Про ML слышали все. Про LLM - теперь тоже. А про GNN - почти никто. И это странно, потому что штука мощная.

Объясню, в чём фокус. Почти все привычные модели работают с таблицей: строка - это объект. Клиент, заявка, компания, документ. Модель смотрит на объект по его собственным признакам, выносит вердикт - и идёт к следующей строке. Каждая строка сама по себе. Проблема в том, что куча реальных задач - это вообще не таблица. Это сеть. Люди и их связи. Компании и учредители. Счета и переводы между ними. Когда ты раскладываешь такое по строкам, связи между объектами просто испаряются - а часто именно в них вся соль. GNN (graph neural network, графовая нейросеть) с сетью и работает. Она оценивает объект не только по нему самому, но и по тому, что вокруг: кто соседи, с кем он связан, как устроена структура рядом. Соседние узлы как бы перекидываются друг другу информацией (это называют message passing), и в итоге каждый узел «знает» не только себя, но и свою округу. Если совсем на пальцах: обычная модель смотрит на человека по анкете. GNN — ещё и на его круг общения. И вот тут начинается интересное: объект сам по себе может выглядеть идеально чистым. Подозрительным его делает только сеть вокруг. Где это попадает прямо в болевые точки госсектора: Госзакупки. Картельный сговор — это когда формально независимые компании на деле связаны: общие учредители, адреса, сотрудники, подозрительно синхронное поведение на торгах. По одной заявке не видно ничего. На графе связей — видно с первого взгляда. Налоговые схемы. Фирмы-однодневки и цепочки — это не свойство отдельной компании, а узор в графе переводов и владения. Узор видно только целиком. Аффилированность и бенефициары. Размотать, кто реально стоит за цепочкой, - это задача про связи, а не про отдельное звено. Логика одна: если сигнал спрятан не в самом объекте, а в связях между объектами, табличная модель его не поймает в принципе. И LLM, кстати, тоже - это просто не её работа. Я работаю ровно на этом стыке - собираю вместе графовый анализ, бустинг и LLM в регулируемом контуре. И раз за разом одно и то же: половина «нерешаемых» задач перестаёт быть нерешаемой, стоит только перестать смотреть на данные как на таблицу.