Машинное обучение — это способ, при котором программа не программируется правило за правилом, а учится на данных, чтобы делать прогнозы или создавать контент. Согласно учебным материалам Google для разработчиков, машинное обучение — это процесс обучения программы, называемой моделью, на данных, чтобы получать от неё полезные прогнозы или контент. По способу обучения выделяют четыре основных типа: обучение с учителем, обучение без учителя, обучение с подкреплением и генеративный ИИ.
В турецких компаниях машинное обучение пока применяется узко. По данным Eurostat, в 2025 году 2,9% предприятий Турции с численностью от 10 сотрудников использовали машинное обучение для анализа данных; в ЕС — 5,1%. Среди предприятий от 250 сотрудников доля составила 12,2% в Турции и 25,1% в ЕС.
Вкратце:
- Машинное обучение — направление ИИ; система выводит правило из данных, а не получает его от человека (Закон ЕС об ИИ, пункт 12 преамбулы).
- Чаще всего в бизнесе его используют для прогнозирования (число) и классификации (категория); распространена и группировка (Google).
- Начинать нужно не с алгоритма, а с самого вопроса и качества исторических данных.
Что такое машинное обучение и как оно работает?
В традиционном программном обеспечении разработчик явно прописывает правила, например: «если сумма превышает лимит, отправить на согласование». В машинном обучении системе дают много прошлых примеров; модель сама находит в них закономерность и применяет её к новым входным данным.
В материалах Google это показано на примере прогноза осадков. При традиционном подходе строится физическая модель атмосферы и рассчитывается огромное количество уравнений. При подходе машинного обучения модели дают большой объём метеоданных; она усваивает математическую связь между погодными условиями и количеством осадков, а затем делает прогноз по текущим данным. По определению из материалов, модель — это математическая зависимость, выведенная из данных и используемая для прогнозов.
На практике процесс состоит из трёх шагов: исторические данные собирают и подготавливают, модель обучают на них, затем измеряют её точность на данных, которых она раньше не видела. Если пропустить последний шаг, невозможно понять, насколько точной модель будет в реальной работе.
Чем машинное обучение отличается от искусственного интеллекта?
ИИ — общее понятие, а машинное обучение — один из методов внутри него. Пункт 12 преамбулы Закона ЕС об ИИ (Регламент 2024/1689) называет ключевой характеристикой систем ИИ способность «делать выводы» из входных данных и перечисляет два семейства методов, которые это обеспечивают: подходы машинного обучения, которые учатся на данных, и логические подходы, основанные на знаниях, которые делают выводы из закодированных знаний или символьного представления.
Это и есть краткий ответ на частый вопрос о различии между машинным обучением и символьным ИИ: в символьном подходе правила и знания кодирует человек, в машинном обучении зависимость извлекается из данных. Тот же пункт уточняет, что системы, выполняющие операции исключительно по правилам, заданным людьми, не относятся к системам ИИ.
Глубокое обучение — разновидность машинного обучения. В опросе предприятий Eurostat показатель сформулирован как «машинное обучение (например, глубокое обучение)», то есть глубокое обучение учитывается как пример машинного обучения. Генеративный ИИ в классификации Google также относится к типам машинного обучения; подробнее — в статье что такое генеративный ИИ.
Какие бывают типы машинного обучения?
Согласно материалам Google, системы машинного обучения делятся на четыре категории в зависимости от способа обучения:
- Обучение с учителем: модель учится на множестве примеров с правильными ответами. Материал сравнивает это со студентом, который готовится по старым экзаменам с ответами. Два распространённых применения: регрессия, которая прогнозирует числовое значение (например, время в пути или рыночную стоимость жилья), и классификация, которая определяет, к какой категории относится объект (например, является ли письмо спамом).
- Обучение без учителя: в данных нет правильных ответов; модель ищет значимые закономерности. Самый известный метод — кластеризация, объединяющая похожие записи в группы. Согласно материалу, кластеры заранее не задаются; интерпретировать и называть их приходится человеку.
- Обучение с подкреплением: модель получает поощрения или штрафы за действия в среде и вырабатывает стратегию, приносящую наибольшее вознаграждение. В материале приводятся примеры обучения роботов задачам и программ для игры в го.
- Генеративный ИИ: создаёт новый контент — текст, изображения, аудио или видео — на основе запроса пользователя.
Где компании применяют машинное обучение?
Приведённые ниже примеры — практические рекомендации, показывающие, как описанные Google типы моделей соотносятся с задачами бизнеса; они не основаны на отраслевых данных:
- Прогноз спроса и продаж (регрессия): прогнозирование объёма заказов на следующий период по прошлым продажам, сезонности и данным о кампаниях; это входные данные для планирования запасов и производства.
- Прогноз сроков (регрессия): оценка времени доставки или продолжительности работы по прошлым записям.
- Классификация и приоритизация: сортировка входящих запросов, писем или документов по типу; пометка подозрительных операций или ошибочных записей для проверки человеком.
- Группировка клиентов и товаров (кластеризация): объединение клиентов со схожим покупательским поведением или складских позиций со схожей оборачиваемостью; затем группы интерпретирует бизнес-подразделение.
- Сигналы качества и обслуживания: классификация вероятности отказа или дефекта по данным датчиков или производственным записям.
Общее условие для всех примеров — достаточное количество надёжных исторических данных по тому же вопросу. Модель, построенная до того, как определены владельцы данных, их определения и качество, будет быстро тиражировать ошибки; об этом — в статье управление данными для ИИ.
Насколько компании в Турции используют машинное обучение?
В опросе Eurostat об использовании ИИ на предприятиях «машинное обучение (например, глубокое обучение) для анализа данных» измеряется как отдельная технология. По данным за 2025 год, доля использующих её предприятий в Турции составила 2,4% среди компаний с 10-49 сотрудниками, 3,7% — с 50-249 и 12,2% — от 250 сотрудников. В ЕС для тех же групп — 3,8%, 8,7% и 25,1%.
По сравнению с предыдущим годом доля среди предприятий от 10 сотрудников выросла в Турции с 2,3% до 2,9%, в ЕС — с 4,2% до 5,1%. При этом у крупных предприятий Турции она в оба года оставалась на уровне 12,2%. По тому же опросу, в 2025 году хотя бы одну технологию ИИ использовали 7,4% предприятий в Турции и 20,0% в ЕС. Согласно анализу Eurostat, самой распространённой технологией в ЕС в 2025 году был анализ текста (text mining) — 11,8%; машинное обучение уступало также технологиям генерации изображений, аудио и текста.
С чего начать проект машинного обучения?
Приведённые вопросы — не стандарт со ссылкой на источник, а контрольный список перед началом проекта:
- Ясен ли бизнес-вопрос? Нужно выбрать измеримый вопрос, например «каким будет объём заказов в следующем месяце?» или «содержит ли эта запись ошибку?».
- Есть ли исторические данные? Для обучения с учителем нужно достаточно примеров с известными правильными ответами.
- Как будет измеряться успех? Заранее определите показатель, по которому модель сравнивается с текущим методом (например, с ручной оценкой).
- Что будет при ошибке? Если неверный прогноз обходится дорого, результат следует использовать как рекомендацию, а не решение, оставляя последнее слово за человеком.
Итог: как компании подготовиться к машинному обучению?
Машинное обучение — метод ИИ, который извлекает правило из данных; в компаниях его чаще всего применяют для прогнозирования, классификации и группировки. В Турции его используют реже, чем в ЕС, и в основном крупные предприятия. Правильный старт — чёткий бизнес-вопрос и надёжные исторические данные. Чтобы оценить, подходит ли машинное обучение вашим процессам, свяжитесь с нами через страницу контактов.
Эта статья носит общий информационный характер. Google является товарным знаком соответствующего владельца.
#interimmanagement #forwarddeployedengineering