Không phải mọi thứ đều cần LLM: Boosting, Embeddings và Quy tắc chiến thắng trong sản xuất

在叶卡捷琳堡举行的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ML工程师尼基塔·奥夫钦尼科夫以及Yandex Practicum的DS/DS+技术负责人扬·阿尼西莫夫——一致认为，企业往往需要的不是通用模型，而是能有效解决特定问题的系统。经典机器学习以其可预测性、确定性和易于验证而胜出：模型可以通过业务易于理解的指标进行测试。相反，大型语言模型能给出令人印象深刻的答案，但会产生幻觉，需要持续监控并每三个月更新一次，且其推理成本高昂。在实践中，混合架构——底层采用规则和启发式方法，中层使用机器学习，上层则运用大型语言模型——既能降低成本，又能提高质量。大型语言模型结果的验证仍是一大挑战，需要人工标注和额外工具。专家指出，将机器学习与大型语言模型对立起来是不正确的——每种方法都适合各自的任务。