Машинное обучение

Машинное обучение (ML) — раздел вычислительной науки, изучающий алгоритмы, которые выводят правила и модели непосредственно из данных, а не следуют явно заданным инструкциям. Термин ввёл Артур Сэмюэл в 1959 году, описывая программу для игры в шашки, улучшавшуюся в процессе игровой практики. Сегодня ML охватывает задачи классификации, регрессии, кластеризации, генерации контента и принятия решений в условиях неопределённости.

Машинное обучение делится на три основные парадигмы. При обучении с учителем (supervised learning) модель тренируется на размеченных парах «вход–ответ» — распознавание спама, прогнозирование оттока клиентов. При обучении без учителя (unsupervised learning) структура ищется в неразмеченных данных — кластеризация покупателей, снижение размерности. При обучении с подкреплением (reinforcement learning) агент максимизирует суммарную награду, взаимодействуя со средой: именно так устроены AlphaGo и AlphaZero от DeepMind. Самообучение (self-supervised learning) — гибридная парадигма, лежащая в основе современных LLM.

Классические алгоритмы ML — линейная и логистическая регрессия, случайные леса, градиентный бустинг (XGBoost, LightGBM), метод опорных векторов — по-прежнему широко применяются в финтехе, ритейле и медицине: они интерпретируемы, обучаются на небольших выборках и устойчивы к переобучению. Нейронные сети и глубокое обучение доминируют там, где данных много, а входные признаки неструктурированы — изображения, звук, текст.

К 2026 году MLOps-платформы (Weights & Biases, MLflow, Vertex AI) автоматизируют полный жизненный цикл модели — от экспериментов до мониторинга в продакшне. AutoML-инструменты позволяют нетехническим специалистам строить конкурентоспособные модели. Регуляторы ЕС (AI Act) и ряда других стран внедряют требования к объяснимости ML-моделей в чувствительных областях — кредитовании, найме на работу, медицинской диагностике.

Пример

“Алгоритм машинного обучения, обученный на многолетней истории транзакций, позволяет банку обнаруживать мошеннические операции с картами в режиме реального времени — прежде чем средства успевают покинуть счёт клиента.