Канал Центра ИИ Сколтеха: новости, лекции, вакансии и мероприятия по теме ИИ от нас и партнёров.
🕸 https://new.skoltech.ru/center/ai
По всем вопросам 📇 @NadiaSch, @green_eyesl
Post #2561
363
🌫 Не всякой задаче нужен LLM: Иван Тюкин — о надёжном ИИ в финансах
Иван Тюкин, профессор, руководитель Лаборатории надёжного, адаптивного и доверительного искусственного интеллекта Центра ИИ Сколтеха, принял участие в Scoring Day 2026 — отраслевом форуме по скорингу, антифроду и применению искусственного интеллекта в финансах.
⚠️Иван выступил в панельной дискуссии «Передовые алгоритмы и ИИ-фреймворки для скоринга и антифрода». Участники обсуждали, как выбирать архитектуру под конкретную задачу: когда достаточно классического машинного обучения, а когда применение языковых моделей или агентных систем действительно даёт преимущество. Одна из ключевых тем — границы применимости разных подходов. При выборе модели важно учитывать природу задачи и данных: работа с табличными признаками и относительно стабильным распределением требует одного подхода, с неструктурированным текстом и слабо формализованной логикой — другого.
📈 Отдельный вопрос — где генеративные модели дают принципиальный выигрыш, а где усложнение архитектуры не улучшает решение и лишь увеличивает стоимость и риски эксплуатации.
🌫 Отдельная часть дискуссии была посвящена работе ИИ в динамической среде: устойчивости моделей при изменении распределения данных, безопасному автоматическому переобучению и риску самоподтверждающихся петель обучения. Один из принципиальных вопросов здесь — какие свойства ИИ-системы можно гарантировать формально, а где надёжность остаётся результатом инженерного компромисса.
Иван Тюкин, профессор, руководитель Лаборатории надёжного, адаптивного и доверительного искусственного интеллекта Центра ИИ Сколтеха, принял участие в Scoring Day 2026 — отраслевом форуме по скорингу, антифроду и применению искусственного интеллекта в финансах.
⚠️Иван выступил в панельной дискуссии «Передовые алгоритмы и ИИ-фреймворки для скоринга и антифрода». Участники обсуждали, как выбирать архитектуру под конкретную задачу: когда достаточно классического машинного обучения, а когда применение языковых моделей или агентных систем действительно даёт преимущество. Одна из ключевых тем — границы применимости разных подходов. При выборе модели важно учитывать природу задачи и данных: работа с табличными признаками и относительно стабильным распределением требует одного подхода, с неструктурированным текстом и слабо формализованной логикой — другого.
📈 Отдельный вопрос — где генеративные модели дают принципиальный выигрыш, а где усложнение архитектуры не улучшает решение и лишь увеличивает стоимость и риски эксплуатации.
«Выбор между классическим машинным обучением, языковой моделью и агентной архитектурой должен начинаться не с вопроса, какая технология новее, а с природы самой задачи, - отметил Иван Тюкин. - Для хорошо структурированных данных со стабильными закономерностями классические методы во многих случаях остаются оптимальным решением. LLM и агентные системы имеют смысл там, где они действительно расширяют возможности системы — например, позволяют работать с неструктурированными данными или со слабо формализованной логикой. Но чем сложнее система, тем важнее вопрос её надёжности. Недостаточно показать высокое качество на тестовой выборке: нужно понимать, что произойдёт при изменении распределения данных, как будет вести себя модель после переобучения и не возникнет ли ситуация, когда её собственные решения начнут формировать данные для следующего цикла обучения. Поэтому для промышленного ИИ принципиально важно разделять свойства, для которых мы можем получить формальные гарантии, и те, где пока приходится опираться на инженерные механизмы контроля», - объяснил профессор.
🌫 Отдельная часть дискуссии была посвящена работе ИИ в динамической среде: устойчивости моделей при изменении распределения данных, безопасному автоматическому переобучению и риску самоподтверждающихся петель обучения. Один из принципиальных вопросов здесь — какие свойства ИИ-системы можно гарантировать формально, а где надёжность остаётся результатом инженерного компромисса.
- 👍 4
- ❤ 3
- 🔥 2
- ✍ 1
