Машинное обучение: чем отличается от ИИ и нейросетей

«Модель научилась» — с этой фразы обычно начинается любая новость об очередной нейросети. За словом «научилась» почти всегда стоит не разум, а статистика: алгоритм, которому показали много примеров и заставили находить в них закономерности. При этом термины искусственный интеллект, машинное обучение и нейросети в текстах — даже профессиональных — подставляют один вместо другого, хотя за каждым стоит своё, довольно точное понятие.

Иерархия понятий: искусственный интеллект — самая широкая область, машинное обучение — её часть, нейросети — один из методов машинного обучения, а глубокое обучение — нейросети с большим числом слоёв.

Кратко

• Искусственный интеллект — это общая цель («разумное» поведение системы), а не конкретная технология.
• Машинное обучение — один из способов достичь этой цели: система сама выводит правила из данных, а не получает их готовыми от программиста.
• Нейросети — один из методов машинного обучения; глубокое обучение — нейросети с большим числом слоёв.
• Качество и разнообразие обучающих данных чаще определяют результат модели, чем выбор архитектуры.
• Материал носит информационный характер и не является инвестиционной рекомендацией.

Что здесь путают: ИИ, машинное обучение и нейросети

Искусственный интеллект (ИИ) — самая широкая категория: под неё формально попадает любая система, которая ведёт себя «разумно», даже шахматная программа с жёстко прописанными правилами без единой строчки обучения. Машинное обучение — подмножество этой области, где система выводит закономерности из примеров, а не получает готовые инструкции от разработчика. Нейросети — один из методов внутри машинного обучения, устроенный по принципу связанных слоёв узлов. Глубокое обучение — нейросети с большим числом таких слоёв.

Разобраться в устройстве ИИ на бытовом уровне помогает материал «искусственный интеллект: где им пользуются», но для практических выводов важнее именно место машинного обучения в этой иерархии.

Чем машинное обучение отличается от искусственного интеллекта

Искусственный интеллект — это цель: заставить систему вести себя разумно. Машинное обучение — один из способов её достичь, при котором система сама выводит правила из примеров, а не получает их от программиста в виде готового кода. Классические ИИ-системы прошлого века работали иначе: инженеры вручную прописывали условия «если — то», как в старых шахматных движках или экспертных системах для медицинской диагностики.

Такой подход требовал предусмотреть все случаи заранее и плохо масштабировался на задачи, где правила невозможно сформулировать словами — например, отличить фотографию кота от фотографии собаки. Именно эта граница и отделяет старый, «ручной» ИИ от современного машинного обучения.

Как модель учится на примерах, а не на инструкциях

Вместо правил модели машинного обучения получают датасет — набор размеченных примеров, то есть данных с уже известным правильным ответом, — и алгоритм, который постепенно подстраивает внутренние параметры так, чтобы ошибка на этих примерах уменьшалась.

Показательный случай — фильтр спама в почтовом ящике: он не содержит списка запрещённых слов, а обучен на тысячах писем, помеченных пользователями как спам и не спам, и сам выводит закономерности вроде подозрительных сочетаний темы письма и адреса отправителя.

Подробнее о том, как проходит этот процесс на примере нейросетей, — в статье «как обучаются нейросети».

Чем машинное обучение отличается от нейросетей и глубокого обучения

Нейросети — это лишь одна из архитектур машинного обучения, наряду с деревьями решений, линейной регрессией и методом опорных векторов, у которых нет почти ничего общего с нейронами мозга, кроме названия. Выбор архитектуры зависит от задачи: для прогноза на табличных данных часто хватает простых моделей, а для распознавания изображений или генерации текста нужны именно нейросети — из-за способности улавливать сложные, нелинейные закономерности.

Как машинное обучение используется в трейдинге и на бирже

Да — алгоритмические системы давно работают в биржевой инфраструктуре, и часть из них построена на моделях машинного обучения, а часть — на куда более простых, детерминированных правилах. Значительная доля объёма торгов на биржах, включая Московскую биржу (MOEX), проходит через алгоритмические системы: одни прогнозируют краткосрочную ликвидность на основе исторических паттернов, другие просто исполняют заранее заданные условия без всякого обучения.

Разница между этими двумя подходами хорошо видна на примере обычных инструментов инвестора. Если нужно отобрать бумаги не вручную, а по формализованным критериям — вроде дивидендной доходности или мультипликаторов, — проще начать с готового скринера акций: он работает по прозрачным, задаваемым пользователем правилам, а не по «чёрному ящику» модели, и в этом смысле ближе к «старому» ИИ на жёстких условиях, чем к машинному обучению.

Для расчётов, где статистическое обучение вообще не нужно — например, для сложного процента по вкладу или облигации, — детерминированная формула справляется точнее любой модели; такие расчёты собраны в калькуляторе сложного процента.

Может ли ИИ распознать мошенничество с USDT и Ethereum

Да — антифрод-системы криптобирж и сервисы блокчейн-аналитики используют модели машинного обучения, чтобы выделять подозрительные паттерны в цепочках переводов, а не просто сверяться со статичным чёрным списком адресов.

Пример с USDT — стейблкоином, курс которого привязан к доллару и который выпускается сразу на нескольких блокчейнах: комплаенс-системы бирж отслеживают не отдельные переводы, а цепочки транзакций между множеством кошельков — типичный признак попытки «размыть» происхождение средств через много промежуточных адресов.

Пример с сетью Ethereum — она хранит историю вызовов смарт-контрактов, и аналитические сервисы обучают модели на последовательностях таких вызовов, чтобы находить паттерны, характерные для эксплуатации уязвимых контрактов, не имея заранее прописанного правила под каждый конкретный случай атаки.

Где ещё работает машинное обучение каждый день

Машинное обучение давно встроено в привычные сервисы — от лент рекомендаций до банковских систем защиты. Несколько примеров, которые редко ассоциируются со словом «ИИ»:

• Ленты рекомендаций музыкальных и видеосервисов, которые подбирают контент на основе истории прослушиваний и просмотров.
• Антифрод-системы банков, которые ищут аномальные паттерны в транзакциях и блокируют подозрительные операции.
• Прогноз загруженности дорог в навигаторах, построенный на данных о скорости движения других пользователей.
• Голосовые ассистенты и чат-боты — отдельный класс нейросетей, обученных предсказывать следующий фрагмент текста на больших массивах данных.

Какие риски видят регуляторы и разработчики

Модель машинного обучения не понимает причин — она находит корреляции в данных, на которых её обучили, и переносит их на новые случаи. Если в обучающей выборке был перекос, модель унаследует его, даже не «зная» о его существовании.

Ещё одна ловушка — переобучение: модель показывает отличные результаты на тренировочных данных, но проваливается на реальных, потому что запомнила частности вместо общих закономерностей. Банк России в своих материалах о развитии финансовых технологий не раз обращал внимание участников рынка на риски непрозрачности решений «чёрного ящика» и предвзятости данных при использовании моделей в кредитовании и скоринге — поэтому качество и разнообразие датасета часто важнее самой архитектуры.

Материал носит информационный характер и не является индивидуальной инвестиционной рекомендацией или финансовым советом.

1. 1Сбор и разметка данных
2. 2Выбор алгоритма и обучение модели
3. 3Проверка на новых, ранее не виденных примерах
4. 4Внедрение модели в продукт
5. 5Мониторинг качества и переобучение по мере изменения данных

Чем машинное обучение отличается от глубокого обучения одним предложением?

Глубокое обучение — это машинное обучение, но конкретно на нейросетях с большим числом слоёв: «глубокое обучение» без нейросети не бывает, а вот «машинное обучение» без нейросети — обычное дело, например, в виде дерева решений или линейной регрессии.

Может ли нейросеть работать без машинного обучения?

Нет — сама по себе архитектура нейросети - это просто набор связанных узлов со случайными весами, и без обучения (то есть подбора этих весов на данных) она не умеет решать задачу, для которой её строили.

Стоит ли настороженно относиться к финансовым решениям на основе ИИ?

Разумно относиться к ним так же, как к любому инструменту с ограничениями: полезно понимать, на каких данных обучена модель и можно ли увидеть объяснение её решения, но не стоит и переоценивать риски — это один из инструментов анализа, а не замена самостоятельной проверки фактов и данных.

Что делать дальше

Если тема интересна не только как ликбез, вот на что стоит смотреть в первую очередь:

• На каких данных обучена модель и есть ли в них систематический перекос.
• Решает ли инструмент задачу прогноза или классификации (классическое машинное обучение) или генерации нового контента (нейросети, глубокое обучение).
• Не путать автоматизацию по жёстким, прозрачным правилам — как у скринера акций — с моделью, которая сама выводит закономерности из данных.
• Проверять факты в открытых источниках — раскрытиях эмитентов, данных Московской биржи, материалах Банка России — а не полагаться на маркетинговое «работает на ИИ».

Разобравшись в этой иерархии терминов один раз, дальше проще читать любые материалы об ИИ — в том числе остальные разборы в рубрике «Технологии» на long-short.ru, а также материал про большие языковые модели.