используют инструменты машинного обучения для автоматического обнаружения аномалий, несмотря на признание таких последствий, как штрафы регуляторов, репутационный ущерб и отток клиентов. Финансовый сектор более активен и запускает пилотные проекты, в то время как другие отрасли придерживаются выжидательной позиции, а малый бизнес наименее подготовлен, отчасти из-за отсутствия базовых процессов мониторинга. Эксперты отмечают, что барьер носит организационно-экономический, а не технологический характер. Инструменты машинного обучения существуют, но их внедрение требует зрелых процессов, квалифицированных специалистов и качественных нормализованных данных. Кроме того, многие проекты не получают финансирование из-за сложности расчета экономической выгоды. Максим Нартов, директор по развитию бизнеса Nexign, подчеркивает, что по мере усложнения ИТ-ландшафта, увеличения числа сервисов и распределенной инфраструктуры традиционное обнаружение аномалий становится сложнее, и интеграция машинного обучения в платформы мониторинга будет углубляться в ближайшие годы.