Машинное обучение, нейросети и ИИ: в чём разница

В разговорах с подрядчиками слова «ИИ», «машинное обучение» и «нейросеть» звучат как синонимы. На деле это понятия разного уровня, вложенные друг в друга. Понимание этой иерархии помогает задавать правильные вопросы и не переплачивать за модное слово там, где хватит простой модели.

Как понятия вложены друг в друга

• Искусственный интеллект — самое широкое понятие: любые системы, которые выполняют задачи, требующие «разумного» поведения. Сюда относятся и жёсткие правила, и поиск решений, и обучаемые модели
• Машинное обучение — часть ИИ, где поведение не прописывают вручную, а выводят из данных
• Нейросети — один из семейств методов машинного обучения
• Глубокое обучение — нейросети с большим числом слоёв, которые работают с изображениями, звуком и текстом

То есть любая нейросеть — это машинное обучение, но не любое машинное обучение — нейросеть.

Классические методы машинного обучения

Линейная и логистическая регрессия, деревья решений, случайный лес, градиентный бустинг, методы кластеризации. Они хорошо работают на табличных данных: выгрузках из учёта, CRM, банковских операциях. Требуют меньше данных и вычислений, их проще объяснить и проверить. Для прогноза спроса, оценки риска или оттока клиентов это часто лучший выбор.

Нейросети

Нейросеть состоит из множества простых вычислительных элементов, соединённых слоями. Сила нейросетей — в работе с неструктурированными данными: фото, видео, речь, тексты. Распознать дефект на снимке, перевести речь в текст, понять смысл письма клиента — задачи, где классические методы почти бессильны, а нейросети стали стандартом.

Чем отличается проект

Где место большим языковым моделям

Языковые модели, на которых работают современные чат-ассистенты, — это очень большие нейросети, обученные на огромных объёмах текста. Компании обычно не обучают их сами, а используют готовые через API или разворачивают открытые модели. Это отдельный класс решений: задача не в обучении, а в правильной постановке запросов, подключении данных компании и контроле ответов.

Как не ошибиться с выбором

Если данные — это таблица, начинайте с классических методов: их результат станет точкой сравнения. Нейросеть на табличных данных оправдана, только если она заметно точнее на проверочной выборке. Если данные — фото, звук или текст, нейросеть почти неизбежна, но часто можно взять готовую предобученную модель и дообучить её на своих примерах.

Пример одной задачи двумя способами

Компания хочет автоматически определять, к какому отделу относится входящее письмо клиента. Классический подход: превратить текст в набор слов и их частот и обучить логистическую регрессию на нескольких тысячах размеченных писем. Работает быстро, легко понять, какие слова повлияли на решение. Нейросетевой подход: взять предобученную языковую модель, которая понимает смысл фраз, и дообучить её на тех же письмах. Она лучше справится с перефразированием и опечатками, но потребует больше ресурсов. Разумно сделать оба варианта и сравнить на одной проверочной выборке.

Вопросы подрядчику

• Какой именно тип модели вы предлагаете и почему не более простой?
• Сколько размеченных данных нужно?
• Как будем измерять качество и с чем сравнивать?
• Можно ли объяснить, почему модель приняла конкретное решение?
• Где модель будет работать и какие ресурсы ей нужны?

Итог

Слово «нейросеть» не делает решение лучше само по себе. Хорошее решение — то, которое решает задачу с нужной точностью при разумных затратах на данные, вычисления и поддержку.