Нейросети под задачу, а не под модную архитектуру

Нейросеть — один из видов моделей машинного обучения; она учится сама выделять признаки из сырых данных, тогда как классические модели работают с признаками, которые подготовил человек. Это преимущество там, где признаки выделить руками трудно: изображения, текст, звук, видео. На табличных данных — сделки, заказы, отток — градиентный бустинг часто не хуже при меньших затратах, и мы начинаем сравнение с него.

Не всегда, и мы говорим об этом прямо. Нейросеть оправдана, когда данные неструктурированные (фото, видео, текст, речь), когда признаков слишком много и их трудно сформулировать, или когда нужна генерация. Если у вас табличные данные и задача — прогноз или скоринг, сначала проверяем бустинг: он быстрее, дешевле и объяснимее. Иногда правильный ответ — вообще правила, а не модель.

Зависит от задачи и от того, обучаем ли мы с нуля или дообучаем готовую модель. При дообучении для классификации изображений обычно начинают от нескольких сотен примеров на класс, для текста — от нескольких тысяч размеченных примеров, для речи — от десятков часов аудио. Обучение с нуля требует на порядки больше. Важнее объёма — разнообразие и качество разметки, поэтому точный ответ даём после просмотра ваших данных.

Пилот — от 300 000 ₽: аудит данных, дообучение модели, сравнение с текущим правилом и оценка стоимости внедрения. Стоимость продакшена считаем после пилота, потому что она зависит от объёма предсказаний, числа интеграций и контура размещения. Отдельно считаем стоимость инференса: это постоянные расходы, которые важно понимать до запуска, а не после.

Аудит данных и постановка задачи — 1–2 недели. Пилот на ваших данных — 2–4 недели. Продакшен с интеграциями и мониторингом — 6–12 недель от аудита. Обучение с нуля вместо дообучения добавляет заметное время: нужны разметка и эксперименты. Основной источник задержек — не модель, а готовность данных и скорость согласований.

Часто это правильный выбор, и мы его предлагаем. Готовый API быстрее и дешевле на старте, если задача стандартная, объёмы небольшие и данные можно отправлять наружу. Своя модель нужна, когда есть требования к конфиденциальности, когда задача специфична для вашего домена, когда объёмы вызовов делают оплату за каждый вызов дороже своей инфраструктуры или когда нужна независимость от внешнего поставщика.

Оба варианта возможны. Облако быстрее на старте и не требует оборудования: GPU арендуется почасово под обучение. Ваш контур нужен при требованиях к конфиденциальности, работе с персональными данными по 152-ФЗ или при стабильно высоком объёме предсказаний, когда аренда перестаёт окупаться. Решение принимаем на этапе архитектуры вместе с вами.

Вам. Данные остаются вашими и не используются в других проектах. Код обучения и инференса, веса модели, документация и регламент переобучения передаются вам. Если базовая модель была под открытой лицензией, передаём и сведения о лицензии, чтобы не было юридических сюрпризов.

Качество падает всегда: меняются данные, ассортимент, поведение клиентов, условия съёмки. Поэтому в продакшене сразу живут мониторинг дрейфа, алерты по метрикам и откат на предыдущую версию. Переобучение идёт по расписанию или по триггеру — это часть эксплуатации, а не аварийная работа.

Частично. Существуют методы, показывающие, на что смотрела модель: карты внимания для изображений, вклад признаков для текста. Но полной прозрачности, как у дерева решений, не будет. Там, где решение нужно обосновывать перед клиентом или регулятором, мы либо выбираем объяснимые модели, либо строим процесс так, что финальное решение принимает человек.

Для запуска — нет: мы делаем работу целиком и передаём документацию с обучением команды. Но для долгой эксплуатации нужен человек, который понимает, как проверять качество и когда пора переобучать. Это может быть ваш аналитик или IT-специалист — мы обучаем его в рамках проекта. Если такого человека нет и не планируется, имеет смысл взять сопровождение.

Начинаем с технического аудита: воспроизводится ли обучение, зафиксированы ли версии данных и весов, как считается качество, есть ли мониторинг, соответствует ли стоимость инференса нагрузке. По результатам говорим честно — дорабатывать или переобучать. Иногда дешевле доработать существующую модель, и мы так и скажем.