Современные модели AI: какие бывают, как их обучают и как выбрать подходящую для бизнеса

Рассказываем, какие есть разновидности AI-моделей, а еще — какие типы информации и контента они способны генерировать.

Модели компьютерного зрения (Computer Vision) распознают номера автомобилей, людей, животных и предметы на фото и видео, помогают в медицинской диагностике по МРТ-снимкам.

NLP-модели (Natural Language Processing, или обработка естественного языка) используются, чтобы понимать и анализировать язык, на котором пишет и говорит человек. Сюда включены модели машинного перевода, LLM, модели распознавания речи, стиля и тона текста.

Рекомендательные системы (RecSys) анализируют предпочтения пользователей и предлагают им персонализированные подборки товаров, услуг, фильмов, сериалов и другой информации.

Прогностические модели используют данные, чтобы предсказывать события или тенденции. Такие модели используют, чтобы определять, какими будут тренды в конкретной сфере бизнеса, что будет пользоваться спросом, как изменятся цены акций или какой будет погода в регионе.

Модели обнаружения аномалий выявляют данные или действия, которые не соответствуют норме. Это касается, например, поиска подозрительных операций со счетами клиентов банка, неисправностей в работе приложения, мошеннической активности на аккаунте.

Одномодальные модели принимают на вход один тип контента, например, только текстовые промпты или звуковые записи.

Мультимодальные модели считывают информацию из текста, изображения, видео, аудио. То есть алгоритм может одновременно считать данные с картинки, из промпта или прикрепленной аудиозаписи.

Генеративные модели (GenAI-модели) создают новые данные: тексты, изображения, видео, код. Эти модели обучают на больших объемах информации, чтобы те поняли закономерности и структуры, которые затем используются для генерации новых данных.

Что касается GenAI-моделей, они способны создавать разные виды контента:

• Текстовый. Текст лежит в основе многих генеративных моделей искусственного интеллекта и считается наиболее продвинутой областью. Один из самых популярных примеров генеративных моделей, основанных на языке, — это большие языковые модели (Large Language Model, LLM).

• Видео и изображения, например 3D-иллюстрации, аватары, видео, графики. 

• Музыка и голоса: фрагменты аудиоклипов, сопроводительные шумы для видео, музыку.

Метод обучения, который стоит выбрать для модели, зависит от задач, которые она будет выполнять. В этом разделе рассмотрим, какие способы обучения есть и для чего они лучше подходят.

Обучение с учителем

Метод, при котором модель обучается на размеченных данных, где для каждого входного примера известен правильный ответ. Так модель учится предсказывать правильные ответы для новых данных. Метод применяется практически везде, где можно собрать достаточный объем размеченных данных.

Примеры, где используется: обучение моделей машинного перевода, генерации текста, суммаризации.

Обучение без учителя

Метод, при котором модель обучается на неразмеченных данных, без указания правильных ответов. Цель — найти скрытые закономерности и структуры в данных. Применяется в ситуациях, когда явной разметки данных нет, но нужно найти внутренние зависимости и закономерности.

Примеры, где используется: выделение подгрупп пациентов или покупателей, выявление необычных событий в финансовых операциях, генерация реалистичных лиц и пейзажей.

Reinforcement learning (RL)

Метод, при котором модель обучается путем взаимодействия с окружающей средой, получая награды или штрафы за свои действия. Награды — за правильные действия, штрафы — за неправильные. Модель стремится достичь максимальной выгоды и минимизировать убытки.

Обучение с подкреплением на основе отзывов людей (RLHF) — способ, при котором в качестве наград или штрафов выступают отзывы людей. Модель получает положительный фидбек на качественные ответы, негативный — за те, что не соответствуют запросу или оказываются некачественными по любым другим причинам, например из-за галлюцинаций или предвзятости.

Примеры, где используется: обучение роботов уборке или навигации, алгоритмы для игры в карты или шахматы, оптимизирование использования электричества на предприятии, обучение автопилота в автомобилях. 

Глубокое обучение

Совокупность методов обучения, которая использует нейронные сети с множеством слоев для анализа и обработки сложных данных. Эти сети автоматически находят важные особенности в данных, модель самообучается на той информации, что дана ей для обучения. При глубоком обучении комбинируются обучение с или без учителя, с его частичным привлечением или с подкреплением. 

Примеры, где используется: анализ и классификация изображений, создание рекомендательных систем, прогнозирование ситуации на рынке, создание сложных боссов в компьютерных играх.

Transfer Learning

Метод, при котором модель, обученная на одной задаче, используется для решения другой связанной задачи. Это позволяет использовать базовые навыки одной модели для решения других задач, и для этого не нужно полное переобучение — достаточно точечно обучить модель на иную, но схожую специализацию.

Примеры, где используется: перенос навыков модели, которая распознает опухоли мозга на снимках МРТ, на модель, которая ищет новообразования в легких; адаптация модели, анализирующей англоязычные тексты, для анализа текстов на французском.

Обучение с частичным привлечением учителя

Метод, при котором модель обучается на комбинации размеченных и неразмеченных данных. Задача — использовать небольшое количество размеченных данных для улучшения обучения на большом объеме неразмеченных данных.

Пример, где используется: улучшение навыков распознавания у модели, которую обучили на небольшом количестве размеченных фото с автомобилями. 

Активное обучение

Вместо того чтобы обучаться на случайных данных, модель выбирает те примеры, которые помогут ей быстрее и эффективнее обучиться, и направляет их на разметку оракулу. Оракул — источник информации, который способен размечать данные. Обычно это человек или группа людей, которые размечают тексты, изображения, видео и другую информацию.

Часто обращение к оракулу затратно по времени и ресурсам, поэтому цель — сделать так, чтобы алгоритм меньше обращался к оракулу и отправлял ему те данные, разметка которых даст больше пользы.

Пример, где используется: модель выбирает снимки, на которых объекты распознаются сложнее всего, и отправляет их для разметки человеку.

Чтобы подобрать нейросеть конкретно для вашей задачи, стоит проанализировать цели компании, ее IT-ресурсы, бюджет на поддержание работы модели. Расскажем об этом подробнее.

Выявите бизнес-цели

Четко определите, какие есть задачи. Например, если надо повысить продажи, можно использовать модели для прогнозирования спроса или рекомендаций товаров. Если цель — улучшить обслуживание клиентов, можно использовать модели, которые суммаризируют обратную связь от клиентов или диалоговые чат-боты, чтобы разгрузить службу поддержки.

Определите, насколько быстрым должен быть ответ

Подумайте о производительности модели: обращайте внимание на показатель inference time, или скорость вывода результата. Он особенно важен, если планируете использовать AI в приложениях, которые обрабатывают данные в реальном времени: анализ автотрафика для прогнозирования пробок, общение с клиентами в чате, выявление мошенничества.

Оцените доступные ресурсы и требования к масштабируемости

Глубокие нейронные сети часто требуют значительных мощностей: графических ускорителей (GPU), специализированных чипов для машинного обучения (TPU), больших объемов оперативной памяти, быстрых SSD-накопителей. А еще — высокой квалификации команды. Более простые модели легче внедрить и поддерживать.

Чтобы снизить затраты на инфраструктуру, можно развернуть уже готовую модель в облаке. Например, мы в Cloud.ru предоставим GPU с нужным объемом памяти и количеством ядер, а если мощностей не хватит, вы без проблем сможете масштабировать свою ML-модель.

Проанализируйте вашу IT-инфраструктуру

Проверьте, насколько легко будет интегрировать выбранную модель в IT-системы компании. Убедитесь, что модель поддерживает необходимые интерфейсы (API), может взаимодействовать с базами данных и бэкендом, соответствует требованиям безопасности.

Оцените цену развертывания и обслуживания модели

Опирайтесь на реалистичный бюджет и срок реализации проекта. Учтите стоимость:

• оборудования и ПО;

• разметки данных;

• найма специалистов;

• поддержки и обновления модели.

Если бизнес решит внедрить собственную модель, нужно оптимизировать ее параметры и архитектуру, чтобы добиться точных ответов, избежать переобучения, улучшить производительность. Вот основные методы настройки:

• Настройка гиперпараметров — тех параметров, что не меняются при обучении и задаются еще до него. Это, например, скорость обучения, количество слоев, размер пакета.

• Регуляризация — добавление штрафов за сложность модели для предотвращения переобучения. Штраф за сложность позволяет избежать ситуации, когда модель запоминает тренировочные данные, включая шум и случайные колебания, из-за чего плохо работает на новых данных.

• Изменение архитектуры модели, например, добавление или удаление слоев, изменение их типов и размеров.

• Перенос обучения — использование предобученной модели для решения новой задачи, что экономит время и ресурсы.

• Fine tuning — дообучение на специфических данных, чтобы улучшить производительность нейросети на конкретной задаче.

• Модельная обрезка — удаление ненужных весов или слоев, чтобы уменьшить размер модели, повысить ее производительность.

• Квантование — преобразование весов модели в более компактные форматы, чтобы ускорить вычисления.

• Более тщательный отбор данных для обучения, чтобы нейросеть училась на актуальной и полной информации.

No-code платформы позволяют пользователям без глубоких технических знаний настраивать и обучать AI, в том числе уже готовые модели из библиотеки Hugging Face, если не хочется создавать и обучать собственное решение с нуля. Например, Evolution ML Finetuning позволяет дообучать модели из библиотеки Hugging Face с помощью технологии LoRA.

Рассказываем, как бизнес использует нейросети в своих процессах и улучшает свои показатели. А еще приводим примеры успешных AI-помощников, которые вы сможете использовать для генерации текстов, кода, картинок или видео.

AI в бизнесе

Искусственный интеллект используют для автоматизации процессов, формирования гипотез, прогнозирования, рекомендательных систем — и не только. Приведем примеры того, как российские и зарубежные компании используют AI.

Чат-боты для общения с клиентами. Диалоговый помощник ВкусВилла подбирает рецепты, а у МТС обрабатывает до 70 000 диалогов, 100 из которых может вести одновременно. Подобные чат-боты используются и в других компаниях, от корпораций до предприятий малого бизнеса.

AI-помощники отвечают на часто задаваемые вопросы, записывают на процедуры, высылают материалы, отсылают к нужным разделам базы знаний. Например, команда Новосибирского государственного университета (НГУ) разработала умного чат-бота в Telegram, которого разместили в облаке Cloud.ru Evolution.

Рекомендательные системы. Ленты в соцсетях, подборки сообществ, списки возможных друзей — все это выстраивается с помощью AI. По такому принципу Netflix рекомендует сериалы, а YouTube — ролики по интересам.

Синтез и распознавание речи. Компания Voximplant, которая предоставляет облачную платформу для создания коммуникационных сервисов, интегрировалась с AI-сервисом SaluteSpeech. Это позволило клиентам получать расшифровки звонков, создавать голосовые меню и даже синтезировать речь.

Рекрутинг и подбор персонала. HeadHunter для отображения списка вакансий и резюме использует алгоритмы машинного обучения, SuperJob для облегчения навигации посетителей анализирует сведения из резюме с описаниями вакансий, выводит в топ самых активных соискателей.

Производство рекламы. Простор для использования AI здесь широк: можно генерировать рекламные слоганы, придумывать идеи кампаний, сегментировать аудиторию, строить и проверять гипотезы без вывода рекламы в продакшен.

Есть интересный кейс у «Пятерочки»: с помощью ML-модели, доработанной на платформе Cloud.ru ML Space, в рекламном ролике использовали дипфейк актрисы Ольги Медынич. «Пятерочка» купила у актрисы права на использование ее образа и сэкономила четверть рекламного бюджета.

Прогнозирование спроса. AI можно использовать, чтобы анализировать прошлые данные и на их основе делать предсказания. Так сделали в сети магазинов одежды MODIS: с помощью сервиса AI Consulting создали AI-инструмент, который строит прогнозы с точностью до 92%. В итоге удалось избежать недостатка товаров в одних магазинах и избытка в других.

Автоматизация процессов, например, написания и валидации кода, проведения маркетинговых исследований, подготовки текстового и видеоконтента, генерации изображений для дизайна, машинного перевода.

Примеры успешных моделей

Есть много нейросетей, которые вы можете использовать в бизнесе и жизни. К примеру:

1. ChatGPT — один из самых популярных AI‑сервисов от OpenAI. Представляет собой чат-бот на основе продвинутых языковых моделей GPT. 7 августа 2025 года представлена GPT-5 — новая модель, в которой большое внимание уделено работе с разными типами контента (текстом, картинками, видео), а также темам программирования, математики, медицины.

2. GigaChat — российский AI‑ассистент от Сбера. Модель работает с контекстом до 262 000 токенов, расшифровывает голосовые файлы, анализирует и пересказывает видео по ссылкам. А еще разбирается в точных науках и пишет код.

3. DeepSeek — семейство продвинутых языковых моделей от китайской компании DeepSeek AI. Модель отвечает на вопросы, пишет и переводит тексты, объясняет сложные темы, пишет и дебажит код, находит авторитетные источники и дает на них ссылки. А еще работает с изображениями, файлами разных форматов, расшифровывает видео и аудио.

4. Runway — платформа, которая позволяет создавать реалистичные видео. Достаточно написать промпт или загрузить референсы, и модель создаст нужный ролик. Последняя модель Gen-4 дает возможность генерировать персонажей, локации и объекты, сохранять их и использовать в видео.

5. Midjourney — AI‑инструмент для генерации изображений и видео по текстовым запросам. В 2025 году из нововведений — улучшенная передача деталей, особенно рук и сложных текстур, и режим Omni Reference, который позволяет перемещать персонажей и предметы с одних изображений на другие, а также сохранять персонажей.

Расскажем о некоторых проблемах и вопросах, которые могут возникнуть при внедрении AI, использовании и обучении моделей.

Переобучение и дрифт данных

Переобучение — ситуация, когда модель слишком хорошо обучается на тренировочных данных и плохо обобщает новые. Это может привести к снижению точности на реальных данных.

Дрифт данных — ситуация, при которой данные, на которых училась модель, отличаются от тех, с которыми она работает. В результате она дает менее точные ответы и предсказания, так как не видит тех же закономерностей, что были в данных для обучения.

Что с этим делать:

• Использовать регуляризацию — способы настройки модели, которые предотвращают переобучение.

• Применять кросс-валидацию для оценки модели.

• Обучать модель на репрезентативных данных.

Управление конфиденциальностью

Чтобы обеспечить конфиденциальность данных при обучении моделей, можно использовать следующие методы:

1. Анонимизация — удаление или маскировка идентифицирующей информации. Сюда включены, например, удаление имен, адресов, номеров телефонов и других личных данных.

2. Шифрование — преобразование данных в форму, которая может быть прочитана только с помощью специального ключа. Это защищает информацию от несанкционированного доступа.

3. Дифференциальная приватность — метод, который позволяет анализировать данные, сохраняя при этом конфиденциальность отдельных пользователей. Это достигается за счет добавления шума к данным, что затрудняет идентификацию отдельных записей.

Проблемы масштабируемости

Работа модели может прерываться при высоких нагрузках, если вычислительных мощностей недостаточно. Чтобы все работало без перебоев, нужны GPU, TPU, много оперативной памяти и быстрые SSD-накопители.

Для оптимизации ресурсов можно:

• Использовать облачные сервисы — провайдер предоставит в аренду IT-инфраструктуру, даст доступ к платформе, где можно развернуть и масштабировать модель.

• Применять методы параллельной обработки данных, которые позволяют одновременно обрабатывать данные на нескольких вычислительных устройствах или ядрах.

• Оптимизировать код и алгоритмы для эффективного использования ресурсов.

По прогнозам Gartner, к 2028 году 33% корпоративных приложений будут использовать AI-агентов. Для сравнения, в 2024 году они использовались менее чем в 1% приложений. Также к 2028 году, предположительно, не менее 15% повседневных рабочих решений будут приниматься автономно с помощью агентов искусственного интеллекта.

Кроме этого, Gartner отмечает, что AI влияет на общество так же, как появление интернета, печатного станка или электричества. Сегодня агентные вычисления — наименее проработанный из существующих методов AI, но он будет быстро развиваться и скоро станет широко распространен в бизнесе и повседневной жизни.