ИИ, машинное обучение и нейросети: в чём разница

Искусственный интеллект, машинное обучение и нейросеть описывают разные уровни одной области. Поэтому фраза «у нас ИИ вместо машинного обучения» требует уточнения. Возможно, речь идёт о другом способе решения задачи, а возможно, меняется только название продукта.

ИИ - широкая область систем, решающих задачи, которые связывают с интеллектуальной деятельностью. Машинное обучение использует данные для построения моделей. Нейронные сети - одно из семейств таких моделей. Глубокое обучение связано с многоуровневыми представлениями, обычно реализованными глубокими нейронными сетями.

Один пример вместо четырёх лозунгов

Представим учебный сервис распределения обращений. Сообщение о возврате нужно направить в нужную очередь.

Первый вариант работает по написанным человеком правилам: встретилось определённое сочетание слов - выбрана категория. Сам факт автоматической обработки текста ещё не означает, что алгоритм обучался на примерах.

Второй вариант использует размеченные обращения. Модель находит связь между признаками сообщения и категорией. Это машинное обучение. В качестве модели можно взять, например, линейный классификатор: нейронная сеть для такой постановки не обязательна.

Третий вариант применяет нейросеть. Она тоже обучается на данных, но устроена иначе. Если сервис обращается к готовой языковой модели, обучение этой модели уже произошло у её разработчика. Пользовательский промпт сам по себе не означает обновления её весов.

Где находится глубокое обучение

Глубокие сети строят несколько уровней преобразования представления. Число слоёв само по себе не говорит, будет ли решение полезным в конкретном процессе. Для небольшой таблицы простая модель может оказаться удобнее по стоимости, скорости и проверке ошибок.

Из определения также не следует, что любая нейросеть - языковая модель. Сети применяются к изображениям, звуку, таблицам и другим данным. Генерация текста - отдельный вид возможностей, а не синоним всей области.

Как проверить предложение «внедрить ИИ»

Попросите описать вход, выход и способ проверки. Для обращений это могут быть текст сообщения, выбранная категория и доля ошибок по каждой очереди. Уточните, какие данные нужны, где они хранятся и кто исправляет неправильную маршрутизацию.

Отдельно спросите, что именно обучается. Готовая модель по API, дообучение на примерах, поиск по базе знаний и сохранение истории диалога - разные механизмы. Слово «самообучение» без описания обновления, контрольной выборки и отката почти ничего не объясняет.

Что выбрать для собственного проекта

Сначала зафиксируйте задачу и простое правило для сравнения. Если задача решается фильтром без заметных ошибок, сложная модель может не окупить сопровождение. Если формулировки разнообразны, сравните несколько подходов на одинаковом наборе примеров.

Запишите цену ошибки и допустимое время ответа. Для спорных обращений может потребоваться передача человеку. Решение выбирают по проверяемому результату и ограничениям, а термин помогает точно описать его устройство.

Для следующего шага пригодятся основы машинного обучения и разбор глубокого обучения.