Схема: ИИ, машинное обучение, глубокое обучение, NLP, LLM
Пять понятий вложены друг в друга, схема ниже показывает как. Внешний круг «Искусственный интеллект»: все способы научить компьютер задачам, которые раньше решал только человек, включая правила, написанные вручную.
Внутри него круг «Машинное обучениемашинное обучение. Машинное обучение (machine learning, ML) это раздел ИИ, в котором программа находит правила в данных сама, а не получает их готовыми от разработчика.»: программа находит правила в данных сама. Внутри машинного обучения «Глубокое обучение»: нейросети из многих слоев. Внутри глубокого обучения «LLMбольшая языковая модель. Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу.»: большие языковые модели на архитектуре трансформер.
Отдельный овал «NLPобработка естественного языка. Обработка естественного языка (natural language processing, NLP) это раздел ИИ, который учит компьютеры понимать, анализировать и создавать человеческий текст.: работа с языком» пересекает машинное и глубокое обучение и целиком содержит LLM. Часть задач NLP решают без нейросетей: письма раскладывают по темам логистической регрессиейрегрессия. Регрессия это задача машинного обучения, в которой модель предсказывает число: цену, спрос, срок доставки или расход топлива., а даты и телефоны находят в тексте простыми правилами. Поэтому овал выходит за круг глубокого обучения.
Отсюда короткий ответ: LLM это глубокое обучение, примененное к языку в большом масштабе. Любая LLM относится к NLP, но NLP намного шире LLM.
Машинное обучение: модель учится на примерах
Машинное обучение (ML) отличается от обычной программы тем, что правила не пишут вручную. Том Митчелл в учебнике 1997 года определил его как изучение алгоритмов, которые сами становятся точнее с опытом.
На практике опыт это ваши данные с ответами: история продаж, заявки с пометкой «клиент ушел» или «остался», платежи с пометкой «просрочен». Модель находит в них закономерности и применяет к новым случаям.
Обучение идет так: часть данных откладывают, модель учат на остальных и проверяют на отложенных. Если на проверке ошибок заметно больше, чем на обучении, модель запомнила примеры, а не нашла закономерность.
Для таблиц с числами часто берут градиентный бустингградиентный бустинг. Градиентный бустинг это метод машинного обучения, который строит много небольших деревьев решений одно за другим, и каждое новое дерево исправляет ошибки уже построенных. деревьев решений. Chen и Guestrin в 2016 году описали библиотеку XGBoost: бустинг деревьев широко используют специалисты по данным, а система обрабатывает миллиарды примеров на скромных ресурсах.
Такая модель решает одну задачу, под которую ее обучили. Прогноз спроса не напишет письмо, а классификатор заявок не спрогнозирует спрос.
NLP: задачи с текстом и речью
NLP (обработка естественного языка) это раздел ИИ о текстах и речи: классификацияклассификация. Классификация это задача машинного обучения, в которой модель относит объект к одному из заранее известных классов: спам или не спам, жалоба или вопрос, брак или норма. писем, извлечение реквизитов, перевод, пересказ, ответы на вопросы, распознавание и синтез речи.
Задолго до LLM эти задачи решали классическими методами. Учебник Jurafsky и Martin «Speech and Language Processing» в черновике 3-го издания от августа 2026 года по-прежнему разбирает N-граммные языковые модели и логистическую регрессию для классификации текста рядом с трансформерами.
Потом пришли нейросети. В 2018 году модель BERT предобучили на неразмеченных текстах, а под конкретную задачу дообучали, добавив один выходной слой; так она обновила рекорды на 11 задачах NLP.
Поэтому NLP на схеме не совпадает ни с одним кругом. В нем есть и классические методы, и глубокое обучение, и LLM.
LLM: одна модель на много задач
LLM учат на огромном массиве текстов предсказывать следующий токентокен. Токен это кусочек текста: слово, часть слова или знак, с которыми работает языковая модель., кусочек текста. Из этой одной задачи вырастает умение переводить, пересказывать, классифицировать и писать код. Задачу ставят словами в запросе, отдельная модель под каждую задачу не нужна.
Так их описывает и Национальная стратегия развития ИИ в редакции Указа Президента от февраля 2024 года. Большие фундаментальные моделибазовая модель. Базовая модель (foundation model) это большая нейросеть, обученная на огромном объеме общих данных, которую потом приспосабливают к множеству конкретных задач. в ней это модели, «содержащие не менее 1 млрд» параметров и «применяемые для выполнения большого количества различных задач».
Отличие от BERT в том, что LLM пишет текст сама, а не только размечает чужой. Как модель доходит от вопроса до ответа, по шагам разобрано на странице о том, как работает языковая модель.
У универсальности есть цена. LLM нужны видеокарты или оплата каждого токена, и она может уверенно ошибиться. Поэтому ее берут там, где без понимания свободного текста задачу не решить.
Для компании это значит: один сервис закрывает письма, договоры и чат с клиентами. Но качество каждой задачи проверяют отдельно, на своих примерах и до запуска.
Когда хватит обычной модели ML
Если данные лежат в таблице, а ответ это число или класс, обычной модели ML обычно достаточно. Прогноз спроса, вероятность ухода клиента, риск просрочки платежа, поломка станка по датчикам: это задачи предиктивной аналитики.
Для прогноза по времени есть проверенные методы. Учебник Hyndman и Athanasopoulos «Forecasting: Principles and Practice» (3-е издание, 2021, открыт онлайн) разбирает экспоненциальное сглаживание, модели ARIMA и регрессию.
Такая модель работает с числами напрямую, по ней видно, какие признаки повлияли на прогноз, и ей не нужна видеокарта. Переобучить ее на свежих данных можно на обычном сервере.
LLM нужна, когда вход или выход это свободный текст: письма, договоры, звонки, ответы клиентам. LeCun, Bengio и Hinton в обзоре 2015 года объясняют, почему здесь сильнее глубокое обучение: классическим методам нужен придуманный вручную набор признаков, а многослойная сеть выделяет признаки из сырых данных сама.
Примеры задач: что чем решать
Прогноз продаж на квартал по истории продаж: модель ML на временных рядах. LLM здесь не нужна.
Разбор входящих писем по отделам: при большом архиве размеченных писем подойдет классификатор ML. Если архива нет, LLM разложит письма по описанию категорий в запросе.
Извлечение реквизитов из счетов и договоров в разных форматах: LLM, а результат проверяют правилами, например контрольной суммой ИНН.
Ответы клиентам по базе знанийбаза знаний для ИИ. База знаний для ИИ это отобранные и подготовленные документы компании, по которым ИИ-ассистент ищет ответы: регламенты, инструкции, каталог, ответы на частые вопросы.: LLM с поиском по вашим документам, то есть RAG. Скоринг клиента по анкете и истории платежей: модель ML, ее решение проще объяснить проверяющему.
Часто подходы сочетают: LLM достает данные из писем и договоров, а модель ML считает по ним прогноз. Если в текстах есть персональные данные клиентов, действует 152-ФЗ: передавать их в облачную модельоблачная модель. Облачная модель это нейросеть, которая работает на серверах поставщика, а вы пользуетесь ею через сайт, приложение или API и платите за объем запросов. за рубежом без условий закона нельзя, и модель ставят на свой сервер. Подробнее о законе и данных.
Другие термины этой темы собраны в словаре в разделе о языковых моделях. Как компании применяют LLM в продажах, поддержке и документах, разобрано на странице о LLM для бизнеса.