Машинное обучение (machine learning, ML) — это способ создавать программы, которые находят закономерности в исторических данных и по ним делают прогноз или выбирают решение для новой записи. Разработчик не прописывает правила вручную: он готовит примеры, а алгоритм выводит правила сам. Готовый результат такого обучения называют моделью: она принимает на вход данные одной записи и возвращает ответ — число, категорию или список рекомендаций. Например, модель смотрит на сотни закрытых обращений и по тексту нового письма подсказывает, в какую группу его направить и какой приоритет поставить.
Ниже разобрано, как ML связано с искусственным интеллектом и нейросетями, из каких этапов состоит работа модели, какие бывают виды и методы обучения, где технология применяется в бизнесе и какие у подхода ограничения.
Что такое машинное обучение простыми словами
Обычная программа работает по правилам, которые человек записал заранее: если сумма заказа больше миллиона, отправить сделку на согласование. Машинное обучение устроено иначе. Алгоритму показывают массив прошлых случаев с известным исходом, он ищет в них устойчивые зависимости и превращает их в модель. Дальше модель применяется к новым записям, о которых исход еще неизвестен.
В основе лежат три понятия. Обучающая выборка — набор прошлых примеров, на которых учится модель. Признаки — характеристики записи, по которым модель делает вывод: сумма сделки, отрасль клиента, источник заявки, число обращений за год. Целевая переменная — то, что нужно предсказать: факт покупки, сумма, категория обращения.
Понятный пример — оценка заявок. У компании накопилось десять тысяч заявок, по каждой известно, дошла она до сделки или нет. Модель обучается на этих данных и начинает оценивать новые заявки: у одних вероятность покупки высокая, у других низкая. Менеджер видит оценку прямо в карточке и сначала берет в работу те, где шанс выше.
Отсюда практический смысл технологии: машинное обучение подходит там, где решение зависит от множества факторов сразу и эти факторы сложно описать списком условий. Если правило умещается в пару строк регламента, ML не нужен — достаточно обычной автоматизации.
Как ML связано с искусственным интеллектом и нейросетями
Четыре термина часто используют как синонимы, хотя они описывают разные уровни вложенности: искусственный интеллект — самое широкое понятие, машинное обучение входит в него, нейросети — инструмент машинного обучения, глубокое обучение — работа с многослойными нейросетями.
Искусственный интеллект и машинное обучение
Искусственный интеллект (ИИ, AI) — общее направление, которое занимается программами для задач, привычно требующих человеческого мышления: распознавание речи, перевод, планирование, ответы на вопросы. Часть таких систем построена на жестких правилах, часть — на обучении по данным.
Машинное обучение — второй случай: система улучшает результат по мере накопления примеров. Все ML-решения относятся к искусственному интеллекту, обратное неверно — калькулятор скидок с двумя сотнями прописанных условий тоже считается ИИ-системой, хотя ничему не учится.
Нейронные сети
Нейронная сеть — математическая модель из связанных вычислительных элементов, сгруппированных в слои. Каждый элемент получает числа, взвешивает их и передает результат дальше, а при обучении веса связей подбираются так, чтобы ответы сети совпадали с известными правильными.
Это один из инструментов машинного обучения, наравне с деревьями решений и регрессией. Нейросеть хорошо работает там, где данные плохо раскладываются на таблицу: изображения, звук, длинные тексты. На истории сделок простые методы часто дают сопоставимый результат и требуют меньше данных.
Глубокое обучение
Глубокое обучение (deep learning) — раздел машинного обучения с нейросетями из большого числа слоев. Такие модели сами выделяют признаки из сырых данных: сети не объясняют, что на фотографии документа есть печать и подпись, она выводит нужные характеристики из примеров.
Плата за это — объем данных и вычислительных мощностей, а логику решения такой модели сложнее объяснить проверяющему. Большие языковые модели (LLM), которые разбирают и генерируют текст, тоже относятся к глубокому обучению.
| Термин | Простое определение | Связь с ML | Пример |
|---|---|---|---|
| Искусственный интеллект | Направление, которое создает программы для задач, требующих мышления | Общее понятие, ML входит в него одним из подходов | Голосовой помощник, маршрутизация обращений |
| Машинное обучение | Построение моделей, которые выводят правила из примеров | Подход внутри ИИ, основанный на обучении по данным | Оценка вероятности сделки по истории продаж |
| Нейронная сеть | Модель из слоев связанных вычислительных элементов | Один из инструментов машинного обучения | Распознавание текста на скане договора |
| Глубокое обучение | Обучение нейросетей с большим числом слоев | Раздел ML для неструктурированных данных | Разбор смысла письма клиента, генерация ответа |
Правило вложенности читается по таблице: глубокое обучение входит в работу с нейросетями, нейросети — в машинное обучение, машинное обучение — в искусственный интеллект. При выборе решения смотрят на тип данных: для таблиц с историей сделок подходят простые модели, для текста и изображений — нейросетевые.
Как работает машинное обучение
Работа модели устроена как цикл из пяти шагов: данные, подготовка, обучение, проверка, применение с контролем. Разберем цикл на одном сквозном примере — компания хочет заранее видеть клиентов, которые могут перестать покупать.
Сбор и подготовка данных
Сначала собирают историю: карточки клиентов, заказы за два-три года, обращения в поддержку, отметку о том, ушел клиент или остался. Из этой истории формируют признаки — частота заказов, средний чек, срок с последней покупки, число жалоб.
Дальше данные чистят: убирают дубли карточек, приводят справочники к единому виду, решают, что делать с пустыми полями. Этот этап обычно занимает большую часть времени проекта, и от него сильнее всего зависит результат. Если половина сделок заведена без источника и суммы, модель просто не увидит зависимость, которую вы рассчитывали найти.
Обучение модели
Подготовленную историю делят на две части. На обучающей выборке алгоритм подбирает правила: какие сочетания признаков чаще встречались у ушедших клиентов, какие — у оставшихся. Тестовую выборку откладывают и на этом шаге не показывают модели.
Обучение повторяют несколько раз с разными настройками и наборами признаков, а результат каждой попытки сравнивают по одной заранее выбранной метрике.
Проверка на новых данных
Обученную модель запускают на отложенной тестовой выборке — данных, которых она не видела. Так проверяют главное свойство: работает ли найденная зависимость за пределами обучающих примеров.
Модель, которая идеально отвечает на обучающих данных и ошибается на тестовых, считается переобученной: она запомнила частности вместо общих закономерностей. Такую модель упрощают, добавляют данных или меняют набор признаков.
Применение и контроль
Проверенную модель встраивают в рабочий процесс: оценка попадает в карточку клиента, в отчет или запускает задачу ответственному. Прогноз полезен ровно там, где сотрудник принимает решение, поэтому место встраивания выбирают вместе с бизнес-заказчиком.
После запуска качество отслеживают постоянно. Клиентская база, ассортимент и каналы продаж меняются, и зависимости, найденные на прошлогодней истории, со временем перестают работать. Модель периодически переобучают на свежих данных, а результаты сравнивают с тем, как процесс шел до внедрения.
Практический вывод по циклу: проверку начинают с вопроса, есть ли в системе история с известным исходом за достаточный период. Без нее обучать нечего, каким бы удачным ни был выбранный метод.
Основные виды машинного обучения
Виды машинного обучения различают по тому, что известно про обучающие данные: есть ли в них готовые правильные ответы и как модель получает обратную связь.
Обучение с учителем
В обучении с учителем (supervised learning) каждая запись истории размечена: известен исход, который модель должна научиться предсказывать. Для оценки заявок это отметка «сделка состоялась», для обращений — итоговая категория.
Это самый частый вариант в корпоративных задачах, потому что размеченная история обычно уже накоплена в учетных системах. Ограничение тоже понятное: если разметка сделана небрежно — обращения годами закрывали одной универсальной категорией, — модель повторит эту небрежность.
Обучение без учителя
В обучении без учителя (unsupervised learning) правильных ответов в данных нет. Алгоритм ищет структуру сам: группирует похожие записи, находит нетипичные значения, сжимает большое число признаков до нескольких значимых.
Типовая задача — сегментация клиентской базы, когда заранее неизвестно, какие группы в ней есть. Модель предложит разбиение, но смысл каждой группы определяет человек: алгоритм показывает границы сегментов и не объясняет, как с ними работать.
Обучение с подкреплением
Обучение с подкреплением (reinforcement learning) построено на пробах: модель совершает действие, получает оценку результата и корректирует поведение ради лучшего итога в длинной серии решений. Размеченная история для старта не нужна, нужна среда для безопасных экспериментов.
Подход применяют в управлении роботами, логистике и динамическом ценообразовании. В обычных CRM- и сервисных сценариях он встречается редко: эксперименты идут на живых клиентах, и цена ошибки высокая.
| Вид обучения | Какие данные нужны | Какую задачу решает | Пример |
|---|---|---|---|
| С учителем | История с известным исходом по каждой записи | Предсказать категорию или число для новой записи | Оценка вероятности сделки, прогноз суммы заказа |
| Без учителя | Данные без разметки, только признаки записей | Найти группы, структуру и нетипичные значения | Сегментация клиентской базы, поиск аномальных платежей |
| С подкреплением | Среда для проб с обратной связью по каждому шагу | Выбрать последовательность действий с лучшим итогом | Маршрутизация доставки, управление ценой в реальном времени |
Связь между строками простая: чем полнее размечена история, тем проще задача. Большинство бизнес-сценариев закрывается обучением с учителем, обучение без учителя подключают для разведки данных, обучение с подкреплением требует отдельной среды и команды.
Методы и алгоритмы машинного обучения
Методы машинного обучения различают по типу ответа модели и по устройству алгоритма. Формулы для выбора не нужны: достаточно понимать, какой метод под какую задачу подходит. Смежные термины из аналитики и автоматизации разобраны в глоссарии BPMSoft.
Регрессия и классификация
Классификация отвечает на вопрос, к какой категории отнести запись: заявка целевая или нет, обращение относится к биллингу или к технической поддержке. Ответ модели — метка категории, часто с вероятностью.
Регрессия предсказывает число: сумму следующего заказа, срок закрытия сделки, объем отгрузок на месяц. Оба метода относятся к обучению с учителем и требуют истории с известными значениями целевой колонки.
Деревья решений и ансамбли
Дерево решений разбивает выборку последовательными вопросами: если срок с последней покупки больше полугода и обращений за квартал больше трех, вероятность ухода высокая. Логику видно человеку, поэтому такие модели удобно обсуждать с бизнесом.
Одиночное дерево легко переобучается, поэтому на практике собирают ансамбли — десятки и сотни деревьев с усреднением результата. Градиентный бустинг, один из распространенных ансамблевых алгоритмов, хорошо работает на табличных данных CRM и учетных систем.
Кластеризация
Кластеризация группирует записи по похожести без заранее заданных категорий. Алгоритм считает расстояние между объектами по набору признаков и собирает близкие в один кластер: клиентов с частыми мелкими заказами отделяет от редких крупных.
Результат зависит от набора признаков на входе и числа заданных групп: две настройки дают два формально корректных разбиения. Поэтому кластеры всегда проверяют на осмысленность вместе с бизнес-подразделением.
Нейронные сети
Нейросети решают задачи, где связь между входом и ответом не описывается небольшим набором правил: текст, изображения, звук, распознавание документов, рекомендации на больших массивах поведения.
На типовой таблице с историей сделок нейросеть редко обходит ансамбль деревьев, при этом требует больше данных и сложнее в сопровождении. Выбор метода начинают с простого варианта и усложняют, когда простой перестает справляться.
| Метод | Тип задачи | Понятный пример |
|---|---|---|
| Классификация | Отнести запись к одной из категорий | Определить сервис и приоритет нового обращения |
| Регрессия | Предсказать числовое значение | Спрогнозировать сумму сделки или объем отгрузок |
| Деревья решений и ансамбли | Классификация и регрессия на табличных данных | Оценить вероятность перевода заявки в продажу |
| Кластеризация | Разбить записи на группы без разметки | Выделить сегменты клиентов по поведению |
| Рекомендательные алгоритмы | Подобрать подходящие объекты для клиента | Предложить товары, которые берут похожие заказчики |
| Нейронные сети | Работа с текстом, изображениями и звуком | Найти похожие обращения по смыслу описания |
Вывод по таблице: алгоритмы машинного обучения подбираются от задачи и типа данных. Сначала формулируется вопрос бизнеса и вид ответа — число, категория, группа или список, — и под него выбирается метод.
Где применяется машинное обучение
Примеры машинного обучения проще смотреть по сценариям: какие данные нужны на входе и что получает сотрудник на выходе. Ниже шесть направлений, которые встречаются чаще других.
Продажи и CRM
На входе — история сделок и заявок: источник, отрасль, сумма, этапы, активности менеджеров, итог. Модель оценивает вероятность закрытия и подсказывает, какой лид взять в работу первым.
Результат виден в приоритетах: менеджер начинает день с заявок, где шанс сделки выше, а руководитель получает прогноз выручки, собранный по истории сделок, рядом с экспертной оценкой. Оценка полезна как подсказка рядом с карточкой, решение остается за человеком.
Маркетинг
Здесь работают с историей покупок, откликов на рассылки и поведением на сайте. Модели сегментируют базу, предсказывают отклик на предложение и подбирают персональные рекомендации товаров.
На выходе — сегменты с разными предложениями вместо общей рассылки по всей базе. Обязательное условие — соблюдение правил обработки персональных данных и согласий на коммуникацию.
Клиентский сервис
Обращения приходят текстом из почты, чатов и портала. Модель разбирает описание, определяет тему и приоритет, направляет обращение нужной группе и подтягивает похожие случаи с готовыми решениями из истории.
Оператор экономит время на разборе и поиске аналогов, срок первой реакции становится предсказуемее. Часть обращений модель размечает с низкой уверенностью — такие случаи разбирают вручную.
Прогноз спроса
На входе — продажи по периодам, остатки, сезонность, промоакции и цены. Модель прогнозирует спрос на товар или категорию на несколько недель или месяцев вперед.
Прогноз попадает в планирование закупок и загрузку склада. При резких изменениях рынка точность падает, поэтому прогноз сопровождают сценариями и пересчитывают по мере поступления данных.
Документы и текст
Модели распознают сканы, извлекают из договоров и счетов нужные поля, находят похожие документы и пересказывают длинную переписку. Здесь работают нейросетевые методы и большие языковые модели.
Сотрудник получает заполненную карточку вместо ручного переноса реквизитов. Проверка человеком остается обязательной: в распознавании возможны ошибки, а юридически значимые поля требуют подтверждения.
Аномалии и риски
Поиск аномалий строится на обучении без учителя: модель знает, как выглядит обычное поведение, и отмечает непохожее. Так находят нетипичные платежи, всплески возвратов и подозрительные операции.
Результат — очередь сигналов для проверки контролером. Настройка порога здесь всегда компромисс: строгий порог дает много ложных сигналов, мягкий пропускает часть нарушений.
Общее в этих сценариях одно: применение машинного обучения дает пользу там, где решение повторяется сотни раз в месяц и опирается на историю. Разовые уникальные решения моделью не закрываются.
Как оценивают качество модели
Качество проверяют на тестовой выборке — части истории, которую модель при обучении не видела. Модель дает прогноз по этим записям, прогноз сравнивают с фактическим исходом и считают долю верных ответов и характер ошибок.
Ошибки бывают двух типов, и стоят они по-разному. Ошибочное срабатывание — модель отметила клиента как уходящего, хотя он остался: компания потратила лишнее внимание. Пропуск — модель не отметила клиента, который ушел: потеря заметно дороже. Порог срабатывания настраивают по цене каждой ошибки для конкретного процесса.
Техническая точность сама по себе ничего не говорит бизнесу, поэтому рядом всегда ставят бизнес-метрику. Для скоринга заявок это конверсия на входе воронки продаж, для сервиса — срок первой реакции и доля обращений, ушедших не в ту группу, для прогноза спроса — отклонение плана от факта и уровень остатков.
После запуска контроль продолжается. Раз в месяц или квартал сравнивают прогноз с фактом, смотрят, не выросла ли доля ошибок, и проверяют, изменился ли состав данных: новые каналы, новые продукты, новые сегменты клиентов. Ухудшение метрик — сигнал переобучить модель на свежей истории.
Как подготовить проект машинного обучения
Маршрут ML-проекта отличается от обычного внедрения одним свойством: результат заранее не гарантирован, пока данные не проверены. Поэтому проект собирают короткими шагами с ранней точкой отказа.
- Определить задачу. Сформулируйте решение, которое изменится после появления прогноза: какой сотрудник, в какой момент и что начнет делать иначе. Прогноз, который никто не использует в работе, ценности не создает.
- Выбрать метрику. Зафиксируйте одну бизнес-метрику и целевое изменение по ней. Метрика выбирается до старта, иначе результат пилота обсуждается на уровне впечатлений.
- Проверить данные. Посмотрите глубину истории, заполненность ключевых полей, дубли и качество разметки. На этом шаге чаще всего выясняется, что сначала нужен порядок в справочниках.
- Собрать команду. Нужны владелец процесса со стороны бизнеса, аналитик данных, специалист по системе, где живут данные, и представитель службы безопасности, если в выборке есть персональные данные.
- Запустить пилот. Возьмите один процесс, один сегмент и ограниченный срок. Пилот на всей компании сразу растягивает сроки и мешает понять, что именно сработало.
- Сравнить с текущим процессом. Сопоставьте результат с тем, как задача решалась до модели — экспертной оценкой, правилами или ручным разбором. Иногда простое правило дает почти тот же эффект дешевле.
- Настроить контроль. Назначьте ответственного за модель, периодичность переобучения и порог, при котором прогноз отключается и процесс возвращается к ручному режиму.
Практический вывод: первые две недели проекта тратятся на задачу, метрику и аудит данных. Если после аудита выясняется, что истории с известным исходом нет, проект останавливают и начинают со сбора данных — это дешевле, чем обучать модель на пустых полях.
Преимущества и ограничения ML
Машинное обучение решает задачи, которые трудно закрыть правилами, но у подхода есть цена и границы применимости. Взгляд на обе стороны экономит время на этапе выбора.
Что дает технология:
- Обработка больших объемов данных. Модель одинаково спокойно работает с тысячей и с миллионом записей, где ручной разбор невозможен.
- Поиск неочевидных закономерностей. Учитывается сочетание десятков факторов сразу, включая те, которые аналитик не проверял.
- Масштабирование прогноза. Оценка появляется по каждой записи автоматически, без выборочного ручного анализа.
- Персонализация. Предложения и рекомендации подбираются под поведение конкретного клиента: учитываются его покупки, отклики и обращения.
- Снижение рутины. Заполнение полей, маршрутизация и поиск похожих случаев переходят системе, сотрудник занимается спорными ситуациями.
Ограничения, которые нужно учесть до старта:
- Зависимость от качества данных. Пропуски, дубли и разная логика заполнения полей ухудшают прогноз сильнее, чем выбор алгоритма.
- Смещения в истории. Модель воспроизводит прошлые решения компании вместе с их перекосами: если раньше заявки из региона обрабатывались в последнюю очередь, модель закрепит это как норму.
- Переобучение. Модель запоминает частности обучающих данных и теряет точность на новых записях.
- Устаревание. Рынок, ассортимент и поведение клиентов меняются, и качество прогноза снижается без переобучения.
- Требования к персональным данным. Состав выборки, хранение и доступы согласовываются с юристами и службой безопасности до начала работ.
- Ограниченная объяснимость. Сложные модели плохо объясняют свое решение, что мешает в процессах, где нужна аргументация перед клиентом или регулятором.
- Контроль человека. Прогноз остается подсказкой, а ответственность за решение — за сотрудником и регламентом.
Из этого списка следует простое правило отбора задач: чем стабильнее процесс и чище история по нему, тем выше шанс получить рабочую модель. Процессы, которые меняются каждый квартал, сначала стабилизируют, а потом автоматизируют прогнозом.
Машинное обучение в CRM и BPM
В корпоративных системах ML закрывает пять прикладных сценариев: предиктивный скоринг лидов и продаж, прогноз оттока клиентов, сегментация базы, прогнозирование полей обращения с маршрутизацией по группам и поиск похожих обращений по смыслу текста. В CRM-платформе BPMSoft такие модели настраиваются в разделе «Модели машинного обучения», а результат прогноза выводится в карточку записи и запускает бизнес-процесс — например, задачу на удержание клиента с высокой степенью оттока. Подробные сценарии разобраны в отдельном материале про машинное обучение в CRM и BPM, а прогнозные показатели попадают в аналитику CRM наравне с обычными полями.
Чек-лист перед запуском ML-проекта
Девять вопросов ниже закрывают основные причины, по которым ML-проекты останавливаются после пилота. Ответ «нет» на любой из них — повод вернуться на шаг назад.
- Сформулировано, какое решение сотрудника изменит прогноз модели?
- Выбрана одна бизнес-метрика и зафиксировано ее текущее значение?
- Есть история с известным исходом за период, достаточный для обучения?
- Проверены заполненность ключевых полей, дубли и качество разметки?
- Назначен владелец модели со стороны бизнеса?
- Согласован состав данных с юристами и службой безопасности?
- Определены границы пилота: процесс, сегмент, срок и критерий успеха?
- Понятно, как результат сравнивается с текущим способом решения задачи?
- Назначены периодичность переобучения и порядок отключения прогноза?
Чек-лист не гарантирует точности модели, но снимает организационные риски: задачу без применения, метрику без базового значения и данные, которые нельзя использовать.