Искусственный интеллект (ИИ) все чаще используется в ветеринарной практике — от анализа клинических случаев до подготовки ответов владельцам животных и материалов для внутренних разборов. Однако результат работы с ИИ заметно отличается: для одних врачей он становится рабочим инструментом, для других — источником формально грамотных, но практически неприменимых ответов. О причинах этого на Московском международном ветеринарном конгрессе рассказал Максим Лапшин — заместитель генерального директора компании «Новые ветеринарные технологии», ветврач-невролог и нейрорадиолог.
Фото: Александр Плонский / «ВиЖ»
Один запрос — разные результаты
Ключевая проблема при работе с ИИ — нестабильность результатов. Один и тот же инструмент при схожих задачах может давать принципиально разный по качеству ответ. В одних случаях пользователь получает структурированный и применимый результат, в других — формально корректный, но практически бесполезный текст. Разницу, по словам эксперта, определяет чаще всего даже не выбранная нейросеть, а формулировка задачи.
«Нейросеть редко отвечает плохо сама по себе. Чаще она честно ищет ответ на плохо поставленную задачу», — отметил Максим Лапшин.
Одна из базовых причин этого — чрезмерно общий запрос. Типичный пример: «Проанализируй этот клинический случай». Такая формулировка не задает модели ни роль, ни цель, ни структуру ответа. В результате система выдает обобщенное описание возможных причин состояния животного — без клинической логики, приоритизации и разделения фактов и гипотез.
«Модель не знает, в каком качестве она должна отвечать и что именно от нее ждут. Поэтому она выбирает самый безопасный вариант — общий текст», — пояснил собеседник «ВиЖ».
Как выглядит «вода» на практике
При слабом запросе ИИ, как правило, дает набор универсальных формулировок: перечисляет возможные диагнозы без обоснования, смешивает факты и предположения, не указывает, каких данных не хватает, и предлагает рекомендации без учета конкретного клинического контекста. Такой ответ может выглядеть убедительно, но не помогает в принятии решений.
Как выглядит корректный запрос
Противоположный результат возникает тогда, когда задача для модели сформулирована как управляемый процесс, а не как общая просьба. В таком случае в запросе заранее задаются роль, цель, исходные данные и формат ответа, что снижает степень неопределенности и ограничивает пространство «додумывания».
Например, вместо формулировки «Проанализируй клинический случай» используется структурированный запрос:
По словам эксперта, в таком формате модель перестает генерировать усредненные описания и начинает работать как инструмент анализа, последовательно обрабатывая заданные элементы задачи.
Разница между двумя подходами проявляется не в «качестве текста», а в его применимости: в одном случае врач получает общий набор рассуждений, в другом — структурированный материал, который можно использовать для клинического обсуждения или принятия решений.
Почему один запрос не может решать все задачи
Однако попытка использовать одну и ту же формулировку для разных задач приводит к предсказуемой потере качества результата, отметил Максим Лапшин. Причина, по его словам, заключается в том, что клинические, коммуникационные и управленческие задачи требуют разной логики ответа, разного уровня детализации и разного языка.
Один и тот же клинический случай, например, может использоваться для разных целей: внутреннего разбора, подготовки объяснения для владельца животного, ответа на жалобу или образовательного доклада. Однако в каждом из этих сценариев меняется не только форма подачи, но и допустимый уровень гипотез, структура аргументации и степень уверенности в выводах.
По словам эксперта, универсальный запрос неизбежно приводит к усредненному результату, который не учитывает ни адресата, ни контекст использования. В клинической работе это означает либо избыточную детализацию там, где она не нужна, либо, наоборот, потерю важной информации.
Именно поэтому эффективная работа с ИИ строится не вокруг одного «правильного промпта», а вокруг набора шаблонов под конкретные задачи. По словам Максима Лапшина, такой подход позволяет разделять сценарии использования и получать предсказуемый результат в каждом из них.
Метки: ChatGPT, Perplexity, ветеринарные врачи, ИИ в ветеринарии, искусственный интеллект, нейросети
