Что такое машинное обучение и как оно вообще «учится»? Чем это отличается от обычного программирования с if, for и «всё работает, пока не трогаешь»? А где заканчиваются понятные алгоритмы и начинается чёрный ящик вроде ChatGPT?

Это первая статья из научпоп серии, где мы разберём основы ИИ — без воды, без трюизмов, без академического тумана и, по возможности, без формул (ведь как писал Стивен Хокинг — каждая формула в научпоп книге уменьшит её продажи вдвое). Сегодня поговорим о фундаменте: какие бывают способы обучения ИИ‑моделей, зачем они вообще нужны и как они определяют, на что модель способна.

Да, будут котики. И немного сарказма. Но исключительно в благородных целях: чтобы построить яркий и устойчивый ассоциативный ряд.

Эта статья будет полезна всем, кто погружается в ИИ: техническим и нетехническим специалистам, архитекторам, стартаперам, тем, кто внедряет ML‑фичи, и просто тем, кто хочет навести порядок в голове по поводу того, что такое машинное обучение и с чего оно начинается. В этой части — только база: что такое ML, чем оно принципиально отличается от обычного программирования, и четыре ключевые парадигмы, на которых держится весь современный ИИ.

Классическое программирование vs машинное обучение

Раздел можно пропустить тем, кто уже хорошо понимает, в чём принципиальное отличие ML от традиционного программирования. Но тем, кто хочет структурировать понимание, он может быть полезен.

В книгах о профессоре Фортране есть эпизод, где Воробей уверяет, что для полёта на Луну хватит калькулятора. Кот Икс объясняет, что сложная задача требует не арифметики, а сценариев с ветвлениями, памятью и контекстом — то есть программы.

Калькулятор выполняет одну операцию за раз и только по прямой команде. Компьютер исполняет заранее заданную программу: принимает решения, хранит промежуточные данные, обрабатывает множественные входы. Такой подход эффективен, когда входные данные предсказуемы, а поведение можно выразить в виде жёсткой логики.

Однако этот подход плохо масштабируется в условиях неопределённости. Например, невозможно описать правилами, как отличить Луну от круглой лампочки, как читать неразборчивый почерк или распознать сарказм. Такие признаки не формализуются в if / else и быстро упираются в бесконечное множество исключений.

На этом заканчивается применимость классического программирования — и начинается машинное обучение. Вместо ручного описания всех сценариев алгоритм получает множество примеров и выявляет закономерности самостоятельно. Обучение идёт не через жёсткие конструкции, а через статистику и обобщение.

Модель может впервые встретить почерк конкретного человека — и распознать его букву «Ж», опираясь на статистику тысяч других примеров. Или определить, что пользователь нарисовал динозавра, хотя в базе нет именно такого: сходство форм, пропорций и текстур позволяет сделать вероятностный вывод.

Парадигмы машинного обучения

Возможности ИИ модели зависят, как она обучалась.
И прежде чем говорить, что «вот этот ИИ модель подойдёт для такой‑то бизнес‑задачи», нужно понять: по какой парадигме происходило обучение. Обычно выделяют четыре основных парадигмы:

• Обучение с учителем

• Обучение без учителя

• Обучение с подкреплением

• Самообучение (точное название в русском пока не устаканилось, буду использовать такое)

Supervised learning (Обучение с учителем)

Это как учить модель различать котиков и собак по фотографиям: мы показываем ей десятки тысяч картинок, и к каждой прилагаем метку — «это кот». Или «это собака». Через тысячи итераций модель начинает сама вычленять: у котов — треугольные уши, подозрительный взгляд, и лежат они в основном посреди клавиатуры. Это и есть supervised learning — обучение по размеченным примерам, где заранее известен «правильный» ответ. По сути, мы говорим модели: «Вот вход — вот ожидаемый результат», а она учится находить закономерности, чтобы затем обобщать их на новые, ранее не встречавшиеся данные.

Такие модели подходят для:

• Классификации (например, «спам» или «не спам»).

• Регрессии (например, прогноз цен).

• Оценки вероятностей (например, «насколько велик риск отказа клиента»).

• Иногда на основе supervised learning строят и генеративные модели, но это скорее исключение, чем правило.

В других парадигмах такой роскоши, как «метка», нет — и модель вынуждена разбираться сама, что в данных главное, а что просто шум.

Unsupervised learning (Обучение без учителя)

В этой парадигме модель обучается на неразмеченных данных — то есть ей не говорят, какой ответ «правильный». Вместо этого она сама пытается обнаружить скрытую структуру, закономерности или взаимосвязи. По сути, это попытка разложить хаос по полочкам, когда никто заранее не объяснял, какие вообще бывают полки.

Представим: мы показываем модели тысячи изображений — с котами, собаками, жабами и динозаврами (для ассоциативной яркости допустим, у нас почему‑то есть точные снимки этих вымерших животных) — но не указываем, кто есть кто. Более того, модель даже не знает, сколько вообще классов в этих данных: три, пять или, может быть, пятьдесят. Она просто ищет визуальные паттерны. И в какой‑то момент сама начинает группировать пушистых существ в один кластер, а тех, у кого гладкая кожа, боковые глаза и подозрительно холодный взгляд — в другой. Она не знает слов «кот», «жаба» или «динозавр», не делает осознанных выводов — но учится различать образы на уровне внутренней логики похожести.

После разбора тысяч изображений модель принимает решение: тех, у кого мех — в условную «коробку № 1», а существ с гладкой кожей и латеральным зрением — в «коробку № 2». Как она их называет — неважно. Главное, что внутри коробок становится всё более однородно.

Такие модели не предсказывают ярлыки, а скорее:

• группируют похожие объекты (кластеризация),

• выявляют аномалии.

• уменьшают размерность признаков (упрощение данных).

Эта парадигма особенно полезна, когда:

• разметка данных слишком дорогая или невозможна;

• мы хотим исследовать данные, не зная заранее, что ищем;

• нужно выявить сегменты или поведенческие паттерны без готовых меток

Unsupervised learning — это способ узнать, что вообще содержится в данных, если никто до этого не объяснял, на что смотреть. Это не про предсказание, а про разведку территории — на основе которой можно уже строить более точные и осмысленные модели.

Reinforcement learning (Обучение с подкреплением)

В этой парадигме модель — называемая агентом — обучается через взаимодействие с окружением методом проб и ошибок. Агент пробует различные действия, наблюдая, как на них реагирует среда. За действия, которые приближают к желаемому результату, он получает награду; за неэффективные или вредные — штраф. Под наградой и штрафом понимается изменение скалярного значения — так называемой функции вознаграждения. Цель обучения — найти такую стратегию действий, которая максимизирует суммарную награду за определённый период или последовательность шагов.

Это как если бы мы пытались дрессировать кота (что в реальной жизни практически невозможно, но в начале статьи мы же условились объяснять на котах — так что деваться некуда). Только не через команды, а через причинно-следственную связь.
Кот — наш агент. Квартира — его среда. Он пробует разные действия: поймал муху — получил котлету, опрокинул телевизор — остался без ужина. Так он получает обратную связь в виде награды и штрафа.
Спустя десятки итераций кот начнёт вести себя так, как ему выгодно — не потому что понял, чего ты от него хочешь, а потому что выучил стратегию (или «политику»): какие действия в этой среде с наибольшей вероятностью приводят к корму (т.е. к награде).

Обучение с подкреплением применяется там, где:

• Поведение должно оптимизироваться в процессе

• Нет заранее известных «правильных» решений

• последствия действий проявляются со временем, а не сразу.

Обучение с подкреплением — это про стратегию, принятие решений и адаптацию. Он ближе всего к обучению живых существ в реальном мире: без готовых ответов, но с понятной целью и постоянной обратной связью от среды.

Self-supervised learning (самообучение)

В этом подходе модель обучается на неразмеченных данных, но получает обучающую задачу внутри самих данных — без участия человека. Модель учится предсказывать одну часть данных на основе другой. Часть примера используется как вход, а другая — как ожидаемый ответ. Эти пары формируются автоматически, по заранее заданным правилам.

Пример

Исходное предложение:

«Кот запрыгнул на клавиатуру и отправил в прод недописанный код.»

Мы превращаем его в обучающую задачу. Например:

• Удаляем одно слово:
  → «Кот запрыгнул на *** и отправил в прод недописанный код.»
  → Задача модели: угадать, что на месте *** стояло слово «клавиатуру»

• Обрываем фразу:
  → «Кот запрыгнул на...»
  → Модель должна логично продолжить: «...клавиатуру и отправил письмо заказчику»

Эти пары вход → цель генерируются автоматически, без ручной разметки.

Та же логика применяется и к другим типам данных:

• Для изображений — это восстановление скрытого фрагмента или предсказание положения объекта

• Для аудио — предсказание пропущенного звук

Главное: модель обучается на автоматически сформированных задачах, где «правильный ответ» извлекается из самих данных. Это даёт масштабируемость, универсальность и фундамент для большинства современных генеративных и языковых систем.

Подытожим парадигмы обучения

А что ещё бывает?

Помимо supervised, unsupervised, reinforcement и self‑supervised, в машинном обучении существуют и другие подходы. Их редко выделяют как самостоятельные парадигмы, потому что они либо гибриды, либо вариации на тему уже описанных стратегий. Вот самые важные:

• Semi‑supervised learning
  Обучение на смеси размеченных и неразмеченных данных. Полезно, когда аннотировать всё слишком дорого.

• Active learning
  Модель сама выбирает, какие примеры ей стоит разметить — чтобы быстрее и эффективнее учиться.

• Online learning
  Обучение по мере поступления данных, непрерывно, без повторного прохода по всему датасету.

• Multi‑task learning
  Модель учится решать несколько задач одновременно, используя общие представления.

• Curriculum learning
  Сначала — простые примеры, потом — сложнее. Как в человеческом обучении.

Все эти методы — важные инженерные практики, но в их основе всё равно лежит одна из четырёх базовых парадигм или их комбинации. Поэтому для понимания сути машинного обучения и уверенной ориентации в мире ML достаточно разобраться именно с ними.

В следующей части мы разберёмся, чем генеративные модели отличаются от остальных ML‑подходов — и как не завалить собеседование, если вдруг спросят про их подкапотное устройство. Почему они не просто классифицируют или предсказывают, а реально создают. Где заканчивается распознавание — и начинается то самое «творчество нейросети». И заодно выясним главное: есть ли в этом хоть капля магии, или это просто скучная математика.