{{ m.label }} {{ m.count }} ›

ML Глоссарий Достоверность данных Этика и право Найти термин

Обновлено в августе 2026

Искусственный интеллект

Карта области, ландшафт компаний и моделей, разбор индустрий и глоссарий со схемами — одной страницей, с поиском по всей базе.

Открыть карту области Ландшафт и компании

⌕

КАРТА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Структура области целиком

Тринадцать веток — от определений и математики до этики, безопасности и продакшена. Раскройте карточку, чтобы увидеть понятия.

{{ b.title }} {{ b.sub }} {{ b.meta }} ›

Ландшафт

Четыре среза одной области

Направления — чем ИИ занимается. Модальности — с какими данными работает. Компании и модели — кто это делает. Индустрии — где это приносит деньги.

{{ co.n }} {{ co.flagTxt }} {{ co.meta }} ›

{{ ind.tag }} {{ ind.n }} {{ ind.teaser }} ›

Особенности

Кто на рынке

Что тормозит

Машинное обучение

Машинное обучение (ML)

Правило буравчика не изменилось: сложнее данные — сложнее алгоритм. Ниже — что из этого до сих пор в продакшене, что нишевое, а что появилось только с 2018 года.

01 · Что во что вложено

Каждое кольцо — подмножество предыдущего. Годы — момент, когда направление стало практически заметным.

02 · Перевёрнутая логика

Правила не пишет человек — их извлекает алгоритм из пар «вход — правильный ответ».

Сверху — классическое программирование. Снизу — машинное обучение: правила на выходе, а не на входе.

Чтобы это заработало, нужны три вещи. Порядок важности именно такой, а не обратный: самый изощрённый алгоритм не спасёт плохие данные.

Данные

Десятки тысяч примеров — минимум для отчаянных. Хорошие датасеты компании раскрывают куда реже, чем алгоритмы.

Признаки

То, на что модель смотрит. В таблицах это колонки, в глубоком обучении признаки выучиваются сами — в этом весь его смысл.

Алгоритм

Влияет на точность, скорость и размер модели. Влияет заметно меньше, чем качество первых двух пунктов.

→{{ ex }}

Прикладные области

Ветви карты — это методы. Области ниже — это задачи: каждая собирает методы из разных ветвей, поэтому не помещается в дерево. Четыре разобраны подробно — вокруг них больше всего путаницы в терминах.

Обработка языка

Слова превращаются в векторы: расстояние в пространстве отражает близость смысла.

Семантическое пространство

кошка собака лошадь Москва Париж Токио бежать идти плыть

животные города действия

Близость точек — близость смысла

Один трансформер решает перевод, суммаризацию и классификацию как частные случаи продолжения текста.

Компьютерное зрение

Лестница всё более точных вопросов к изображению: класс → рамки → пиксели → объекты.

люди

Классификация

что на снимке

Детекция

где объекты

Сегментация

класс пикселя

Экземпляры

разделяет объекты

Мультимодальные модели сняли привязку к фиксированному списку классов.

Символьный ИИ

Знание записано явно, а вывод строгий — путь получения нового факта можно предъявить.

Сократ

→

Человек

→

Смертное

↓

Машина вывода

если A→B и B→C, то A→C

↓

Сократ смертен

Живёт в графах знаний, решателях, верификации и вызове инструментов языковыми моделями.

Этика и безопасность

Риски делят по источнику — третью группу нельзя починить технически: она возникает не из-за ошибки, а из-за успеха.

Техническое ядро проблемы — мы не умеем точно записывать, чего хотим.

Остальная карта применений

Направления ниже не помещаются в дерево методов, потому что каждое собирает методы сразу из нескольких ветвей. Смотреть на них как на «подпункты нейросетей» неверно: у каждого свои данные, свои ограничения и своя экономика.

Примеры

Как выбирать

Правило буравчика не изменилось с 2018 года: сложнее данные — сложнее алгоритм. Всё остальное — уточнения к нему.

Выбор метода почти никогда не начинается с метода. Он начинается с того, что у вас на руках: есть ли разметка, сколько её, что это за данные и придётся ли объяснять каждое решение живому человеку. Четыре вопроса ниже отсекают лишнее за минуту.

да

↓ нет

Ансамбли: градиентный бустинг

дефолт для табличных задач, если ни один вопрос выше не сработал

Читается сверху вниз. Первый вопрос, на который вы ответили «да», и есть ваша ветвь.

Что стоит за каждой развилкой

{{ f.name }} {{ f.desc }} {{ f.avoid }}

Цена вопроса

Столбец «типичная ошибка» важнее остальных: почти все провалы проектов происходят не от выбора не того алгоритма, а от игнорирования одного из этих пунктов.

{{ h }}
{{ row.branch }}	{{ row.data }}	{{ row.n }}	{{ row.expl }}	{{ row.cost }}	{{ row.mistake }}

Порядок действий

Этот порядок экономит больше времени, чем любой выбор алгоритма. Пункты 1 и 2 пропускают чаще всего — и именно на них потом рассыпаются проекты.

{{ st.n }}

Главное правило поверх всех остальных: данные важнее алгоритма. Если данные плохие, лучший метод не поможет — соберите больше данных вместо того, чтобы гнаться за процентами. Восемь лет масштабирования моделей это только подтвердили.

Частые ошибки

{{ m.t }} {{ m.d }}

Этика и право

Этика и безопасность при работе с AI

Правовой контур работы с ИИ в России и требования внутренней AI Security Policy — рядом, строка к строке.

Публичный AI = внешний контрагент

Не отправляй в AI ничего, что ты не имел бы права передать неизвестной внешней компании.

Проверка перед промптом: персональные данные, тайна клиента, внутренние финансы и незапущенные продукты остаются внутри контура.

Что требует закон

Что требует AI Security Policy

Нельзя → внешний AI

Можно → внешний AI

Мелким шрифтом

О достоверности данных

Раздел с моделями собран веб-поиском в августе 2026 и устаревает за недели: версии, цены и статусы меняются быстрее любой статичной страницы. Рыночные оценки агентств расходятся в разы — это разные периметры счёта, а не ошибка.

Понятия, архитектуры и структура области меняются медленно — этой части можно доверять дольше.