Искусственный интеллект

Материал из Самая полная в Рунете энциклопедия интернет-маркетинга
Перейти к навигации Перейти к поиску


Искусственный интеллект это общее название технологий, которые решают задачи, прежде требовавшие человека: узнать предмет на фотографии, разобрать речь, предсказать спрос, написать черновик письма. Российское право определяет понятие через результат. Национальная стратегия развития искусственного интеллекта, утверждённая Указом Президента РФ от 10 октября 2019 года № 490, называет искусственным интеллектом комплекс технологических решений, который имитирует когнитивные функции человека, включая самообучение и поиск решений без заранее заданного алгоритма, и даёт на конкретных задачах результат, сопоставимый с результатами интеллектуальной деятельности человека.[1]

Способ получения результата в определении не назван вовсе. Это не пробел. Под одним зонтиком живут вещи разного возраста и устройства: логические правила, статистические модели, нейронные сети, распознавание изображений, диалоговые системы. Общее у них то, что работу оценивают по задаче, а не по устройству программы.

Практический вывод из этого один. Вопрос «внедрять ли ИИ» не имеет ответа, пока не названа задача: у разных классов разная цена, разные метрики и разные поломки. Ниже область разобрана целиком, от истории термина до метрик приёмки. Семейство моделей, которые по запросу создают текст, изображение или звук, описано в отдельной статье Генеративный ИИ, здесь оно только названо.

Три вложенные рамки и два непустых поля между ними: перебор и правила внутри искусственного интеллекта, градиентный бустинг внутри машинного обучения
Границы трёх понятий проходят по полям между рамками, и поля не пусты

Чем отличается от соседних понятий

От машинного обучения. Машинное обучение это способ получить программу из данных, а не из правил, написанных руками. Самая ходовая часть ИИ, но не весь он: шахматный перебор и экспертная система из сотни жёстко прописанных условий тоже относятся к искусственному интеллекту, хотя не учатся ни на чём и никаких данных для работы не требуют.

От нейросети. Нейросеть это одна из архитектур машинного обучения, устроенная как слои связанных между собой вычислительных единиц. Она обошла остальные подходы на изображениях, звуке и тексте, поэтому в разговорной речи слова стали синонимами. Синонимами они не являются: градиентный бустинг на табличных данных часто работает точнее нейросети и нейросетью не является.

От генеративного ИИ. Генеративная модель создаёт новый объект, классификатор ставит метку, регрессия выдаёт число. Приёмка у них устроена по-разному: у классификатора есть правильный ответ и считается ошибка, а у генерации правильного ответа нет вовсе, поэтому качество приходится оценивать людьми или отдельной моделью-судьёй.

От автоматизации. Автоматизация бизнес-процессов исполняет порядок действий, описанный человеком заранее. ИИ берут туда, где порядок описать не получается: условий слишком много или они меняются. Счёт-фактура по шаблону это автоматизация. Распознавание счёта, снятого на телефон под углом, это уже компьютерное зрение.

От чат-бота. Чат-бот это интерфейс, а не технология. Внутри бывает дерево кнопок, бывает языковая модель, а чаще встречается смесь: типовой сценарий ведёт по кнопкам, свободный вопрос уходит в модель.

Откуда взялось

Точка отсчёта у термина есть, и она документирована. 31 августа 1955 года Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон подали заявку на двухмесячное исследование в Дартмутском колледже летом 1956 года. В тексте заявки и появилось словосочетание artificial intelligence, а задача была сформулирована как создание машины, чьё поведение назвали бы разумным, веди себя так человек.[2]

До этого была работа Алана Тьюринга: в октябре 1950 года журнал Mind опубликовал статью «Computing Machinery and Intelligence», которая начинается вопросом «Могут ли машины мыслить?» и предлагает заменить его проверяемой игрой в имитацию.[3] В 1958 году Фрэнк Розенблатт описал перцептрон, первую обучаемую модель нейрона.[4]

Дальше был долгий период, когда ожидания опережали результат, и два спада финансирования. Перелом пришёл от вычислений и данных. В 2012 году свёрточная сеть на конкурсе ImageNet показала результат, который авторы назвали существенно лучше прежнего лучшего.[5] 12 июня 2017 года вышла работа «Attention Is All You Need» с архитектурой трансформера: авторы отказались и от рекуррентности, и от свёрток, оставив механизм внимания.[6] На этой архитектуре собраны почти все сегодняшние языковые модели. 30 ноября 2022 года OpenAI анонсировала ChatGPT и открыла к нему публичный доступ.[7]

Российские вендоры вышли с собственными моделями весной 2023 года. Сбер открыл доступ к GigaChat 24 апреля 2023 года,[8] Яндекс запустил YandexGPT в Алисе 17 мая того же года.[9]

Как это устроено

Пять шагов от данных к ответу

Механизм у большинства прикладных систем одинаковый, меняется наполнение шагов.

  1. Данные. Собирается набор примеров: снимки, обращения, сделки, звонки. Без размеченного набора обучение с учителем невозможно.
  2. Признаки. Данные превращаются в числа: для таблиц это колонки, для текста и картинок представление строит сама сеть.
  3. Обучение. Модель подбирает параметры так, чтобы ошибка на известных примерах была меньше. Результат обучения это файл с весами, который дальше живёт отдельно от данных.
  4. Проверка. Качество считают на данных, которых модель не видела. Проверка на обучающих примерах даёт красивое число и ничего не говорит о работе.
  5. Эксплуатация. Модель принимает новые запросы и отдаёт ответы. Дальше начинается расхождение: мир меняется, веса остаются прежними.

Шаг пятый и обеспечивает большинство неприятных сюрпризов. Модель не знает, что реальность уехала, и продолжает отвечать с прежней уверенностью.

Три способа завести ИИ у себя

Готовый сервис по подписке запускается быстро и дёшево, но настройка в нём ограничена тем, что предусмотрел поставщик. Заказная разработка стоит дороже и делается дольше, зато решение считается на ваших данных. Своя модель на своём или арендованном железе требует команды и инфраструктуры, взамен данные не покидают контур. По данным ИСИЭЗ НИУ ВШЭ, российские организации чаще всего заказывают разработку на стороне (56%) или покупают готовое коммерческое ПО (53%).[10]

Почему ответ нестабилен

У классификатора есть порог, и стоит его сдвинуть, как модель начнёт ловить больше нарушений ценой ложных срабатываний на честных клиентах. У языковой модели есть параметры выбора следующего слова, поэтому на один и тот же запрос она даёт разные ответы в разные дни. Отсюда правило приёмки: систему проверяют не одним показом, а прогоном на наборе типовых случаев, как в A/B-тесте.

Классы задач: что делает и где ломается

Таблица отвечает на вопрос, с которым обычно приходят: есть задача, какой класс ИИ её закрывает, чем мерить и что сломает результат.

Задача бизнеса Класс ИИ Метрика результата Где ломается
Отвечать на типовые обращения клиентов Диалоговая система на правилах или на языковой модели, см. Чат-бот, ИИ-ассистент Доля обращений, закрытых без оператора; оценка ответа клиентом Незнакомый сценарий: модель уверенно выдаёт неверный ответ, а платит за него компания
Найти ответ во внутренних документах Языковая модель с поиском по базе, см. RAG Доля ответов, подтверждённых ссылкой на документ Устаревший документ в базе и ответ, собранный из двух разных регламентов
Проверять качество и считать объекты на видео Компьютерное зрение Полнота и точность обнаружения; доля брака, ушедшего дальше по линии Смена освещения, ракурса и упаковки: новая партия выглядит иначе, чем обучающая выборка
Прогнозировать спрос и отток Предиктивная аналитика на табличных данных Средняя ошибка прогноза; доля удержанных из тех, кого модель пометила Редкие события и дрейф данных: акция, новый конкурент, смена сезона
Показывать персональные подборки Рекомендательная система Конверсия в заказ, средний чек, доля выручки от рекомендаций Новый товар и новый пользователь, о которых нет истории
Расшифровывать звонки и встречи Распознавание речи Доля ошибочных слов; доля звонков с корректной темой Шум, перебивания, отраслевые термины и имена
Сортировать входящие обращения Классификация текста Доля верно назначенных; время до передачи исполнителю Появление новой категории, которой не было в обучении
Готовить черновики текстов и изображений Генеративный ИИ Время на единицу контента; доля черновиков, ушедших в работу без переделки Фактические ошибки и вопросы о правах на результат
Выполнять цепочку действий в сервисах ИИ-агент Доля задач, доведённых до конца без человека Ошибка на втором шаге тянет за собой все последующие

Рынок ИИ в России

Объём российского рынка оборудования, услуг и программного обеспечения с искусственным интеллектом по итогам 2025 года составил 316,1 млрд рублей, рост за год 29,7%. Оценку дало аналитическое агентство AIANA, которое насчитало на рынке 883 компании. Крупнейший сегмент по выручке это оборудование, 31,1%. На корпоративных заказчиков приходится 71,9% выручки, на частных клиентов 15,6%, на государственных 12,5%. Базовый сценарий прогноза до 2030 года это 830 млрд рублей, консервативный 582 млрд, оптимистичный 1,12 трлн.[11]

Распространённость при этом ниже, чем можно подумать по числу публикаций. Росстат по методологии ИСИЭЗ НИУ ВШЭ обследовал свыше 15 тысяч крупных и средних организаций: технологии ИИ в 2024 году применяли 4,8% из них. В компаниях свыше 500 сотрудников доля 14,9%, в компаниях до 100 человек 4,1%.[10] Работников с компетенциями в области ИИ насчитали более 242 тысяч, это менее 1% списочной численности обследованных организаций.[12]

Деньги идут в первую очередь в железо. Затраты организаций на закупку оборудования для ИИ в 2024 году составили 56,2 млрд рублей, на программное обеспечение 30,5 млрд.[12]

Что делать на практике

  1. Назовите задачу глаголом и числом. Не «внедрить ИИ», а «сократить долю обращений, доходящих до оператора». Пока нет числа, принимать работу не по чему.
  2. Проверьте, есть ли данные. Обучение с учителем требует размеченных примеров. Нет истории обращений за год, значит первый этап это сбор данных, а не модель.
  3. Посчитайте цену ошибки. Неверная рекомендация товара стоит одного клика. Неверно распознанный документ в бухгалтерии стоит разбирательства. От этого зависит, нужен ли человек в контуре.
  4. Начните с одного процесса. Узкая задача с измеримым результатом даёт понятный итог за недели. Программа цифровой трансформации целиком не даёт его никогда.
  5. Сравните с тем, что было. Замерьте показатель до запуска. Без базовой точки любой результат выглядит успехом.
  6. Проверьте правовую рамку. Персональные данные клиентов, коммерческая тайна, условия лицензии на модель и требования к маркировке сгенерированных материалов.

Типовые точки входа для маркетинга и продаж разобраны в статьях Нейросети для бизнеса и ИИ в маркетинге. Отдельная тема это видимость компании в ответах нейросетей, ей посвящена статья GEO и AEO: продвижение в ответах нейросетей.

Чем измеряют

Метрики делятся на два слоя, и путать их дорого.

  • Качество модели. Точность и полнота для классификации, средняя ошибка для прогноза, доля ошибочных слов для распознавания речи, доля ответов с подтверждающей ссылкой для поиска по документам.
  • Результат процесса. Доля обращений без оператора, время обработки документа, конверсия, средний чек, доля брака.
  • Экономика. Стоимость одного ответа или документа, стоимость владения с обучением и поддержкой, окупаемость против прежнего способа.
  • Надёжность. Доля отказов, задержка ответа, доля случаев, переданных человеку.

Модель с точностью 0,95 и процесс, в котором ничего не изменилось, встречаются вместе чаще, чем кажется. Поэтому второй слой метрик важнее первого, а третий решает судьбу проекта.

Частые ошибки

Задача поставлена как технология. «Нужен ИИ» вместо «нужно сократить время ответа». Принять такую работу нельзя ни через месяц, ни через год.

Пилот на чистых данных. Модель показали на выборке, которую готовили руками, а в эксплуатации приходят фотографии не в фокусе, обращения с опечатками и случаи, которых в обучающем наборе не было ни разу.

Нет человека в контуре там, где цена ошибки высока. Финансы, медицина, юридические тексты и всё, что уходит клиенту от имени компании.

Никто не следит за дрейфом. Модель работала полгода, потом сменился ассортимент, и качество поехало вниз постепенно, незаметно для отчётов, пока не пришла первая жалоба от клиента.

Ограничения и спорные места

Модель не отличает уверенность от правоты. Работа исследователей Стэнфорда и Йеля проверяла ответы на конкретные верифицируемые вопросы о случайно выбранных делах федеральных судов США: доля галлюцинаций составила от 58% у ChatGPT 4 до 88% у Llama 2.[13] Замер сделан на юридических запросах и на моделях 2023 года, поэтому переносить его ни на другие предметные области, ни на сегодняшние версии моделей напрямую нельзя. Но сам механизм никуда не делся: система выдаёт правдоподобный ответ и не сигнализирует, что его выдумала.

Распространённость измерена самоотчётом. Доля 4,8% получена опросом организаций, а не аудитом их систем.[10] Малые предприятия в выборку не входят вовсе, поэтому цифра описывает крупный и средний бизнес, а не экономику целиком.

Оценки рынка считаются по разным границам. 316,1 млрд рублей это оборудование, услуги и ПО вместе по методике одного агентства.[11] Другие агентства берут другой периметр и дают другое число, поэтому сравнивать оценки разных исследований между собой нельзя.

Главный барьер экономический, а не технический. Среди организаций, которые ИИ не применяют, 58% назвали причиной высокую стоимость.[14]

Влияние на занятость не подтверждает ни одну из громких версий. В том же обследовании 15% организаций сообщили о сокращении персонала после внедрения, 63% не заметили влияния на численность.[14]

Спор о том, что считать интеллектом, не решён. Дартмутская заявка исходила из предположения, что любой аспект обучения можно описать настолько точно, чтобы машина его воспроизвела.[2] Проверкой этого предположения область занимается семьдесят лет, и общепринятого критерия «машина мыслит» до сих пор нет.

Регулирование только начинается. Федеральный закон от 26 июля 2026 года № 243-ФЗ вводит понятие большой фундаментальной модели: программа с не менее чем одним миллиардом параметров.[15] Закон вступил в силу 1 сентября 2026 года, а статьи 8, 9 и 10, в том числе о маркировке материалов, созданных с применением таких моделей, вступают в силу 1 марта 2027 года.[16] Как норма о маркировке будет применяться на практике, пока не показано правоприменением.

Что здесь быстро устаревает

  • Объём рынка и темп роста. Значения относятся к итогам 2025 года, публикация августа 2026. Проверять по свежему выпуску того же исследования, а не по пересказу в новостях.
  • Доля организаций, применяющих ИИ. Замер за 2024 год. ИСИЭЗ НИУ ВШЭ выпускает экспресс-информации регулярно, обновление искать в разделе публикаций.
  • Доли галлюцинаций. Получены на моделях 2023 года и на юридических запросах. Цифра на текущих моделях будет другой, а методики замера у разных бенчмарков несравнимы между собой.
  • Даты вступления статей закона № 243-ФЗ. 1 марта 2027 года это плановая дата для статей 8, 9 и 10. Сверять с действующей редакцией закона перед тем, как ссылаться на дату.
  • Названия и возможности моделей. Продукты вендоров переименовываются и меняют ограничения. Брать из документации вендора, а не из обзоров.
  • Список классов задач. Строка про агентов в таблице самая молодая, и её содержание меняется быстрее остальных.

См. также

Источники

  1. ↑ Указ Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» (ред. от 15.02.2024), Национальная стратегия развития искусственного интеллекта на период до 2030 года, раздел I, п. 5. URL: https://base.garant.ru/72838946/
  2. ↑ 2,0 2,1 McCarthy J., Minsky M. L., Rochester N., Shannon C. E. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 августа 1955. Архив Джона Маккарти, Стэнфордский университет. Перепечатка: AI Magazine, 2006, т. 27, № 4. URL: https://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
  3. ↑ Turing A. M. Computing Machinery and Intelligence. Mind, октябрь 1950, т. LIX, № 236, с. 433-460. URL: https://academic.oup.com/mind/article/LIX/236/433/986238
  4. ↑ Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, 1958, т. 65, № 6, с. 386-408. URL: https://doi.org/10.1037/h0042519
  5. ↑ Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. NIPS 2012. URL: https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
  6. ↑ Vaswani A. и др. Attention Is All You Need. arXiv:1706.03762, первая версия от 12.06.2017. URL: https://arxiv.org/abs/1706.03762
  7. ↑ OpenAI. Introducing ChatGPT. Анонс, 30.11.2022. URL: https://openai.com/index/chatgpt/
  8. ↑ СберДевайсы. «GigaChat vs ChatGPT: Сбер открывает доступ к своей новейшей нейросетевой модели». Пресс-релиз, 24.04.2023. URL: https://sberdevices.ru/press/detail/gigachat_vs_chatgpt_sber_otkryvaet_dostup_k_svoei_noveisei_neirosetevoi_modeli/
  9. ↑ Яндекс. «Нейросеть YandexGPT научилась поддерживать контекст беседы». Пресс-релиз, 05.06.2023, с указанием даты запуска YandexGPT в Алисе 17.05.2023. URL: https://yandex.ru/company/press_releases/2023/05-06-23
  10. ↑ 10,0 10,1 10,2 ИСИЭЗ НИУ ВШЭ. «Распространение ИИ в организациях разной величины». Экспресс-информация, 18.03.2026. Обследование Росстата по методологии ИСИЭЗ, крупные и средние организации, данные за 2024 год. URL: https://issek.hse.ru/news/1139129178.html
  11. ↑ 11,0 11,1 Коммерсантъ. «Объем российского рынка ИИ достиг 316 млрд рублей к концу 2025 года», 10.08.2026. Публикация исследования аналитического агентства AIANA, выборка 883 компании. URL: https://www.kommersant.ru/doc/8875821
  12. ↑ 12,0 12,1 ИСИЭЗ НИУ ВШЭ. «Распространение искусственного интеллекта в отраслях экономики и социальной сферы». Экспресс-информация, 09.10.2025. URL: https://issek.hse.ru/news/1091369132.html
  13. ↑ Dahl M., Magesh V., Suzgun M., Ho D. E. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. arXiv:2401.01301, 02.01.2024. Journal of Legal Analysis, 2024. URL: https://arxiv.org/abs/2401.01301
  14. ↑ 14,0 14,1 ИСИЭЗ НИУ ВШЭ. «Применение искусственного интеллекта в российских компаниях». Экспресс-информация, 12.09.2025. Обследование свыше 15 тысяч крупных и средних организаций. URL: https://issek.hse.ru/news/1083541394.html
  15. ↑ Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации», статья 3. КонсультантПлюс, проверено 11.09.2026. URL: https://www.consultant.ru/document/cons_doc_LAW_540336/ea6f7bb32cdb797dc30aca18be2a215cd0211ad2/
  16. ↑ Федеральный закон от 26.07.2026 № 243-ФЗ, статья 13, порядок вступления в силу. КонсультантПлюс, проверено 11.09.2026. URL: https://www.consultant.ru/document/cons_doc_LAW_540336/fd579bab6d649f96d270e87b4b2a6f5865f3855b/


Источник — https://wiki.optimism.ru/index.php?title=Искусственный_интеллект&oldid=5252