ММООЗЗГГ.ru

Разбор

LLM в машинном обучении: что это и как она связана с ML и NLP

7 мин8 источников

LLM в машинном обучении это большие нейросети для работы с текстом: частный случай глубокого обучения внутри задач NLP. Архитектура трансформер, на которой они построены, описана в статье 12 июня 2017 года. Ниже схема вложенности, разница подходов и примеры задач: что поручить LLM, а что обычной модели ML.

На странице · 6 разделов

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 обучение»: программа находит правила в данных сама. Внутри машинного обучения «Глубокое обучение»: нейросети из многих слоев. Внутри глубокого обучения «LLM»: большие языковые модели на архитектуре трансформер.

Отдельный овал «NLP: работа с языком» пересекает машинное и глубокое обучение и целиком содержит LLM. Часть задач NLP решают без нейросетей: письма раскладывают по темам логистической регрессией, 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.

Искусственный интеллектМашинное обучениеГлубокое обучениеLLMNLP:работас языком
Где LLM в искусственном интеллекте

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 бустинг 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: классификация 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 токен, 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 модели 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 знаний: 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 модель 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.

Вопросы и ответы

LLM это машинное обучение?

Да. LLM относится к глубокому обучению, а глубокое обучение входит в машинное обучение. Модель учится на примерах текста, как любая модель ML. Отличие в масштабе и в том, что одна модель решает много разных задач с текстом.

Что выбрать для прогноза продаж: LLM или ML?

Модель ML на временных рядах: экспоненциальное сглаживание, ARIMA или градиентный бустинг по истории продаж. Она работает с числами напрямую, показывает влияние признаков и не требует видеокарты. LLM пригодится рядом: собрать данные из писем и отчетов или пересказать прогноз руководителю словами.

Чем LLM отличается от NLP?

NLP это область задач с текстом и речью, а LLM один из способов их решать. Часть задач NLP закрывают без нейросетей: учебник Jurafsky и Martin в черновике 3-го издания 2026 года разбирает N-граммные модели и логистическую регрессию для классификации текста. Поэтому любая LLM относится к NLP, но не каждая задача NLP требует LLM.

Почему языковую модель называют большой?

Из-за числа параметров и широты задач. Национальная стратегия развития ИИ в редакции 2024 года относит к большим фундаментальным моделям те, что содержат не менее 1 млрд параметров и применяются для большого количества разных задач. Модель ML для прогноза спроса или скоринга решает одну задачу, под которую ее обучили.

Можно ли запустить LLM на своем сервере?

Да, если есть видеокарты; другой путь это облачная модель с оплатой каждого токена. Свой сервер выбирают, когда в текстах есть персональные данные клиентов: по 152-ФЗ передавать их в облачную модель за рубежом без условий закона нельзя. Модели ML для таблиц видеокарта не нужна, ее переобучают на обычном сервере.

Источники и проверка

Проверено редакцией 16 октября 2026.

  1. arXiv, 12 июня 2017 (arxiv.org)
  2. Указ Президента РФ № 124, 15 февраля 2024 (pravo.ppt.ru)
  3. Carnegie Mellon University, страница книги, 1997 (cs.cmu.edu)
  4. Nature, копия на сайте Университета Торонто, май 2015 (cs.toronto.edu)
  5. Stanford University, 19 августа 2026 (web.stanford.edu)
  6. arXiv, 11 октября 2018 (arxiv.org)
  7. arXiv, 9 марта 2016 (arxiv.org)
  8. OTexts, май 2021 (otexts.com)

Нашли ошибку? Напишите нам

Публикации

Как создать чат-бот в Максе: инструкция для компании

Чтобы создать чат-бот в Максе, компании нужно пройти четыре шага на платформе MAX для партнеров: проверить профиль организации через Госуслуги, заполнить карточку бота, дождаться модерации до 48 часов по рабочим дням и собрать сценарий в конструкторе или своим кодом. Ниже каждый шаг по документации MAX, проверенной 16 октября 2026 года, а также как связать бота с сайтом, CRM и командой и на чем бо

ИнструкцияИТСредний11 мин
Написать в Telegram