машинное обучение

что это

машинное обучение (ml) — зонтичный термин для всех программ, которые учатся на примерах, а не программируются правилами. нейросети — его часть, но не всё: прогноз спроса, скоринг заёмщиков, рекомендации маркетплейса, антифрод банка десятилетиями работают на более простых ml-методах — и работают отлично.

как всё устроено в иерархии, раз и навсегда: ии — самое широкое слово, почти маркетинговое. внутри — машинное обучение: учимся на данных. внутри ml — нейросети: конкретный способ учиться. внутри нейросетей — llm и генеративный ии: то, что взорвалось после 2022-го. когда в новостях говорят «ии», обычно имеют в виду самый внутренний слой.

зачем это бизнесу

потому что не всякая задача — про llm, и это вопрос денег. предсказать отток клиентов по истории покупок, спрогнозировать спрос на следующий месяц, найти аномалии в расходах — это классический ml на табличных данных: дешевле, быстрее, точнее и объяснимее, чем большая языковая модель. llm нужна там, где текст, речь, свободная форма. подрядчик, который на задачу прогноза продаж отвечает «подключим gpt», либо не знает классики, либо продаёт хайп. а самый частый честный ответ на маленьких данных — «вам пока хватит формулы в таблице».

о чём спросить подрядчика

• «это задача для llm или для классического ml — и почему?» — сам факт, что подрядчик различает эти вещи, уже фильтрует половину рынка.
• «сколько данных нужно для приемлемой точности и хватает ли моих?» — ml на ста строках не учится. честный ответ может быть «начнём собирать данные, модель — через полгода», и это лучше красивой демки на выдумке.