Самый частый вопрос, который я слышу от бизнеса: «Задача понятна, деньги на кону реальные. Но мне же нужна команда дата-сайентистов, которых не найти и не прокормить?»

Ещё несколько лет назад я бы ответил «да, без команды никак». Сегодня отвечаю иначе: для целого ряда типовых задач — прогноз спроса, отток клиентов — полноценный штат уже не обязателен. Профессия никуда не делась, сложное по-прежнему требует сильных специалистов. Но порог входа для стандартных задач рухнул. Расскажу, за счёт чего.

Слой первый: AutoML

Раньше типовой ML-проект выглядел так: собрать данные, вручную придумать признаки, перебрать десятки алгоритмов, для каждого подобрать настройки, проверить на утечки, задеплоить, следить за деградацией. Каждый шаг — редкая и дорогая экспертиза.

AutoML автоматизировал большую часть этой рутины. Платформа сама перебирает алгоритмы, подбирает гиперпараметры, конструирует признаки и выдаёт лучшую модель. Недели работы сжимаются до часов.

Что есть на рынке и чем отличается:

— AutoGluon (Amazon) — силён автоматическим ансамблированием: не выбирает одну модель, а смешивает несколько. Работает с таблицами, текстом, временными рядами. — H2O.ai — опенсорс с упором на объяснимость и контроль модели. Берут банки и страховые, где решение нужно обосновать регулятору. — DataRobot — весь жизненный цикл через интерфейс без программирования. Для внедрения силами бизнес-аналитиков. — LightAutoML (Сбер) — и это не «наш ответ» в кавычках: команда победила в международном Kaggle AutoML Grand Prix, обойдя в том числе Amazon и H2O. Открытая библиотека, работает с таблицами, текстом, изображениями, формирует понятный отчёт по результату.

Слой второй: ИИ-агент поверх AutoML

Вот это самое свежее. Если AutoML автоматизировал перебор моделей, то языковые модели добавили сверху оркестровку через обычный язык. Разница принципиальная. AutoML — мощный, но жёсткий инструмент: ждёт структурированный вход, работает по заданным правилам. Агент ставит поверх него LLM как дирижёра: понимает задачу, сформулированную словами, сам решает, какие шаги предпринять, вызывает нужные инструменты (в том числе тот же AutoML) и объясняет результат человеческим языком.

Проще говоря: AutoML убрал необходимость перебирать модели руками. Агент убрал необходимость быть инженером, чтобы этим AutoML управлять. Что делает такой агент в рамках задачи: понимает бизнес-цель словами → достаёт и чистит данные → предлагает признаки → обучает модели → проверяет метрики → для чувствительных решений применяет объяснимость (SHAP, LIME), чтобы показать, почему модель решила именно так → отдаёт отчёт понятным языком.

Это не фантастика. Data Interpreter от MetaGPT поднял качество решения ML-задач с 88% до 95%, а на открытых задачах — с 60% до 97%. Databricks позволяет строить таких агентов прямо внутри защищённого контура компании — для тех, кто не готов выгружать данные наружу. По данным внедрений 2025 года, агенты дают сокращение времени до первого результата на 30–50% и рост пропускной способности в 2–3 раза.

Честная оговорка

Агенты не всесильны. При чётко поставленной задаче агент восстанавливает около 60% нужных аналитических выводов, при расплывчатой — порядка 40%. Риски — придуманные признаки, переобучение под автоматический перебор, дрейф гипотезы, когда агенту дают слишком много самостоятельности. Поэтому логика везде одна: агент предлагает — человек проверяет и решает, что идёт в продакшен.

Что это меняет

Раньше между «у нас есть данные и задача» и «у нас работает модель» стоял дорогой дефицитный специалист. Теперь там стоит инструмент. Роль человека осталась ключевой, но для типовых задач это роль постановщика и заказчика результата, а не дорогого исполнителя. Технология снизила порог входа. Думать за вас она по-прежнему не будет.