Как вы решаете, когда задачу стоит решать нейросетью, а когда достаточно обычного кода или правил? Какие критерии «инженерной целесообразности» вы используете?
Ответ:
Я иду по чек-листу из трёх вопросов:
Я иду по чек-листу из трёх вопросов:
- Есть ли данные? Если размеченных примеров мало или их качество сомнительное — модель обучить нельзя, а few-shot prompting на LLM даст нестабильный результат.
- Терпима ли задача к ошибкам? Если это определение категории в фиде рекомендаций — можно. Если это списание денег или медицинский вердикт — нужна детерминированная логика, а ML максимум как помощник.
- Окупается ли поддержка? Модель — это не артефакт, а живой компонент: дрейф данных, мониторинг, переобучение. Правило «10 строк регексов» дешевле на порядок, и если оно решает 90% кейсов, я начну с него.
Практический принцип: сначала строю базовое решение на правилах, измеряю, где оно ломается, и только тогда добавляю ML туда, где статистика ошибок оправдывает сложность.
вопросы и ответы