1. Классификация
Один из базовых инструментов ИИ, который позволяет системе автоматически распределять объекты по категориям на основе обучающих данных.
Так, в «Авито» ежедневно обрабатывается более 20 миллионов объявлений — с помощью свыше 100 моделей машинного обучения. Система классифицирует публикации, фильтрует нерелевантные, помогает ускорить модерацию и улучшить поиск. Это делает взаимодействие с платформой удобнее как для покупателей, так и для продавцов. ИИ помогает обходить типичные препятствия — от некачественной выдачи до задержек в проверке контента.
В Сбербанке ИИ применяется для оценки кредитных рисков. С 2018 года банк активно развивает собственные модели скоринга, что позволяет существенно повышать точность прогнозов и персонализировать предложения. Уже сегодня 100% решений по физическим лицам и 60% по корпоративным клиентам принимаются автоматически с использованием ИИ. За счет внедрения технологий машинного обучения только за три года — с 2020 по 2022 — банк получил дополнительный доход в размере 560 млрд рублей.
2. Кластеризация
В отличие от классификации, кластеризация работает без заранее заданных меток. Система сама группирует объекты на основе схожих признаков — зачастую по принципам, которые сложно интерпретировать человеку.
В e-commerce этот метод помогает формировать универсальные товарные карточки. Яндекс.Маркет группирует запросы и товары по смыслу, а не по отдельным ключевым словам. Вместо длинных описаний достаточно указать базовые характеристики — алгоритмы автоматически определяют тематический кластер и корректно ранжируют товары, упрощая поиск и улучшая восприятие.
В маркетинге «Купер» и «Магнит» используют кластеризацию для сегментации клиентов и создания персонализированных предложений. «Умные корзины» — подборки товаров из разных магазинов, ранее приобретенных покупателем — повышают лояльность и делают коммуникацию более адресной. В «Магните» технологии также позволяют персонализировать цены в мобильном приложении.
3. Регрессия
Регрессия помогает предсказывать количественные значения на основе входных данных — от стоимости объектов до времени выполнения операций. Такие модели особенно ценны в сферах, где важна высокая точность и оперативность принятия решений.
Сервис «ДомКлик» применяет такие модели для оценки стоимости жилья. Пользователю достаточно указать адрес и площадь — система рассчитает цену на основе свежих объявлений и ипотечных сделок. А в «ДомКлик24» алгоритм прогнозирует доходность краткосрочной аренды на 6 месяцев вперед — с учетом сезонных колебаний и рыночных трендов.
В Delivery Club регрессия лежит в основе системы, запущенной еще в 2019 году. Она прогнозирует спрос на доставку, рассчитывает необходимое число курьеров и формирует расписание с учетом пробок, погоды и городских событий. Модель использует более 100 параметров и объединяет нейросети, деревья решений и линейные алгоритмы — благодаря этому она адаптируется к каждой зоне доставки и сокращает время ожидания заказов.
4. Поиск (семантический и визуальный)
Поиск становится умнее — современные ИИ-системы позволяют находить информацию не только по точным ключевым словам, но и по смыслу или визуальному сходству. Это качественный скачок вперед по сравнению с классическим текстовым поиском, особенно в сферах, где важны контекст и визуальные характеристики.
На «Авито» работает визуальный поиск: пользователь загружает фото, а система распознает объект и предлагает похожие объявления. Новая мультимодальная модель A-Vision автоматически добавляет «нейро-теги» — даже если описание неполное, объявление можно найти по тематическому запросу.
В Lamoda визуальный поиск действует с 2017 года. Сервис Wide Eyes распознает вещи на фото — из журнала или камеры — и за секунды подбирает аналоги из каталога. Технология особенно популярна среди «скрытых модников» — пользователей, ориентирующихся на стиль, но не увлеченных модой профессионально.
Семантический поиск используют и в B2B — в системах «Контур» и «Тензор» ИИ помогает находить нормативные документы по смыслу, даже если формулировки не совпадают. Это особенно важно в юридических и бухгалтерских системах, где скорость и точность имеют ключевое значение.
5. Генерация
Генеративные модели — наиболее обсуждаемое направление в ИИ, однако их практическое применение в бизнесе пока ограничено, в основном, задачами маркетинга и контентного наполнения. Тем не менее, даже в этих сценариях ИИ уже демонстрирует ощутимый эффект.
«Авито» использует нейросети для автоматической генерации описаний к объявлениям. Это уже позволило упростить публикацию товаров и увеличить количество заказов на доставку на 1,7%. Аналогичные технологии внедрены в «ДомКлик»: система автоматически составляет тексты для объявлений о продаже недвижимости, подставляя ключевые характеристики и подбирая типовые формулировки.
Вместе с тем некоторые компании осознанно отказываются от использования ИИ-контента, особенно в сферах с высокими требованиями к эстетике и качеству. Так, бренд премиальной одежды 12Stories не использует генеративные тексты и визуалы, ссылаясь на недостаточную выразительность и точность. Визуальный стиль и тональность коммуникации — важная часть позиционирования бренда, и пока ИИ не может гарантировать нужный уровень соответствия этим стандартам.
6. Распознавание изображений и документов
Технологии компьютерного зрения и OCR (оптического распознавания символов) позволяют извлекать структурированную информацию из изображений, сканов и PDF-документов. Это кардинально меняет подход к обработке данных в финтехе, страховании и других сферах с высоким объемом бумажного документооборота.
В банках, таких как Сбер и Т-Банк, распознавание документов используется для дистанционной идентификации клиентов. Система автоматически считывает данные с паспорта или ИНН, сверяет их с базами и упрощает процесс верификации без визита в отделение. Это повышает скорость обслуживания и снижает нагрузку на операторов.
В страховом секторе технология получила еще более прикладное применение. «АльфаСтрахование» совместно с Audatex (входит в Solera) внедрила ИИ-систему оценки ущерба по ОСАГО. Алгоритм анализирует фотографии автомобиля, распознает характер повреждений — от царапин до вмятин и трещин на стекле — и рассчитывает стоимость ремонта без участия человека. Осмотр проводится через мобильное приложение, а полный анализ занимает не более трех минут. Решение, построенное на платформе Qapter’s Visual Intelligence, применяется для обработки страховых случаев с незначительными внешними повреждениями. При этом система самообучается с каждым новым кейсом, повышая точность и адаптивность.
7. Парсинг
Парсинг — это технология извлечения структурированной информации из неструктурированных источников: сайтов, документов, текстов. С его помощью компании автоматизируют рутинные процессы, ускоряют обработку данных и улучшают пользовательский опыт.
На hh.ru алгоритмы ИИ анализируют резюме и автоматически извлекают ключевую информацию: опыт работы, навыки, образование. Эти данные используются для предварительного заполнения анкеты соискателя, облегчая процесс регистрации и повышения релевантности подборки вакансий.
В e-commerce парсинг помогает автоматизировать загрузку и актуализацию ассортимента. На «СберМегаМаркете» система считывает прайс-листы поставщиков и на их основе формирует карточки товаров — от заголовков до характеристик и цен. Это особенно важно при масштабных поставках, где ручной ввод данных становится узким местом.
8. Поиск аномалий
Позволяет выявлять отклонения от типичного поведения в данных. Такие отклонения, как правило, указывают на потенциальные риски, сбои или угрозы, требующие внимания.
В финансовом секторе технологии поиска аномалий широко применяются для борьбы с мошенничеством. В QIWI и Т-Банке алгоритмы машинного обучения отслеживают подозрительные платежи, спам-активность и атипичные транзакции. Модели обучаются на миллионах операций, распознают поведенческие шаблоны и мгновенно реагируют на любые отклонения, которые могут свидетельствовать о попытке взлома или хищения.
В промышленности технологии поиска аномалий используются для предиктивного мониторинга оборудования. На предприятиях РЖД, Росатома и «Газпром нефти» ИИ фиксирует изменения параметров, выходящих за пределы нормы, — например, перегрев, вибрации или нестабильную работу узлов. Это позволяет диагностировать проблему до того, как она приведет к поломке или остановке производственного цикла.
В сфере информационной безопасности системы аномалий помогают обнаруживать несанкционированные действия — например, вход в систему в нетипичное время, попытку доступа к чувствительным данным или подозрительное перемещение по внутренней инфраструктуре. Такой мониторинг снижает время реагирования на инциденты и усиливает защиту корпоративных систем.
9. Рекомендательные системы
Один из самых привычных сценариев применения ИИ в повседневной жизни. За кажущейся простотой стоит целый комплекс технологий: система классифицирует пользователей, группирует их по поведенческим паттернам, прогнозирует интересы и формирует предложения, которые действительно актуальны.
В медиасервисах ИИ подбирает контент с учетом вкусов зрителей. Кинопоиск и Оkkо предлагают фильмы, основанные на истории просмотров, жанровых предпочтениях и активности пользователя. Такие системы не только упрощают выбор, но и увеличивают вовлеченность аудитории.
В EdTech-секторе персонализация становится стандартом. Онлайн-школа английского языка Skyeng использует ИИ для создания индивидуальных учебных планов. Система анализирует уровень знаний, цели и интересы ученика — и за несколько минут формирует программу занятий, включая интерактивные упражнения и домашние задания. Ранее такую работу выполняли методисты вручную в течение нескольких дней. По мнению команды Skyeng, персонализированный подход делает обучение эффективнее и повышает вовлеченность студентов.