Отраслевые AI-решения: медицина, финансы, ритейл, производство

Одна из самых частых ошибок при внедрении AI в отрасль — попытка использовать горизонтальное решение для вертикальной задачи. Общая модель классификации текста не понимает медицинской номенклатуры. Стандартный детектор объектов не знает, что «царапина на шве сварки» и «царапина на корпусе» — принципиально разные дефекты с разными последствиями. Отраслевые решения строятся поверх общих методов, но требуют глубокого понимания домена.

Медицина и здравоохранение

Медицинский AI отличается не столько технически, сколько регуляторно и этически. FDA, CE MDR, ГОСТ Р — в зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — одна из наиболее зрелых областей. Модели на основе ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах.

Набор инструментов: MONAI (Medical Open Network for AI) от NVIDIA/Project MONAI — PyTorch-фреймворк с медицинской спецификой: DICOM-loading, 3D augmentation, confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11 кодирование), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с медицинскими ontologies (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на ваших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT.

Clinical decision support. LLM-ассистенты для клинических решений — регуляторно серая зона. Практический подход: RAG-система поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Не диагностирует, а помогает найти релевантный протокол. LlamaIndex + pgvector + специализированный embedding (pubmedbert-base-embeddings) + Llama Guard для safety.

Специфика данных: DICOM-формат с metadata, HL7 FHIR для EHR-интеграции, HIPAA/GDPR для данных пациентов. On-premise деплой часто обязателен — данные не могут покидать периметр.

Финансы и банкинг

Финансовый сектор — один из самых зрелых по применению ML, и одновременно один из самых зарегулированных. Каждая модель, влияющая на кредитные решения — под Basel IV, EU AI Act, GDPR Article 22.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети добавляют 0.5–2% AUC, но теряют интерпретируемость, необходимую регулятору. Стандарт: LightGBM + SHAP для объяснений каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол, этничность).

Специфическая проблема: класс «дефолт» составляет 1–5% в большинстве портфелей. При имбалансе 1:30 модель с accuracy 97% может иметь recall на дефолтах 0.2. Решение: focal loss, class_weight='balanced', SMOTE только в сочетании с careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но результаты в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху.

Zipline-Reloaded для backtesting, vectorbt для быстрого векторизованного тестирования стратегий, QuantLib для pricing моделей. Критичен правильный backtesting: look-ahead bias убивает результаты — все данные на момент сигнала должны быть доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG (PyTorch Geometric), DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision: лучше 10 ложных тревог, чем пропустить отмывание.

Ритейл и e-commerce

Рекомендательные системы. Архитектурный стандарт 2024–2025: two-tower модель для retrieval (candidate generation) + ranking model с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) — LightFM (matrix factorization + features) достаточно.

Частая ошибка: обучать рекомендательную модель на implicit feedback (клики) без учёта position bias. Позиция 1 кликают в 5× чаще позиции 5 вне зависимости от релевантности. Correction: IPW (Inverse Propensity Weighting) или randomized logging на части трафика.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события).

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Производство и промышленность

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 / YOLOv8 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги).

Типичный набор данных для запуска: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или Segment Anything Model 2 позволяет работать с 50–100 аннотированными примерами при правильном подходе.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT.

Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается явно под бизнес-стоимость каждого типа ошибки.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate model (обученная на 10 000 симуляций) — 0.01 секунды — это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Общие принципы отраслевого AI

Несмотря на различия, есть паттерны, работающие везде:

Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее чем 10 000 синтетических.

Compliance-first design. Регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня.

Domain expert в команде. ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Процесс работы

Отраслевые проекты начинаем с 2–3-дневного погружения: интервью с экспертами, изучение регуляторных требований, аудит доступных данных. Это определяет, возможен ли вообще AI в данном контексте и какой подход правильный.

Сроки сильно варьируются: быстрый pилот для retail recommendation — 4–8 недель. Медицинское CE-маркированное решение — 12–24 месяца с учётом клинической валидации. Predictive maintenance — 3–6 месяцев от первой встречи до production.