28 апреля 2026 г. ― Команда специалистов из Высшей школы экономики, Школы анализа данных Яндекса и облачной платформы Yandex Cloud продемонстрировала, что современные нейросети могут предсказывать не только котировки или погоду, но и абсолютно любые числовые величины — от спроса на такси до вероятности отказа турбины на АЭС. В статье разберёмся, как именно это происходит, какие инструменты применяются и почему предсказания всё ещё нуждаются в «человеческом контроле».
Что такое «предсказание значений» в контексте нейросетей
Под «предсказанием значений» (value prediction) понимается задача регрессии: модель ИИ строит функцию, которая по входным признакам x выдаёт числовой ответ ŷ, максимально близкий к реальному значению y. В отличие от классификации, здесь не нужно «выбрать категорию» — нужно точно «угадать число».
- Примеры задач:
- прогноз температуры через 5 минут;
- спрос на электроэнергию в регионе к концу дня;
- время простоя сервера после обновления прошивки.
- Метрики качества: MAE, RMSE, MAPE.
Какие архитектуры нейросетей применяют
Полносвязные (MLP)
Классический вариант: несколько скрытых слоёв с функцией активации ReLU или GELU. Подходит для табличных данных, когда признаков не более 100–200 и они «относительно независимы».
Рекуррентные и трансформеры
Для временных рядов используются LSTM, GRU и основанные на внимании модели Transformer. Они улавливают долгосрочные зависимости и сезонность.
Графовые нейросети (GNN)
Если данные имеют структуру графа (например, логистическая сеть городов), применяются GraphSAGE, GCN или Graph Attention Network.
Жизненный цикл проекта «нейропрогноз»
- Сбор данных. Чем больше и «чище» история, тем выше точность. В Yandex Cloud используется хранилище Object Storage с автоматическим логированием потоков ClickHouse;
- Feature engineering. Создание лагов, скользящих средних, индикаторов праздников и т.д.
- Обучение модели. Для средних проектов достаточно GPU-виртуальных машин v100 или a100. Для крупных — распределённый тренинг на Yandex DataSphere.
- Валидация. Кросс-валидация по времени, backtesting на «неизвестном» прошлом.
- Развертывание. REST- или gRPC-сервис в Serverless Containers или Kubernetes.
- Мониторинг дрейфа. Автоматическое сравнение новых данных с «обучающим» распределением.
Практический кейс: предсказание спроса на такси в новогоднюю ночь
Данные: 3 года поездок (≈ 280 ГБ сырых логов).
Целевая переменная: количество заказов в 15-минутном окне.
Модель: Transformer с positional encoding времени и погодными признаками.
Результат: MAPE = 6,8 %, экономия 11 % парка машин при сохранении уровня сервиса.
Ограничения и подводные камни
- Data drift. Пандемия, локдауны и «черные лебеди» ломают исторические закономерности.
- Этика. Нельзя предсказывать индивидуальный доход человека без его согласия.
- Интерпретируемость. Сложные архитектуры требуют методов explainable AI (SHAP, Integrated Gradients).
Что будет дальше
К 2027 г. исследователи обещают «нуль-кодовые» AutoML-платформы: пользователь загружает CSV и получает production-ready API за 15 минут. Также в разработке гибридные модели, которые сочетают нейросети с физическими уравнениями: так ИИ «учитывает законы природы», а не просто «ищет корреляции».
Как начать уже сегодня
Зарегистрируйтесь в Yandex Cloud.
Откройте DataSphere и загрузите ноутбук из шаблона Regression with LSTM.
Замените путь к данным на свой s3://my-bucket/taxi.csv.
Нажмите Run all, и через 20 минут получите REST-эндпоинт с прогнозом.