Как опечатка превращается в обучающий пример
Чтобы исправить слово, системе нужно оценить не только, какие буквы набраны, но и что человек, вероятно, хотел сказать. Например, пропущенная буква может сделать слово похожим на другое, а выбор между ними зависит от соседних слов и смысла фразы.
Для обучения такие случаи можно представить как пару: ошибочный вариант и правильный. Алгоритм замечает, какие замены, пропуски или перестановки букв встречаются, а затем учится сопоставлять их с вероятными исправлениями. Контекст помогает выбрать между вариантами: слово, подходящее к предложению, обычно вероятнее случайно похожего по написанию.
Почему важен выбор пользователя
Первое предложение системы — ещё не доказательство, что оно верно. Если человек принимает исправление или сам заменяет набранное слово, это может дать дополнительный сигнал о том, какой вариант был нужен. Но такой сигнал неоднозначен: человек мог оставить подсказку по ошибке, а автоматическую замену — вовсе не заметить. Поэтому поведение пользователя полезнее рассматривать вместе с другими примерами, а не как безошибочную разметку.
Кроме того, один случай сам по себе мало что говорит. Повторяющиеся ошибки показывают, где система не учитывает частую форму, путает похожие слова или не справляется с конкретным контекстом. На подобных примерах улучшаются не только исправления: те же закономерности помогают предугадывать следующее слово и предлагать продолжение фразы.
Система учится вероятностям, а не «понимает» намерение
Даже хорошо обученная модель не читает мысли: она выбирает наиболее вероятный вариант по написанию, контексту и предыдущим примерам. Поэтому редкое имя, новое слово или необычное выражение она может ошибочно заменить более привычным. Опечатки полезны не потому, что каждая из них сообщает системе намерение человека, а потому, что множество примеров уточняет, какие ошибки люди делают и какие исправления подходят в разных ситуациях.
