Российские ученые разработали эффективный способ быстрого обучения ИИ-моделей — он позволяет экономить вычислительные затраты на 40% без потери качества. Для этого используется набор алгоритмов, которые автоматизируют процесс без ручного тестирования сотен параметров: система самостоятельно отбирает наиболее эффективные конфигурации по таким метрикам, как точность, скорость генерации и соблюдение формата ответа. Области использования технологии широки: государственные и корпоративные задачи, а также промышленные ИИ-сервисы — то есть везде, где искусственный интеллект нуждается в ускоренном обучении.
Как работает новая система обучения
Ученые Научно-образовательного центра ФНС России совместно с МГТУ им. Н.Э. Баумана разработали автоматизированный сценарий настройки языковых моделей, позволяющий адаптировать ИИ под конкретные измеримые задачи без ручного перебора параметров. Решение направлено на повышение точности, скорости работы и соблюдение заданных форматов в зависимости от целей использования модели.
Разработчики объяснили, что высокая эффективность модели достигается за счет оптимизации ключевых показателей. Для ускорения работы используются суррогатные модели, которые заранее оценивают разные конфигурации ИИ. Это позволяет примерно в 1,6 раза сократить число комплексных проверок системы на наличие вредоносных объектов, уменьшить объем ресурсоемких вычислений и ускорить настройку примерно на 40% времени без потери качества. Эксперименты показали, что метод стабильно превосходит традиционные подходы, в том числе по покрытию кода.
— Система автоматически подбирает оптимальные конфигурации под разные задачи — от максимальной скорости до наивысшей точности, избавляя разработчиков от необходимости вручную тестировать сотни вариантов, — отметил д.т.н., ведущий научный сотрудник НОЦ ФНС России и МГТУ им. Н.Э. Баумана Игорь Масич.
По его словам, разработка ориентирована на практическое применение и может использоваться в промышленных ИИ-сервисах, а также при создании специализированных решений для государственных и корпоративных задач.
— Модель предлагает разработчику не одну универсальную настройку, а целый набор оптимизированных вариантов под разные задачи. Если проекту важна скорость — можно выбрать быструю конфигурацию с хорошим качеством. Если критична точность — доступен вариант с максимальной точностью, который работает чуть дольше. Разработчики сами настраивают ИИ-инструменты, исходя из своих целей, — пояснил автор.
Области применения методики в сфере ИИ
Разработка относится к классу систем автоматического машинного обучения (Automated Machine Learning). Проще говоря, это ИИ, который способен выполнять часть работы дата-сайентиста: автоматически настраивать и подбирать модели под конкретные задачи на основе данных. Сама идея AutoML не нова, но появление больших языковых моделей (Large language model — программ искусственного интеллекта, которые могут распознавать и генерировать текст) требует новых подходов и инструментов, поэтому технологию можно считать актуальной и полезной, отметил д.т.н., руководитель Национального центра когнитивных разработок ИТМО Александр Бухановский.
— Технология МГТУ им. Н.Э. Баумана ориентирована на отдельные ИИ-модели, однако в перспективе она может быть особенно востребована при создании мультиагентных систем на базе больших фундаментальных моделей. В таких системах одна и та же ИИ-модель может использоваться разными агентами, но с разными настройками — по точности, скорости и другим параметрам, — уточнил эксперт.
Новая разработка позволяет на практике понять, какие именно методы — например, разнообразие ответов, использование внешних данных или упрощенные модели — действительно улучшают результат, считает руководитель центра компетенции GenAI ДАР (ГК «КОРУС Консалтинг») Игорь Терехин. По его мнению, у решения есть серьезные перспективы внедрения.
— ИИ перестает быть экспериментом «на будущее» и становится инструментом повышения устойчивости бизнеса. Компании будут запускать ИИ-проекты с коротким сроком окупаемости — 9–12 месяцев — и сразу закладывать эффект от сокращения ручного труда, прежде всего за счет ИИ-агентов. Это приведет к более масштабным и прагматичным внедрениям ИИ, встроенным в ИТ-архитектуру и бизнес-модели, — отметил он.
Отечественные разработки в области искусственного интеллекта смогут найти применение в самых разных сферах, уверен технический директор МД «Аудит» (SL Soft FabricaONE.AI, акционер — ГК Softline) Юрий Тюрин. По его словам, такие платформы открывают путь к массовому использованию многоагентных ИИ-систем, которые работают как «цифровые команды», где несколько моделей, выполняя разные роли, решают совместно сложные задачи без постоянного участия человека.
— С ускорением обучения моделей мы приближаемся к появлению систем, способных самостоятельно ставить и выполнять сложные цепочки задач, — подчеркнул директор по продажам компании «Стахановец» Артем Жадеев.
Эксперт уверен, что эффект от подобных решений значительно шире, чем может показаться на первый взгляд, и такие технологии станут одним из заметных трендов 2026 года.