Искусственный интеллект уже перестал быть фантастикой — он становится инструментом, который меняет правила игры на рынках и формирует новые конкурентные ландшафты, то есть запускает очередной технологический цикл. Но прежде чем обсуждать, как искусственный интеллект трансформирует экономику и бизнес, важно разобраться, что же скрывается за самим понятием AI. Одни компании уверенно инвестируют в него, другие теряются в терминах и не понимают, как использовать эту технологию на практике. В этой статье мы разберёмся, что такое AI и какие базовые ИТ-подходы существуют для решения бизнес-задач.
? Что такое Artificial Intelligence и на какие направления он разделяется
Data Science — наука о данных, охватывающая все этапы работы с информацией: от сбора и хранения до анализа, визуализации и прогнозирования. Методы искусственного интеллекта в ней могут использоваться, но не всегда. Например, построение аналитических дашбордов или оптимизация систем хранения тоже относятся к Data Science, хотя напрямую к AI не имеют отношения.
Artificial Intelligence (AI), или искусственный интеллект, — широкий «зонтичный» термин. Под ним понимают все технологии, которые решают задачи, традиционно выполняемые человеком. В его рамки попадают как простейшие системы, работающие по правилам, так и сложные алгоритмы анализа данных.
Machine Learning (ML), или машинное обучение, — поднаправление AI. Его отличие в том, что система учится не на заранее прописанных инструкциях, а на структурированных данных, представленных в виде таблиц. Мы предоставляем размеченные датасеты, и алгоритм выявляет закономерности. Классический пример — прогноз стоимости жилья: обучившись на исторических данных, модель способна предсказать цену квартиры.
Нейронные сети (Neural Networks) — метод машинного обучения, вдохновлённый работой мозга. Они состоят из «слоёв» искусственных нейронов, которые принимают входные данные, преобразуют их и передают результат дальше. Благодаря многослойной архитектуре такие сети умеют находить зависимости, которые сложно описать логикой «если — то».
Deep Learning (DL), или глубокое обучение, — развитие ML, основанное на нейронных сетях. Оно работает с неструктурированными данными: изображениями, текстами, видео и аудио. Благодаря этой технологии стало возможным распознавание речи и изображений.
На основе глубокого обучения развилась отдельная область — Generative AI (GenAI), или генеративный искусственный интеллект. Его ключевая особенность — не только анализ, но и создание нового: изображений, текстов, музыки или видео.
Особое место занимают Large Language Models (LLM) — большие языковые модели, например ChatGPT. Они обучены на масштабных массивах текстов и способны решать широкий спектр задач: от поиска информации и анализа документов до написания кода и ведения диалога на естественном языке.
И наконец, отдельная глава в разговорах об AI — Artificial General Intelligence (AGI), или сильный искусственный интеллект. Он пока существует лишь как гипотеза и как сюжет фантастических фильмов вроде «Терминатора» или «Звёздных войн». Такой интеллект должен мыслить и действовать на уровне человека, универсально решая любые задачи. Учёные спорят о сроках его появления, но большинство сходятся во мнении, что это лишь вопрос времени.
? Все эти взаимосвязи удобно представить в виде вложений:
-> Самое широкое понятие — AI
-> Внутри AI находится Machine Learning (ML)
-> Ещё глубже — Deep Learning (DL)
-> Внутри DL выделяется Generative AI (GenAI)
-> Внутри GenAI существуют Large Language Models (LLM)
Параллельно этому Data Science пересекается с AI, но выходит за его пределы, так как охватывает больше задач, связанных с данными. А AGI – сильный искусственный интеллект, можно представить как конечную цель, к которой стремятся многие исследования в области AI.
? Эволюция систем: от правил к большим языковым моделям
До недавнего времени AI оставался в основном нишевой технологией и не запускал глобальный технологический цикл. На протяжении десятилетий в индустрии доминировали два подхода: rule-based системы и классическое машинное обучение (ML).
Rule-based подход представлял собой набор чётко заданных правил: «если условие выполнено — сделай то-то». Такие системы хорошо работали во многих приложениях, например в 1С или на сайтах. Но они беспомощны, когда нужно адаптироваться к новым, заранее не прописанным ситуациям.
С развитием данных и вычислительных мощностей значимым стало классическое машинное обучение (ML). Оно позволило алгоритмам не просто следовать инструкциям, а выявлять закономерности в структурированных данных — таблицах с признаками и метками. Массовое распространение оно получило в 2010-х годах. Например, распознавание номера автомобиля дорожной камерой — это задача ML, реализованная на базе нейросетей.
Технологическая революция началась с появлением больших языковых моделей (LLM), которые научились работать с естественным языком — главным интерфейсом человека с миром. Благодаря масштабным нейросетям и обучению на терабайтах текстов они стали универсальными: умеют анализировать и генерировать тексты, писать код, резюмировать документы, вести диалоги. В отличие от классических ML-моделей, которые решают узкие задачи, LLM способны работать сразу в разных областях.
Именно LLM стали драйвером современного бума AI, переведя искусственный интеллект из «технологии для специалистов» в инструмент, доступный каждому.
? Финальная мысль: где тут деньги
Теперь у вас есть базовый словарь и понимание подходов в AI. Это значит, что ни сотрудники, ни подрядчики не смогут «продавать воздух» — вы сами различите, где реальные технологии, а где громкие обещания.
Эти знания послужат основой для понимания, какие задачи бизнеса вы сможете решать с помощью AI в рамках нового технологического цикла. Об этом мы и поговорим в следующих статьях.
Считаете контент полезным? Тогда подписывайтесь на мой телеграмм канал t.me/gdedengi_mba и будьте в курсе новых статей!
Комментарии (10)
pocheketa
02.10.2025 09:02Разработчикам ИИ будут интересны видеозаписи четырёх дней лекций в НЦФМ
https://secriskuran.ru/index.php?page=2023-11-27-i-vserossiiskaya-shkola-ncfm-po-iskusstvennomu-intellektu-i-bolshim-dannym (см. также Вторую, Третью школы по ИИ - несложно найти).А для новичков полезно сказать примерно так:
LLM, который преподносится (частенько) как венец творения, - всего лишь калькулятор для слов.
Помните, изобрели электронный калькулятор для чисел, который пришёл на смену деревянным счётам и логарифмической линейке? Да, он облегчил расчёты бухгалтеров и инженеров... Но думать за них он не стал, ибо не чем.
Так и здесь.
Однако какая-то религиозная вера в то, что у LLM есть какой-то ум, интеллект, сознание, душа [нужное подчеркнуть :)] - да и вообще какая-либо субъектность - повисла сегодня лапшой на ушах очень многих неглупых людей...
Dimoyok
02.10.2025 09:02Это правда. Прежде чем доказывать, что у LLM есть ум, интеллект, сознание и душа, нужно определить критерии наличия или отсутствия их у объекта. И доказать, что они же есть у других людей. Пока это не будет сделано, все рассуждения на эту тему ненаучны.
Dimoyok
02.10.2025 09:02Круто, ИИ объясняет, что такое ИИ, на пальцах. Никогда такого не было и вот опять)
NeriaLab
Если продолжать внушать людям, что ИИ - это любой инструмент, "решающий задачи, традиционно выполняемые человеком", то скоро и кофеварку начнут называть искусственным интеллектом, ведь она делает то, что раньше делал бариста. По такому же критерию можно назвать ИИ: тостер, автопилот или даже калькулятор. Это не расширение понятия, а его уничтожение. Настоящий искусственный интеллект - это не автоматизация, а система, способная понимать, рассуждать, объяснять, учиться в процессе и признавать ошибки.
Не надо использовать "ложную иерархию". Такое представление: AI → ML → DL → GenAI → LLM - удобно для слайдов, но глубоко ошибочно. Да, LLM использует deep learning, а он - machine learning, но это не значит, что весь ИИ сводится к обучению на данных. Существуют логические системы (LBS), когнитивные архитектуры (Soar, ACT-R), символьные модели - все они работают на правилах, выводах, моделировании знаний и при этом, вообще не используют машинное обучение, но они ближе к интеллекту, чем любая LLM.
Особенно тревожно, что статья позиционируется как "для начинающих". Такие упрощения наносят реальный вред - они формируют ложную картину мира, обрезают горизонт, закрывают глаза на десятилетия исследований, не вписывающихся в хайп. Новичкам нельзя давать только одну ветвь истории. Им нужно показывать всё поле: и статистику, и символику, и гибриды, и другие системы, где знания явно задаются. Только тогда, они осознанно смогут выбирать свой путь, а не повторять чужие заблуждения.
Dimoyok
Нам в универе давали определение, что ИИ - это метод, решающий слабо формализуемые задачи. (Понятие слабо формализуемых задач, конечно же, вводилось отдельно, но интуитивно итак понятно, что это).
По-моему, неплохое определение, даже, наверное, лучше чем то, что затрагивает интеллект/разум/мышление. Во-первых, это сложно определяемые понятия, во-вторых, не все методы ИИ проявляют признаки разумности или мышления.
NeriaLab
Интересное определение - "ИИ решает слабо формализуемые задачи". :D Разница не в степени формализации, а в наличии модели мира, способности к рассуждению, целеполаганию, объяснению. Именно их нет у LLM, даже когда они "решают" неформальные задачи. А системы, которые действительно ближе к интеллекту: Soar, ACT-R, LBS - часто работают с жёстко заданными знаниями, то есть в формализованной среде, но при этом демонстрируют поведение, недоступное любой статистической модели. Значит, проблема не в типе задачи, а в архитектуре. Если университет обучает Вас мыслить так, что замена одного расплывчатого термина другим - это прогресс, то самое время перечитать основания: Тьюринга, Минского, Ньюэлла, Хофштадтера.
Dimoyok
Вы даёте определение, и сразу же приводите пример ИИ, который под ваше определение не попадает, в чём его смысл тогда?
Базы знаний относятся к ИИ только потому, что решают плохо формализуемые задачи, а не потому, что строятся на "формализованной среде". Так-то любые нейросети сами по себе строго формализованы с помощью конкретного математическое аппарата (чаще всего это композиция линейных преобразований, между которыми "запихивается" нелинейность). Разница, всё-таки, есть между задачей и архетиктурой модели, которая её решает, в определении указана именно задача. Если ваша база знаний решает задачу, которую можно решить простым перечислением if-else программистом, то традиционно такую задачу не относят к задаче искусственного интеллекта, и модели, которые строятся поверх этой задачи, тоже не относят к ИИ.
NeriaLab
Вы утверждаете, что базы знаний относятся к ИИ, потому что решают плохо формализуемые задачи, но это путаница. База знаний сама по себе - не ИИ, так же как учебник по алгебре не является математиком. То же и с системами на основе знаний и если они ограничиваются поиском по фактам, то это не проявление интеллекта, а простой доступ к данным. Но когда эти системы встроены в архитектуру, способную к логическому выводу, целеполаганию, обучению в процессе, например - LBS/CESP, тогда мы говорим о когнитивных моделях, которые приближаются к разумному поведению. И да, я нигде не называл их "искусственным интеллектом". Вы же, определяя ИИ через "решение плохо формализуемых задач", фактически включаете в него всё подряд: от чат-бота до автопилота, от экспертной системы до сложного if-else дерева. Но если любая система, выходящая за рамки простого скрипта, становится ИИ, то тогда и компилятор - ИИ, ведь он решает задачу, которую нельзя описать парой условий.
Dimoyok
Программы, которые занимаются выводом на основе базы знаний традиционно относят к тем областям ИИ, которые не являются ML, это не моя выдумка и не ваша.
Ну, не совсем. Чат-бот, который построен на основе LLM - считается ИИ и подходит под определение. Автопилот тоже считается ИИ, в основном. Экспертная система - слишком широкое понятие, в разных ситуациях их могут относить, могут не относить (когда решается простая задача, описываемая ограниченным набором правил/инструкций). Сложное if-else дерево, построенное программистом, не способно решить подобного рода задачи, и к ИИ не относится. А вот Random Forest может, и он же относится к ИИ.
Компилятор строится по ограниченному набору правил вокруг чётко сформулированной задачи. Код, который пишет программист, имеет чёткую структуру, заданную заранее определённым набором правил и условий. Если есть небольшое отклонение от этих правил, компилятор работать откажется. Эти ограничения замечательно формулируются как на языке кода, так и с помощью формальных грамматик, что позволяет писать компиляторы с помощью генераторов синтаксических анализаторов.
Задача не описывается парой условий, но она описывается несколькими десятками условий, т.е. всё ещё хорошо формализуется.