Виды и применение моделей машинного обучения

Машинное обучение на практике: какие модели сегодня используют компании

Еще несколько лет назад машинное обучение было уделом технологических гигантов и научных лабораторий. Сегодня же с ним ежедневно сталкиваются миллионы людей: рекомендательные алгоритмы предлагают товары на маркетплейсах, банковские системы за секунды оценивают кредитные риски, а голосовые помощники понимают естественную речь и выполняют рутинную работу. В основе большинства интеллектуальных сервисов лежат модели машинного обучения. В этой статье разберемся, какие из них сегодня пользуются наибольшей популярностью и с каким эффектом.

Рынок захватили ИИ-модели

Интерес бизнеса к технологиям искусственного интеллекта продолжает расти. По данным исследования Яндекса и компании «Яков и Партнеры», в 2025 г. уже 71 % крупных российских компаний использовали генеративный искусственный интеллект хотя бы в одной бизнес-функции. При этом большинство организаций рассматривают ИИ и машинное обучение не как эксперимент, а как реальный инструмент повышения производительности и сокращения затрат.

Согласно исследованию СберАналитики и Сбер Бизнес Софт, которое вышло в начале 2026 г., 39 % российских компаний уже применяют ИИ для автоматизации бизнес-процессов. Самыми востребованными направлениями остаются документооборот, финансовый учет, HR и клиентский сервис.

На мировом уровне значение технологии также продолжает расти. Согласно AI Index Report 2025, искусственный интеллект становится одним из ключевых факторов трансформации бизнеса, науки и государственного управления, а масштабы внедрения ИИ продолжают увеличиваться практически во всех отраслях экономики. В основе большинства таких решений лежат модели машинного обучения — математические алгоритмы, способные находить закономерности в данных и принимать решения без жестко прописанных правил.

Какие бывают ML-модели и где их лучше применять

Напомним, машинное обучение (ML) — это направление искусственного интеллекта, позволяющее компьютерным системам самостоятельно выявлять закономерности в данных и улучшать качество прогнозов по мере накопления опыта.

В традиционном программировании разработчик заранее описывает все правила работы системы. Однако многие процессы слишком сложны для описания набором правил: поведение клиентов, колебания спроса, вероятность поломки оборудования или риск мошенничества зависят от сотен факторов. Именно здесь на помощь приходит машинное обучение. Алгоритм получает ретроспективные данные, анализирует их и самостоятельно выявляет закономерности, которые затем применяет для прогнозирования будущих событий.

Модель машинного обучения — это, по сути, результат обучения алгоритма на данных, после которого она способна предсказывать будущие значения, классифицировать объекты, выявлять аномалии, рекомендовать те или иные варианты.

Классификаций моделей множество, мы же рассмотрим подробнее группировку по способу обучения.

1.

(Supervised Learning). Когда модель обучается на размеченных данных, где заранее известен правильный ответ. Например, банку доступны исторические данные по кредитам и информация о том, были ли они возвращены. Алгоритм изучает эти примеры и учится прогнозировать вероятность дефолта новых клиентов.

Именно к этой группе относятся такие методы машинного обучения, как линейная регрессия, полиномиальная регрессия, логистическая регрессия, деревья решений, случайный лес (random forest), дополнительные деревья (extra trees), градиентный бустинг (CatBoost, XGBoost, LightGBM), метод опорных векторов (SVM), метод К-ближайших соседей (K-Nearest Neighbors, KNN), наивный байесовский классификатор и нейронные сети.

Такие модели обычно применяют для прогнозирования продаж и спроса, кредитного скоринга, а также в антифрод-процессах.

2.

(Unsupervised Learning). Когда модель получает данные без готовых ответов и самостоятельно ищет закономерности.

Сюда относят следующие методы машинного обучения: K-средних (K-Means), иерархическую кластеризацию, DBSCAN, гауссову смесь, самоорганизующуюся карту Кохонена (SOM), PCA (метод главных компонент), нелинейный метод, сфокусированный на сохранении локальных соседств (t-SNE), алгоритм уменьшения размерности UMAP, автоэнкодер.

Наиболее распространенные задачи, для решения которых применяются такие модели, — это кластеризация клиентов, поиск аномалий, сегментация аудитории и анализ поведения пользователей.

3.

(Reinforcement Learning). При таком подходе алгоритм обучается методом проб и ошибок, получая награду за правильные действия и штраф за неправильные.

Методы машинного обучения: SARSA, глубокая Q-сеть (DQN), алгоритм градиента политики (Policy Gradient), PPO (Proximal Policy Optimization), актор-критик, A3C, AlphaZero-подобные архитектуры.

Часто такие модели применяют при разработке беспилотного транспорта и для управления производственными системами.

4.

(Self-Supervised Learning). Один из самых быстрорастущих классов, который используется для обучения больших языковых моделей и мультимодальных ИИ.

Тут речь идет о моделях маскирования (BERT), генерации (GPT), SimCLR, BYOL, MAE (Masked Autoencoder) и пр.

Как выбрать модель, подходящую для вашей задачи? Выбор зависит от объема, качества и типа данных (числовые, текстовые, изображения и пр.), требований к скорости работы, интерпретируемости результатов. Например, в финансовой сфере часто важно объяснить причину принятого решения, поэтому банки нередко предпочитают более прозрачные, интерпретируемые модели деревьев решений, а не сложные нейросети.

Примеры успешных ML-проектов

Ритейлер X5 Group с 2019 г. разрабатывает модели машинного обучения для прогнозирования спроса на товары в магазинах и распределительных центрах, а также для автоматизации пополнения запасов. Модели позволяют снижать объем списаний и повышать доступность продукции на полках. Известно, что проект охватывает сети «Перекресток» и другие магазины компании.

Собственные алгоритмы Big Data X5 анализируют историю продаж, сезонность, промоакции и внешние факторы и позволяют достичь высокой точности прогнозирования — более 70 %.

Специалисты «Билайна» разработали антифрод-систему, которая благодаря ИИ-алгоритмам выявляет признаки мошенничества еще до того, как клиент переводит деньги злоумышленникам (в среднем за 60–120 минут до перевода). Она анализирует большой массив обезличенных данных о телефонной активности, сценариях взаимодействия абонентов и поведенческих паттернах мошенников, после чего делает вывод о том, находится ли пользователь под влиянием мошенников. За первые 5 месяцев 2024 г. антифрод-система заблокировала более 45 млн мошеннических и 63 млн спам-звонков.

Сбербанк применяет модели машинного обучения для антифрода, кредитного скоринга и персонализации продуктов. Так, для скоринга применяются глубокие нейронные сети, анализ Big Data, поведенческое моделирование. В 2024 году Сбер внедрил скоринг, учитывающий до 5 000 параметров клиента. В итоге время решения по кредиту сократилось до 2–3 минут, а точность прогнозирования дефолта выросла на 15 %.

Также благодаря ML-моделям за 2023–2024 год в Сбере количество несанкционированных переводов сократилось на 21 % — использовались самообучающиеся алгоритмы и анализ цепочек транзакций.

Газпромбанк в свою очередь разработал интеллектуальную систему классификации клиентских данных, которая основана на модели градиентного бустинга CatBoost. Для ее обучения было сгенерировано более 600 признаков по заявкам клиентов. В итоге скорость обработки заявки сократилась до 1 минуты, а уровень просрочки в портфеле — 0,3–1 % В 2 880 раз ускорилось принятие решений по заявкам, а конверсия в выдачу кредитов выросла на 10 %.

Предприятия «Северстали» внедряют технологии предиктивной аналитики на производстве. Алгоритмы анализируют показания датчиков оборудования и позволяют заранее выявлять признаки потенциальных отказов. Так, в 2020 г. «Северсталь» внедрила решение на основе искусственного интеллекта на Череповецком металлургическом комбинате. К системе управления технологическим процессом был подключен интеллектуальный агент «Аделина», основанный на алгоритме глубокого машинного обучения с подкреплением. В итоге производительность НТА-3 выросла более, чем на 5 %.

Чего ждать от ML-моделей в будущем

Большие языковые модели сегодня становятся неотъемлемой частью корпоративных платформ и рабочих процессов. Появляются мультимодальные модели: системы начинают одновременно работать с текстом, изображениями, видео и голосом.

Технологии AutoML уже позволяют создавать модели даже специалистам без глубоких знаний Data Science, и этот тренд, снижающий порог входа в индустрию, будет нарастать. Идет также агентизация искусственного интеллекта: отдельные модели объединяются в мультиагентские интеллектуальные системы, способные самостоятельно выполнять сложные бизнес-задачи.

Одним из главных трендов последних лет также стало появление фундаментальных моделей (foundation models), обученных на огромных массивах данных и способных адаптироваться под широкий круг задач. К этому классу относятся большие языковые модели, лежащие в основе современных генеративных ИИ-систем. Вместо создания отдельной модели для каждой задачи компании все чаще используют готовые фундаментальные модели и дообучают их на собственных корпоративных данных.

В то же время российские компании сталкиваются с рядом ограничений, которые могут негативно влиять на внедрение машинного обучения в бизнес-процессы. Это нехватка квалифицированных специалистов, дефицит качественных данных, высокая стоимость вычислительных ресурсов, необходимость замещения технологического стека российскими аналогами и вопросы информационной безопасности, которые также нужно решать.

Тем не менее рынок продолжает расти. По оценкам участников отрасли, машинное обучение уже переходит из категории инноваций в разряд базовых корпоративных технологий. А для начинающих ML-специалистов совет такой: начинать следует не с изучения сложных нейросетей, а с понимания данных, статистики и бизнес-задач. Именно сочетание аналитического подхода, качественных данных и современных ML-моделей позволяет конвертировать сырую информацию в реальный экономический эффект.