F1. Где ML реально нужен — а где дорогая ошибка

Зачем вообще этот вопрос

Быстрее всего деньги в AI-продукте сгорают там, где машинное обучение (ML) прикрутили на азарте — хотя задачу закрыли бы три строчки правил, выгрузка в таблицу или просто понятная кнопка в интерфейсе. Любая модель — это не разовая доработка, а питомец, которого придётся кормить каждый день: данными, серверами и вниманием команды. Так что перед фразой «ну давайте обучим модельку» стоит трезво спросить себя — а машинное обучение мне тут вообще зачем

Три условия, при которых ML оправдан

Обучать модель имеет смысл, когда одновременно сходятся три вещи — выпадает хотя бы одна, и разумнее взять инструмент попроще:

1. В данных прячется закономерность, но словами её не выпишешь — где заканчивается обычное письмо и начинается спам, вернёт ли человек кредит, остыл ли клиент к продукту
2. Накоплены примеры с уже известным финалом — тысячи пар «вот ситуация → вот чем всё закончилось», и желательно без мусора и дыр
3. Цена промаха терпима — если модель иногда посоветует не то, компания это переживёт, а клиент не хлопнет дверью навсегда

Когда ML не нужен

• Логику реально записать правилами — «платёж выше порога и страна из чёрного списка → зовём человека перепроверить»
• От ответа требуется прозрачность и повторяемость, которую не стыдно показать аудитору — начисление налога, расчёт зарплаты
• Истории ещё нет — данные начнут копиться только после того, как фича выйдет к живым людям
• Человеку хватает графика на дашборде, чтобы принять решение самому

Договоримся так: первым делом ставим самый примитивный ориентир — правило, прикидку на коленке или «покажем то, что берут чаще всего» (такой ориентир называют baseline — планка, относительно которой потом честно меряют модель). За ML беритесь, когда планка уже жмёт, а прибавка от модели оправдывает всю возню вокруг неё

LLM — отдельный соблазн

Большие языковые модели (LLM — те самые, на которых работает ChatGPT) выглядят волшебной палочкой, и от этого их суют в каждую щель. На деле они только мешают, если:

• надо всего лишь разложить готовые цифры по табличке — классика справится быстрее, дешевле и без сюрпризов
• бизнесу важна повторяемость и полное отсутствие придуманных на ходу ответов
• всё, что требуется, достаётся одним запросом в базу или обращением к чужому сервису

По-настоящему языковая модель раскрывается на живом тексте — пересказать длинное короче, вытащить из письма суть, набросать черновик, поддержать разговор, помочь подумать вслух

С чего начинать разбор любой AI-фичи

Держите этот порядок вопросов и не перепрыгивайте через ступеньку:

1. Чью боль мы вообще лечим — пользователя или бизнеса
2. Какое решение должно родиться в идеале — и остаётся ли за ним живой человек или уже машина
3. Реально ли справиться без модели и что послужит той самой планкой для сравнения
4. Если без ML никак — к какому типу относится задача: предсказать число, сочинить текст, найти ответ в документах или подобрать рекомендацию
5. Во что обойдётся ошибка и на чей карман она ляжет

На чём продакты обжигаются

• Записывают в цель «внедрить AI» — вместо того чтобы назвать конкретную проблему, которую он снимет
• Стартуют без планки-baseline — а потом нечем доказать, что модель хоть на что-то повлияла
• Держат в голове одну «точность» и забывают про цену ошибки — и ставят модель туда, где единичный промах бьёт по выручке или репутации
• Тащат ML ради строчки в резюме или эффектного слайда для инвесторов

Что спросить у команды

• У дата-сайентиста — «какую простейшую планку соберём за неделю, чтобы было с чем сравнивать»
• У аналитика — «а этот паттерн точно не описать обычными правилами»
• У бизнеса — «во что нам выльется, если модель начнёт промахиваться в каждом двадцатом случае»

🧠 Запомни: закономерность в данных, накопленные примеры и терпимая цена ошибки — три опоры, на которых держится ML. Убери любую — и честнее начать с простого baseline

Коротко

Машинное обучение — это специнструмент под узкий класс задач, а не знак качества продукта. Зрелый AI-продакт с равной уверенностью произносит и «модель тут лишняя», и «а вот здесь она действительно окупится»