Машинное обучение

Машинное обучение в разговорах ToTheMoon почти никогда не является темой выпуска — это фон, к которому ведущие возвращаются, когда нужно отделить шумный «искусственный интеллект» от того, что давно работает в банках, ритейле и рекомендательных системах. Типичная реплика — напоминание, что за конкретной функцией стоит не ИИ, а машинное обучение и что классические модели никуда не делись с приходом больших языковых.

В ранних выпусках понятие возникает как маркер компетенции и как трезвая поправка. В выпуске 009 упоминали профессора с большим количеством трудов по машинному обучению и системы, у которых внутри огромный объём ML-функционала. В выпуске 030 про одну из функций Apple прямо говорили, что это не искусственный интеллект, а машинное обучение. В выпуске 051 обучение с подкреплением объясняли как вид машинного обучения, где агент получает вознаграждение за удачные действия, и отмечали, что в NLP и классическом ML вакансий много, а computer vision остаётся нишей.

В поздних выпусках ведущие настаивают, что ML-модели используются в больших системах с данными уже много лет — в продуктовых сетях, банках, кредитах — и спрашивают, действительно ли LLM приходят им на замену (выпуск 083). В выпуске 140 предполагали, что за конкретным сервисом работает не LLM уровня GPT-5.6, а модели детекции аномалий. В выпуске 108 машинное обучение называли одним из инструментов разбора расшифровок наряду с регулярками, а в выпуске 157 напоминали, что в data science и машинном обучении решают датасеты — данные, где ясно, что было на входе и что ожидается на выходе.