Что такое машинное обучение — и почему никто не писал правило «это кот»

Смотри, вот что тут неожиданно. Обычную программу человек пишет правилами: «если в письме слово „выигрыш“ — в спам». А теперь вопрос: как написать правило, которое отличает кота от собаки на фото? Попробуй — и застрянешь на первой же строчке. Уши? У собак тоже бывают острые. Усы? Не всегда видно.

Так вот: правило «это кот» никто не писал. Машина вывела его сама, посмотрев на тысячи фотографий. И самое странное — показать пальцем, где именно внутри спрятано «кот», не может даже тот, кто её обучал. Через пару минут поймёшь, как так вышло.

Что это такое — код, который учится на примерах

Машинное обучение (machine learning, ML) — это способ решать задачи не правилами, а примерами.

Сравни два подхода:

• Обычная программа: человек пишет правила → программа применяет их к данным → получается ответ.
• Машинное обучение: человек даёт данные и ответы → программа сама находит правила → эти правила применяются к новым данным.

То есть мы переворачиваем стрелку. Раньше правила были на входе. Теперь они — результат. Ты показываешь системе 10 000 писем, размеченных «спам / не спам», и она сама вычисляет, какие признаки выдают спам. Никто не садится и не пишет список слов вручную.

Это и есть «обучение» в названии: не зубрёжка, а поиск закономерности в примерах.

Как это работает — примеры вместо правил

Разберём на игрушечном случае. Хотим научить систему предсказывать цену квартиры.

1. Собираем примеры. Тысячи квартир: площадь, этаж, район — и реальная цена, за которую их продали. Это твои «правильные ответы».
2. Модель угадывает. В начале она тычет пальцем в небо: называет цену наугад и промахивается.
3. Считаем ошибку. Насколько промахнулась? На миллион? Ок, запоминаем.
4. Подкручиваем. Модель чуть-чуть меняет свои внутренние настройки, чтобы в следующий раз ошибиться меньше. И повторяет шаги 2–4 миллионы раз.

Постепенно ошибка падает. В какой-то момент модель уже прилично угадывает цену квартир, которых не видела. Она не запомнила ответы — она нашла закономерность: «больше площадь — дороже, дальше от центра — дешевле» и десятки более тонких связей, которые человек словами и не опишет.

Именно так устроена нейросеть: те самые «внутренние настройки» — это её веса, и подкручивание их на примерах и есть обучение. А когда таких настроек миллиарды, а примеров — весь интернет, получается большая языковая модель вроде ChatGPT.

Почему это важно тебе

Казалось бы — теория. Но эта штука объясняет три вещи, о которые новички спотыкаются.

Первое: почему ИИ иногда ошибается уверенно. Модель не «знает» правильный ответ — она нашла закономерность в примерах. Если в примерах был перекос, будет перекос и в ответах. Мусор на входе → мусор на выходе.

Второе: почему «дай больше данных» реально работает. Больше хороших примеров — точнее закономерность. Это не магия и не маркетинг: качество ML напрямую растёт от качества и количества данных, на которых училась модель.

Третье: чем ML отличается от обычного кода, который ты пишешь с ИИ. Когда ты вайб-кодишь сайт — это обычные правила, просто их пишет за тебя ассистент. А вот сам ассистент внутри — это ML. Полезно чувствовать границу: где детерминированный код, а где «обученная угадайка».

Где ты уже это встречал

Спойлер: везде.

• Лента рекомендаций в соцсети — ML предсказывает, что тебя задержит.
• Автодополнение в клавиатуре — предсказывает следующее слово.
• Распознавание лица в телефоне, фильтр спама, перевод, голосовой ввод.
• Каждый ответ ChatGPT — это ML в момент инференса, то есть предсказание следующего кусочка текста.

Ни одну из этих штук не «запрограммировали» правилами в лоб. Все они выучились на примерах.

Машинное обучение — это то же, что искусственный интеллект?

Нет, ML — это часть ИИ, самая рабочая на сегодня. «Искусственный интеллект» — широкий зонтик (сюда попадали и старые системы на жёстких правилах). Машинное обучение — конкретный подход внутри: учиться на данных. Почти всё, что сейчас называют «ИИ», — это именно ML.

Мне нужна математика, чтобы это использовать?

Чтобы строить модели с нуля — да, пригодится. Чтобы пользоваться готовыми (звать модель через API, собирать приложение с ИИ) — нет. Ты работаешь с обученной моделью как с чёрным ящиком: даёшь вход, получаешь ответ. Понимать идею полезно, выводить формулы — не обязательно.

Машинное обучение и глубокое обучение — это разное?

Глубокое обучение (deep learning) — это подвид машинного обучения, где закономерности ищет нейросеть с многими слоями. Всё глубокое обучение — это ML, но не всё ML — глубокое: бывают и простые модели без нейросетей. Просто именно глубокие сети дали рывок последних лет — на них держатся распознавание картинок и языковые модели.