Подрядчик предлагает «внедрить ИИ» для прогноза закупок. Другой советует нейросеть. Третий говорит, что хватит обычной регрессии в Excel. Правы могут оказаться все трое. Искусственный интеллект и машинное обучение часто смешивают в одно понятие, и из-за этого бизнес платит за сложную технологию там, где хватило бы простой.
Эти термины вложены друг в друга. ИИ шире всего, машинное обучение входит в него, глубокое обучение входит в машинное, а генеративные модели выросли из глубокого. У каждого уровня свои задачи, свои требования к данным и своя цена ошибки.
Ниже разложены границы между понятиями и типовые бизнес-задачи для каждого: прогноз спроса, скоринг, распознавание, генерация контента. Когда эти границы понятны, подрядчику проще поставить задачу и труднее продать лишнее.
Искусственный интеллект и машинное обучение: как вложены понятия
Проще всего представить матрёшку. Каждый следующий уровень уже предыдущего и опирается на его идеи.
- Искусственный интеллект: любая система, которая решает задачи, привычные для человеческого мышления. Сюда входят и жёсткие правила, и обучаемые модели.
- Машинное обучение (ML): часть ИИ, где правила не прописывают вручную. Модель сама находит закономерности в данных.
- Глубокое обучение (DL): часть ML на многослойных нейронных сетях. Работает с «сырыми» данными: текстом, изображениями, звуком.
- Генеративные модели: часть глубокого обучения, которая создаёт новый контент, а не только классифицирует или прогнозирует.
Отсюда главное следствие. Любая генеративная модель относится к ИИ, но не любой ИИ генеративный. Если в ответ на вопрос «как устроено ваше решение» вам говорят просто «это ИИ», уточните уровень. Базовое определение термина и его историю мы разбирали в материале о том, что такое искусственный интеллект. Здесь речь о том, где проходят границы.
ИИ без обучения: правила и сценарии
ИИ начинался не с нейросетей, а с экспертных систем: набора условий «если, то». Такие системы живы и полезны до сих пор. В российском праве ИИ тоже понимают широко. Национальная стратегия развития искусственного интеллекта на период до 2030 года, утверждённая Указом Президента РФ от 10 октября 2019 г. № 490, описывает ИИ как комплекс технологических решений, которые имитируют когнитивные функции человека. Об обучении на данных в этой формулировке нет ни слова.
Где правила работают лучше обучаемых моделей:
- антифрод по понятным признакам: заказ с нового аккаунта, крупная сумма, адрес доставки не совпадает с регионом карты;
- чат-бот со сценарием для типовых вопросов: статус заказа, график работы, возврат;
- маршрутизация заявок в CRM по ключевым полям формы.
Плюс правил в прозрачности. Всегда видно, почему система приняла решение. Минус в том, что каждое новое исключение приходится дописывать вручную, и со временем логика превращается в клубок.
Машинное обучение: прогноз спроса и скоринг
Классическое ML берёт таблицу с историей и учится предсказывать нужный столбец. Для бизнеса это самый окупаемый уровень: данные уже лежат в учётной системе, CRM или кабинете маркетплейса.
Прогноз спроса
Модель смотрит на продажи прошлых периодов, сезонность, цены, акции и остатки, а на выходе даёт ожидаемый объём по каждому SKU. Селлеру это помогает планировать поставки на склады маркетплейса, рознице помогает не замораживать деньги в запасах. Качество прогноза сильнее всего зависит от чистоты истории: пропуски из-за нулевых остатков модель легко примет за отсутствие спроса.
Скоринг
Скоринг ранжирует объекты по вероятности события. Какой лид купит, какой клиент уйдёт, какой контрагент не заплатит. Обычно для этого хватает градиентного бустинга или логистической регрессии. Такие модели быстро обучаются и хорошо объясняют, какие признаки повлияли на оценку.
Сегментация
Здесь правильного ответа в данных нет, модель сама группирует похожих клиентов. На выходе получаются сегменты для разных рекламных сообщений и разных условий удержания.
Общее у всех трёх задач: структурированные данные и измеримый результат. Прогноз сравнили с фактом, скоринг проверили на реальных сделках.
Глубокое обучение: когда данные не помещаются в таблицу
Глубокое обучение нужно там, где признаки трудно описать вручную. Никто не пропишет правилом, чем фото бракованного товара отличается от нормального или чем раздражённый отзыв отличается от ироничного. Многослойная сеть выделяет такие признаки сама. Как устроены слои и чем отличаются типы сетей, подробно разобрано в статье про историю, компоненты и типы нейронных сетей.
Типовые задачи:
- анализ тональности отзывов на маркетплейсах и в картах;
- распознавание документов: счета, накладные, сканы договоров;
- расшифровка звонков отдела продаж и поиск в них ключевых тем;
- проверка фото товара на соответствие требованиям площадки.
У глубокого обучения выше цена входа: больше данных, больше вычислений, сложнее объяснить отдельное решение. Поэтому свою модель с нуля бизнес обучает редко. Чаще берут готовую предобученную и дообучают или просто подключают по API.
Генеративные модели: контент и работа с текстом
Генеративные модели не выбирают ответ из готовых вариантов, а создают новый: текст, изображение, код, аудио. Большие языковые модели, генераторы картинок и видео относятся сюда.
Где они дают бизнесу быстрый эффект:
- черновики описаний карточек товаров и SEO-текстов;
- варианты рекламных объявлений для тестов;
- ответы на отзывы и типовые обращения по шаблону тона бренда;
- саммари длинных документов, звонков и отчётов;
- запросы к базе данных на естественном языке.
Главная граница: генеративная модель правдоподобна, но не обязательно точна. Она может уверенно назвать несуществующую характеристику товара. Прогнозировать спрос через чат-бота плохая идея. Модель выдаст убедительное число, которое ни на чём не основано. Для цифр нужна ML-модель на ваших данных, а генеративная хороша как интерфейс поверх неё: объяснить прогноз словами, собрать отчёт, ответить на вопрос руководителя.
Какой подход выбрать под задачу
Сравнение по тем параметрам, которые важны при постановке задачи:
| Подход | Какие данные нужны | Типовые задачи | Главный риск |
|---|---|---|---|
| Правила (классический ИИ) | Знания эксперта, данные для обучения не нужны | Антифрод по признакам, сценарные боты, маршрутизация | Логика разрастается и перестаёт поддерживаться |
| Машинное обучение | Таблицы с историей: продажи, сделки, клиенты | Прогноз спроса, скоринг, сегментация, отток | Грязная история даёт неверный прогноз |
| Глубокое обучение | Тексты, изображения, аудио в большом объёме | Распознавание документов, тональность, анализ звонков | Дорого обучать, трудно объяснить решение |
| Генеративные модели | Промпт и контекст, иногда база знаний компании | Контент, ответы клиентам, саммари, запросы к данным | Правдоподобные, но неверные ответы |
Выбирать удобно по двум вопросам. Нужен ответ числом или текстом? Данные лежат в таблице или в документах и файлах? Число из таблицы: ML. Смысл из текста или картинки: глубокое обучение. Новый текст или изображение: генеративная модель. Если решение можно описать десятком понятных условий, начните с правил.
Где ошибаются при внедрении
- Начинают с технологии, а не с метрики. «Хотим нейросеть» не задача. «Сократить списания неликвида» уже задача, и под неё подбирают метод.
- Путают генерацию с аналитикой. Языковая модель пишет отчёт, но считать его цифры должна отдельная система.
- Не проверяют данные. Модель машинного обучения повторяет ошибки истории: дубли клиентов, пропуски, смену учёта посреди периода.
- Не сравнивают с базовой линией. Прогноз модели надо сопоставить хотя бы со средним прошлого периода. Если выигрыша нет, сложность не оправдана.
- Оставляют модель без присмотра. Спрос, цены и поведение клиентов меняются, поэтому модель нужно переобучать и следить за качеством.
Все пять ошибок решаются одинаково: сначала данные и понятная метрика, потом выбор модели. Как из данных собрать рабочий аналитический контур и в каком месте в него встраивать нейросеть, описано в материале про автоматизацию бизнес-аналитики и BI-контур.
С чего начать
- Выпишите три задачи, где решения сейчас принимают «на глаз»: закупки, приоритет лидов, ответы клиентам. Для каждой определите, нужен ответ числом или текстом.
- Проверьте, где лежат данные и насколько они полные. Выгрузите историю хотя бы по одной задаче и посмотрите на пропуски и дубли.
- Задайте базовую линию: как задача решается сейчас и с каким результатом. Без неё не получится оценить модель.
- Запустите пилот на одном направлении: прогноз по одной категории товаров или скоринг одного канала лидов.
Для большинства ML-задач первым шагом оказывается порядок в данных и отчётности. Если не хочется разбираться самому, этим занимается команда Neurounit: оцифровка бизнеса и настройка BI, на которой потом строятся прогнозы и скоринг.
