Даже идеальный промпт не даст ИИ знаний, которых у него нет.
Например, модель не знает внутренние регламенты компании, актуальную документацию проекта, структуру вашей БД или принятый формат требований.
Чтобы ИИ работал с такими данными и стабильнее решал конкретные задачи, одного промпт-инжиниринга может быть недостаточно.
Здесь появляются два разных подхода:
1️⃣ RAG
2️⃣ Fine-Tuning
Они могут пригодиться и аналитику в повседневной работе, и команде, которая проектирует продукт с ИИ.
Но работают эти подходы совершенно по-разному.
Разбираемся 👇
1️⃣ RAG = AI ищет ответ по вашим данным
RAG (Retrieval-Augmented Generation) — генерация, дополненная поиском.
Это подход, при котором AI отвечает на основе ваших документов и базы знаний.
Вы загружаете свои файлы: PDF, HTML-страницы, статьи, инструкции, регламенты и другие материалы, а система ищет ответ по ним.
То есть модель не переобучают.
Ей просто дают нужный контекст из ваших данных для ответов на вопросы.
Технически это реализуется так:
1) Векторизация запроса — преобразование запроса в числовое представление (без AI).
2) Поиск релевантных фрагментов — система ищет в векторной БД наиболее близкие числа, т.е. фрагменты документов (без AI).
3) генерация ответа на основе этих фрагментов — найденные фрагменты добавляются в запрос к AI-модели, и она формирует ответ с их учётом.
Пример:
NotebookLM работает по принципу RAG.
Вы загружаете материалы, и AI далее работает именно по ним.
2️⃣ Fine-Tuning = меняем саму модель под нужную задачу
Это дообучение модели под конкретные задачи, формат ответов или предметную область.
Другими словами — "улучшение мозгов" 🧠
То есть здесь меняются не внешние документы рядом с моделью, а сама модель адаптируется под нужный сценарий.
Например, если вы хотите, чтобы модель:
* писала Use Case в вашем формате,
* генерировала REST API методы по шаблону,
* лучше понимала терминологию конкретной отрасли,
* стабильно отвечала в нужном стиле.
Тогда Fine-Tuning может быть уместен.
🔻 Это более сложный и дорогой путь, который требует качественной подготовки обучающих данных.
Пример:
AI-ассистент “слушает” встречу врача с пациентом,
выделяет из разговора важные данные
и автоматически оформляет запись в медицинской карте в нужном формате и помогает с предварительным определением диагноза.
Для этого модель дообучают на большом количестве реальных врачебных записей, которые ранее заполнялись вручную.
Данные делят на "обучающие" и "тестовые". На обучающих модель учится, а на тестовых проверяют, что она отвечает как настоящий доктор.
👉 В чём разница
RAG
➡️ модель не дообучается
➡️ даёт ей доступ к внешним документам
➡️ удобно, когда данные часто меняются
Fine-Tuning
➡️ модель дообучается
➡️ меняется её внутреннее поведение
➡️ удобно, когда нужно глубже адаптировать её под задачу
👉 Когда выбирают RAG:
✔️ есть база документов
✔️ знания часто обновляются
✔️ нужен быстрый и более дешёвый запуск AI в продукте
👉 Когда выбирают Fine-Tuning:
✔️ нужен стабильный формат ответов
✔️ знания меняются редко
✔️ важна адаптация под узкую предметную область, простой RAG уже не даёт нужного качества
👉 Иногда в проекте используют оба подхода сразу:
▫️ RAG — для получения актуальных данных,
▫️ Fine-Tuning — для лучшего поведения модели.
Системному аналитику полезно знать оба термина.
Потому что в AI-проектах это уже не “что-то для ML-инженеров”, а часть обсуждения архитектуры решения.
GetAnalyst | 
VK | 
Max#AI_for_analysts
