Сообщение Re[7]: Перспективы от 18.01.2026 18:25
Изменено 18.01.2026 18:26 mrTwister
Re[7]: Перспективы
Здравствуйте, SkyDance, Вы писали:
SD>Нет, все несколько иначе.
SD>Я бы скорее привел в качестве аналогии property-based testing (упрощенная вариация которого называется fuzzying). Нейросеть генерирует некоторое рандомное (*) изменение (примерно как "мутация" в наших генах генерируется ионизирующим излучением), а другая нейросеть (или просто набор тестов) проверяют полученный вариант на то, лучше ли он предыдущего, или хуже.
SD>(*) на самом деле, не совсем рандомное, но это уже детали
Ну вот опять, у property based тестов и у buzzing есть чёткие критерии того, что такое плохо (программа упала, свойство не выполнено) и в рамках этих критериев ищется некоторое решение. В этих условиях подход работает, именно поэтому нейросети хорошо решают литкод задачи, или играют в го. Но что делать в ситуации, когда нет критериев качества? Ок, мы скажем, что программа должна компилироваться, не крешиться, не зависать. Но этого, мягко говоря, недостаточно. Идем дальше: несформулированные критерии качества — это только начало айсберга. На решении каких задач должна тренироваться модель? У нас сами задачи тоже не сформулированы, не только их критерии качества.
SD>Нет, все несколько иначе.
SD>Я бы скорее привел в качестве аналогии property-based testing (упрощенная вариация которого называется fuzzying). Нейросеть генерирует некоторое рандомное (*) изменение (примерно как "мутация" в наших генах генерируется ионизирующим излучением), а другая нейросеть (или просто набор тестов) проверяют полученный вариант на то, лучше ли он предыдущего, или хуже.
SD>(*) на самом деле, не совсем рандомное, но это уже детали
Ну вот опять, у property based тестов и у buzzing есть чёткие критерии того, что такое плохо (программа упала, свойство не выполнено) и в рамках этих критериев ищется некоторое решение. В этих условиях подход работает, именно поэтому нейросети хорошо решают литкод задачи, или играют в го. Но что делать в ситуации, когда нет критериев качества? Ок, мы скажем, что программа должна компилироваться, не крешиться, не зависать. Но этого, мягко говоря, недостаточно. Идем дальше: несформулированные критерии качества — это только начало айсберга. На решении каких задач должна тренироваться модель? У нас сами задачи тоже не сформулированы, не только их критерии качества.
Re[7]: Перспективы
Здравствуйте, SkyDance, Вы писали:
SD>Нет, все несколько иначе.
SD>Я бы скорее привел в качестве аналогии property-based testing (упрощенная вариация которого называется fuzzying). Нейросеть генерирует некоторое рандомное (*) изменение (примерно как "мутация" в наших генах генерируется ионизирующим излучением), а другая нейросеть (или просто набор тестов) проверяют полученный вариант на то, лучше ли он предыдущего, или хуже.
SD>(*) на самом деле, не совсем рандомное, но это уже детали
Ну вот опять, у property based тестов и у fuzzing есть чёткие критерии того, что такое плохо (программа упала, свойство не выполнено) и в рамках этих критериев ищется некоторое решение. В этих условиях подход работает, именно поэтому нейросети хорошо решают литкод задачи, или играют в го. Но что делать в ситуации, когда нет критериев качества? Ок, мы скажем, что программа должна компилироваться, не крешиться, не зависать. Но этого, мягко говоря, недостаточно. Идем дальше: несформулированные критерии качества — это только начало айсберга. На решении каких задач должна тренироваться модель? У нас сами задачи тоже не сформулированы, не только их критерии качества.
SD>Нет, все несколько иначе.
SD>Я бы скорее привел в качестве аналогии property-based testing (упрощенная вариация которого называется fuzzying). Нейросеть генерирует некоторое рандомное (*) изменение (примерно как "мутация" в наших генах генерируется ионизирующим излучением), а другая нейросеть (или просто набор тестов) проверяют полученный вариант на то, лучше ли он предыдущего, или хуже.
SD>(*) на самом деле, не совсем рандомное, но это уже детали
Ну вот опять, у property based тестов и у fuzzing есть чёткие критерии того, что такое плохо (программа упала, свойство не выполнено) и в рамках этих критериев ищется некоторое решение. В этих условиях подход работает, именно поэтому нейросети хорошо решают литкод задачи, или играют в го. Но что делать в ситуации, когда нет критериев качества? Ок, мы скажем, что программа должна компилироваться, не крешиться, не зависать. Но этого, мягко говоря, недостаточно. Идем дальше: несформулированные критерии качества — это только начало айсберга. На решении каких задач должна тренироваться модель? У нас сами задачи тоже не сформулированы, не только их критерии качества.