[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-self-supervised-learning::ru":3,"gloss-cluster-self-supervised-learning::ru":23,"gloss-next-self-supervised-learning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"self-supervised-learning","core-ai","Самообучение с учителем из данных","Самообучение (self-supervised learning) обучает модель на неразмеченных данных, превращая сами данные в разметку. Спрятать токен и попросить модель его предсказать; закрыть фрагмент изображения и попросить его восстановить; взять два кадрирования одной фотографии и потребовать, чтобы их представления совпали. Разметчик не участвует, но обучающий сигнал такой же точный, как в обучении с учителем, — именно это позволяет работать с корпусами, которые никто не смог бы разметить вручную. Этот подход не заменяет две прежние категории, а стоит между ними. Обучение с учителем требует человеческой цели для каждого примера и ограничено бюджетом на разметку. Обучение без учителя ищет структуру вообще без цели. Самообучение изготавливает цель из входных данных и потому получает градиенты как при обучении с учителем, но на объёмах данных как без учителя. На этом держатся современные языковые модели, большинство эмбеддинг-моделей и значительная часть работ по речи и зрению. Для практика главное следствие в том, где разметка всё ещё нужна. Самообучение даёт общее представление; чтобы превратить его в классификатор, ранжировщик или адекватного ассистента, размеченные примеры всё равно потребуются — просто на порядки меньше, чем при обучении с нуля. Поэтому при адаптации модели небольшой чистый датасет под конкретную задачу часто ценнее, чем большой сырой скрап.","Самообучение превращает неразмеченные данные в обучающую цель — метод, на котором держатся современные языковые и эмбеддинг-модели, объяснён для практиков.",null,[11,14,17,20],{"slug":12,"name":13},"embedding","Эмбеддинг (векторное представление)",{"slug":15,"name":16},"pretraining","Предобучение",{"slug":18,"name":19},"supervised-learning","Обучение с учителем",{"slug":21,"name":22},"unsupervised-learning","Обучение без учителя",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]