ИИ, машинное обучение и глубокое обучение: в чём разница

Короткий ответ: это матрёшка

Три термина не конкурируют, а вкладываются друг в друга:

Искусственный интеллект (AI)
└── Машинное обучение (ML)
    └── Глубокое обучение (Deep Learning)
        └── Большие языковые модели (LLM) и другие генеративные модели

• ИИ — любая система, которая выполняет задачи, требующие «интеллекта»: распознавать, решать, планировать, понимать язык.
• Машинное обучение — способ строить ИИ, при котором правила не пишут вручную, а модель учится на данных.
• Глубокое обучение — вид машинного обучения на многослойных нейронных сетях, которые сами находят нужные признаки в сырых данных.

Любое глубокое обучение — это машинное обучение, и любое машинное обучение — это ИИ. Обратное неверно.

Искусственный интеллект: вся область

ИИ — зонтичный термин. Сюда относятся и очень простые системы, где никто ничего не «обучал».

Пример: бот, который по ключевому слову «доставка» отвечает заранее написанным текстом. Логику полностью задал программист правилами «если — то». Это ИИ в широком смысле, но не машинное обучение.

Такие экспертные системы и системы на правилах до сих пор полезны там, где логика прозрачна и меняется редко: проверка заявок по чек-листу, простая маршрутизация обращений.

Машинное обучение: правила из данных

В машинном обучении вы даёте модели примеры и правильные ответы, а она сама находит закономерности.

Пример: скоринг заявок. Вместо того чтобы вручную придумывать правила, модель обучают на истории: какие клиенты в прошлом оплатили, а какие нет. Дальше она оценивает новые заявки.

Типичные задачи классического ML:

• прогноз спроса и продаж;
• выявление мошеннических транзакций;
• сегментация клиентов;
• рекомендации товаров.

Часто здесь работают с табличными данными, а важные признаки (возраст клиента, сумма чека, частота покупок) подбирают люди. Алгоритмы — линейные модели, деревья решений, градиентный бустинг.

Глубокое обучение: нейросети на сырых данных

Глубокое обучение использует нейронные сети из многих слоёв. Ключевое отличие — модель сама извлекает признаки из «сырых» данных: пикселей, звука, текста.

Пример: распознавание товара на фото. Не нужно описывать, как выглядит «кроссовок» — сеть учится на множестве размеченных изображений и сама выделяет контуры, формы и детали.

Где глубокое обучение особенно сильно:

• изображения и видео (распознавание, OCR документов);
• речь (расшифровка звонков, синтез голоса);
• текст (перевод, анализ, генерация).

Цена этого — потребность в большом объёме данных и вычислительных ресурсах (часто GPU), а также меньшая прозрачность: объяснить, почему сеть приняла решение, сложнее.

Где здесь LLM

Большие языковые модели (ChatGPT, Claude, Gemini и другие) — это глубокое обучение: огромные нейросети архитектуры Transformer, обученные на текстах. Они же относятся к генеративному ИИ — моделям, которые создают новый контент.

Важное следствие для бизнеса: раньше под каждую задачу обучали отдельную модель, а LLM — универсальная модель, которую можно направить на разные задачи промптом, без обучения с нуля.

Сравнение в одной таблице

Как выбрать подход для задачи

• Логика простая и стабильная — правила дешевле и надёжнее.
• Есть история в таблицах и нужен прогноз — классическое ML.
• Работа с текстом, изображениями, речью — глубокое обучение, часто готовые модели или LLM через API.

Не стоит брать нейросеть там, где хватает трёх условий в коде.