета и переобучение.

Итог: своя нейросеть для бизнеса — это не новая модель с нуля, а готовая модель, адаптированная ровно настолько, насколько требует задача. Большинство сценариев закрывают промпт и RAG, fine-tuning нужен для стиля, формата и узкой классификации, а собственные модели — для прогнозов и компьютерного зрения. Подобрать уровень под ваши процессы и данные помогут специалисты по нейросетям для бизнеса.