모든 것에 LLM이 필요하지는 않다: 프로덕션에서는 부스팅, 임베딩, 규칙이 승리한다

在叶卡捷琳堡举办的UWDC 2026大会上，举行了一场关于大型语言模型（LLM）、经典机器学习（ML）与传统开发之间选择的讨论。与会者——DAR的AI工程师卡米尔·沙基罗夫、RUTUBE的机器学习工程师尼基塔·奥夫钦尼科夫，以及Yandex Practicum的数据科学/数据科学+技术负责人扬·阿尼西莫夫——一致认为，企业往往并不需要一个通用模型，而是一个能有效解决特定问题的系统。经典机器学习在可预测性、确定性和易于验证方面占优：模型可以用业务方易于理解的指标进行测试。相比之下，大型语言模型给出的答案令人印象深刻，但会产生幻觉，需要每三个月进行一次持续监控和更新，且推理成本高昂。在实践中，采用混合架构——底层为规则和启发式方法，中层为机器学习，上层为大型语言模型——可以降低成本并提高质量。大型语言模型结果的验证仍然是一个重大挑战，需要人工标注和额外的工具支持。专家们指出，将机器学习和大型语言模型对立起来是不正确的——每种方法都有其适用的任务。