Машинное обучение: чем отличается от ИИ и нейросетей

Каждый второй материал про новую нейросеть начинается словами «модель научилась». За этой фразой почти всегда стоит машинное обучение — не «понимание» в человеческом смысле, а статистика, которую заставили работать на данных. Путаница в терминах — искусственный интеллект, машинное обучение, нейросети, глубокое обучение — настолько привычна, что их подставляют друг вместо друга даже в профессиональных текстах, хотя за каждым словом стоит своё понятие.

Что тут вообще путают

Искусственный интеллект — это широкая область: любая система, которая ведёт себя «разумно», формально попадает под это определение, 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 важно 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.

Как модель учится на примерах, а не на инструкциях

Вместо правил модели машинного обучения получают набор размеченных примеров — датасет — 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 и отправителя.

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

Чем машинное обучение отличается от нейросетей

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 банка часто хватает простых моделей, а для распознавания изображений или генерации текста нужны именно нейросети — из-за способности улавливать сложные, нелинейные закономерности.

Где это работает каждый день, а вы не замечаете

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

• Ленты рекомендаций Spotify и Netflix, которые подбирают музыку и фильмы на основе истории прослушиваний и просмотров.
• Антифрод-системы банков, которые ищут аномальные паттерны в транзакциях и блокируют подозрительные операции.
• Прогноз пробок в навигаторах, построенный на данных о скорости движения других пользователей.
• Голосовые ассистенты и чат-боты вроде ChatGPT — отдельный класс нейросетей, обученных предсказывать следующее слово в тексте на огромных массивах текстов.

Где здесь ловушка

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 — скажем, исторические данные о найме отражали дискриминацию по полу, — модель унаследует этот перекос, 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. Именно поэтому качество и разнообразие датасета часто важнее самой архитектуры.

Стоит ли разбираться в этих терминах обычному читателю

Да — хотя бы для того, чтобы отличать маркетинговое «работает на ИИ» от содержательного описания того, что именно и на каких данных обучалось. Когда очередной сервис заявляет о «нейросети», полезно спросить: это генеративная модель вроде тех, что описаны в материале про «большие языковые модели», или классический алгоритм машинного обучения для прогноза и классификации? Это разные инструменты с разными ограничениями.

Что делать с этим знанием

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 она задачу прогноза или классификации (классическое машинное обучение) или генерации нового контента (нейросети, глубокое обучение).
• Как часто данные для обучения обновляются — устаревшая модель начинает ошибаться по мере изменения реальности.
• Есть ли у сервиса объяснение, почему модель приняла то или иное решение, или это полностью «чёрный ящик».

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.