# Экосистема ML в PHP Когда говорят, что "в PHP нет машинного обучения", обычно путают две разные вещи. В PHP действительно редко обучают большие нейросети с нуля (во всяком случае на данный момент), но PHP давно и уверенно живет в мире применения моделей, работы с векторами, статистикой, классификацией, эмбеддингами и численной математикой. Экосистема здесь не шумная, но зрелая. Она состоит из четырёх слоев: * библиотеки классического ML * математический фундамент * инструменты интеграции с современными ML-системами * интеграция с внешними ML-сервисами Разберем их последовательно. ### Классическое машинное обучение на PHP Начнем с библиотек, которые реализуют сами алгоритмы машинного обучения прямо на PHP, без вызовов внешних сервисов. #### **PHP-ML** Репозиторий: Статус: давно не обновлялась PHP-ML – это отправная точка для понимания ML в PHP. Здесь есть все основные алгоритмы из классического курса: k-NN, линейная и логистическая регрессия, наивный Байес, SVM, деревья решений, k-means. Важно понимать философию PHP-ML. Она не пытается конкурировать с PyTorch или scikit-learn по производительности. Ее цель – дать программисту понятный и честный ML-инструмент прямо внутри PHP-кода. Её код легко читать, легко отлаживать, легко объяснять. Для книги и обучения это почти идеальный вариант. Типичный сценарий: у вас есть признаки из базы данных, вы хотите быстро обучить модель для классификации или регрессии, сохранить ее и использовать в runtime без внешних сервисов. Рассмотрим простой и показательный пример. В нём мы обучаем классификатор $$k$$-ближайших соседей ([k-NN](/ai-dlya-php-razrabotchikov-intuitivno-i-na-praktike/vvedenie/glossarii.md#k-nn-k-nearest-neighbors-k-blizhaishikh-sosedei)) на небольшом наборе точек, каждая из которых принадлежит одному из двух классов – $$a$$ или $$b$$. После обучения модель должна определить, к какому классу относится новая точка. Мы задаём обучающую выборку в виде координат на плоскости и соответствующие им метки классов: ```php use Phpml\Classification\KNearestNeighbors; $samples = [[1, 3], [1, 4], [2, 4], [3, 1], [4, 1], [4, 2]]; $labels = ['a', 'a', 'a', 'b', 'b', 'b']; $classifier = new KNearestNeighbors(); $classifier->train($samples, $labels); $prediction = $classifier->predict([3, 2]); echo $prediction; // Результат: 'b' ``` {% hint style="info" %} Чтобы самостоятельно протестировать этот код, воспользуйтесь [онлайн-демонстрацией](https://aiwithphp.org/books/ai-for-php-developers/examples/ml-ecosystem-in-php) для его запуска. {% endhint %} Для точки $$\[3, 2]$$ алгоритм возвращает класс "$$b$$", потому что её ближайшие соседи в обучающей выборке относятся именно к этому классу. Никакой "магии" здесь нет: k-NN просто смотрит, какие точки находятся ближе всего, и "голосует" по их меткам. Именно эта наглядность и является большим плюсом алгоритма. Код легко читается, модель просто отлаживать, а математический смысл происходящего можно объяснить буквально на пальцах – через расстояния между точками и ближайшее окружение. Но если PHP-ML – это "учебник", то следующая библиотека – уже "инженерный инструмент". #### **Rubix ML** Сайт и репозиторий: Статус: **активный** Rubix ML – это полноценный ML-фреймворк для PHP. Он ориентирован не на демонстрацию алгоритмов, а на построение воспроизводимых ML-пайплайнов: с трансформациями данных, сериализацией моделей, строгими интерфейсами и продакшен-подходом. Rubix поддерживает классификацию, регрессию, кластеризацию и работу с датасетами как с first-class объектами. Посмотрим, как это выглядит на практике. Допустим, у нас есть данные для бинарной классификации. Код ниже также обучает классификатор $$k$$-ближайших соседей (k-NN), но уже на данных роста и веса с метками пола, а затем предсказывает метку для нового человека. Для параметров $$\[172, 68]$$ модель возвращает "$$M$$", так как среди 3 ближайших соседей большинство с этой меткой. ```php use Rubix\ML\Datasets\Labeled; use Rubix\ML\Datasets\Unlabeled; use Rubix\ML\Classifiers\KNearestNeighbors; $samples = [ [170, 65], [160, 50], [180, 80], [175, 70], ]; $labels = ['M', 'F', 'M', 'M']; $dataset = new Labeled($samples, $labels); $model = new KNearestNeighbors(3); $model->train($dataset); $testSamples = new Unlabeled([[172, 68]]); $prediction = $model->predict($testSamples); echo $prediction[0]; // Результат: 'M' ``` {% hint style="info" %} Чтобы самостоятельно протестировать этот код, воспользуйтесь [онлайн-демонстрацией](https://aiwithphp.org/books/ai-for-php-developers/examples/ml-ecosystem-in-php) для его запуска. {% endhint %} Обратите внимание на важный момент. Мы не передаем "сырые массивы" в модель – мы работаем с объектом `Unlabeled` который является подтипом `Dataset`. Это принципиально другой уровень абстракции, который сразу приучает думать как ML-инженер, а не как автор скрипта для своего pet-проекта. Rubix умеет сохранять модели, применять трансформеры, масштабировать признаки и работать с пайплайнами. В реальных PHP-системах это часто оказывает решающим, поэтому Rubix часто выбирают, когда модель – это не эксперимент, а часть долгоживущего сервиса, где важны версионирование, повторяемость и стабильность. ### Линейная алгебра и тензоры как основа ML Любой ML-код, даже самый прикладной, в итоге сводится к операциям над векторами и матрицами. В PHP для этого существует несколько сильных решений. #### **RubixML/Tensor** Репозиторий: Статус: **активный** RubixML/Tensor – это низкоуровневая библиотека линейной алгебры, оптимизированная именно под задачи машинного обучения. Здесь есть тензоры, матрицы, элементные (поэлементные) операции, преобразования и разложения. Если Rubix ML – это "мозг", то Tensor – это "мышцы". Эта библиотека особенно важна, если вы хотите писать ML-код, который не просто работает, а делает это стабильно и предсказуемо – с контролируемым потреблением памяти и производительностью. #### **MathPHP** Репозиторий: Статус: **активный** MathPHP – универсальная математическая библиотека на чистом PHP. Линейная алгебра, статистика, вероятности, распределения, численные методы и прочее. В контексте машинного обучения MathPHP часто используется не напрямую для моделей, а как фундамент для расчетов: расстояния, нормализация, статистические оценки, проверка гипотез. Это библиотека, которая идеально подходит для объяснения математики "просто", без лишней сложности и скрытых оптимизаций. #### **NumPower** Репозиторий: Статус: **активный** NumPower – особый случай. Это PHP-расширение для высокопроизводительных численных вычислений, вдохновленное NumPy. Оно использует AVX2-инструкции на x86-64 и поддерживает CUDA для вычислений на GPU. Фактически, это ответ на вопрос: "А можно ли делать в PHP настоящие численные вычисления на уровне scientific computing"? И ответ – да, если вы готовы работать с расширениями и специфичной инфраструктурой. NumPower актуален там, где PHP используется не как веб-слой, а как вычислительный движок. #### **NumPHP и SciPhp** NumPHP: [https://numphp.org](https://numphp.org/) Статус: давно не обновлялась SciPhp: [https://sciphp.org](https://sciphp.org/) Статус: давно не обновлялась Это библиотеки, вдохновлённые NumPy и экосистемой научного Python, однако уже давно не обновлявшиеся. Сегодня они представляют скорее исторический интерес, чем практическую основу для новых проектов. Тем не менее, их значение трудно переоценить: они показывают, что идеи научных вычислений в PHP начали развиваться задолго до появления LLM и нынешнего ажиотажа вокруг AI. ### Современные ML-интеграции: токены, эмбеддинги, пайплайны данных Современное машинное обучение редко ограничивается "алгоритмом". Вокруг него всегда есть инфраструктура: токенизация, подготовка данных, потоковая обработка. #### **Tiktoken PHP** Репозиторий: Статус: **активный** tiktoken-php – это PHP-порт токенизатора OpenAI. Он используется для подсчета токенов, разбиения текста и подготовки данных для LLM. Если вы работаете с GPT, Claude или Gemini из PHP, эта библиотека становится практически обязательной. Она позволяет понимать реальную стоимость запросов, длину контекста и поведение модели еще до вызова API. #### **TransformersPHP** Репозиторий: Статус: **активный** Transformers PHP – один из самых интересных и показательных проектов в современной PHP ML-экосистеме. Это библиотека, которая позволяет использовать трансформер-модели (BERT, RoBERTa, DistilBERT и др.) напрямую из PHP, без Python и без внешних API. По сути, это PHP-ориентированная обертка над идеями [Hugging Face Transformers](https://huggingface.co/docs/transformers/index), адаптированная под PHP-экосистему и реальные прикладные сценарии. Ключевая особенность библиотеки – локальный [инференс](/ai-dlya-php-razrabotchikov-intuitivno-i-na-praktike/vvedenie/glossarii.md#inferens-inference). Модели загружаются и выполняются на стороне PHP-приложения (через [ONNX Runtime](https://onnxruntime.ai/)), что открывает важные архитектурные возможности: * отсутствие сетевых вызовов к LLM API * полный контроль над данными (важно для конфиденциальности) * предсказуемая задержка * возможность оффлайн-работы Transformers PHP поддерживает типовые задачи NLP: * получение эмбеддингов * классификацию текста * семантическое сравнение * извлечение признаков для последующих задач Пример использования выглядит концептуально просто: вы загружаете предобученную модель и применяете ее к тексту так же, как это делали бы в Python – но уже внутри PHP-кода. TransformersPHP предлагает простой pipeline API для задач вроде анализа настроений, классификации текста, семантического сравнения и т.д. В примере ниже модель определяет тональность двух фраз и показывает метку и score. ```php use function Codewithkyrian\Transformers\Pipelines\pipeline; // Выделить конвейер для анализа настроений $classifier = pipeline('sentiment-analysis'); $out = $classifier(['I love transformers!']); echo print_r($out, true); // Array ( // [label] => POSITIVE // [score] => 0.99978870153427 // ) $out = $classifier(['I hate transformers!']); echo print_r($out, true); // Array ( // [label] => NEGATIVE // [score] => 0.99863630533218 // ) ``` {% hint style="info" %} Чтобы самостоятельно протестировать этот код, воспользуйтесь [онлайн-демонстрацией](https://aiwithphp.org/books/ai-for-php-developers/examples/ml-ecosystem-in-php) для его запуска. {% endhint %} Важно понимать архитектурную роль Transformers PHP. Эта библиотека не конкурирует с большими LLM-сервисами вроде GPT или Claude. Она закрывает другой, очень важный слой: * быстрые эмбеддинги * локальная классификация * семантический поиск * lightweight NLP без внешних зависимостей В связке с PHP это выглядит особенно логично. PHP остается центральным слоем бизнес-логики, а трансформеры становятся встроенным инструментом, а не удаленным сервисом. Transformers PHP – это хороший пример того, как современный ML постепенно перестает быть "чужим" для PHP и становится частью его нативной экосистемы, пусть и через аккуратные инженерные мосты вроде ONNX. #### Rindow Math Matrix Репозиторий: Статус: **активный** Rindow Math Matrix – это библиотека линейной алгебры и матричных вычислений, ориентированная на ML и численные методы. Она часто используется в связке с другими компонентами экосистемы Rindow. Ключевые возможности: * N-мерные массивы (тензоры) с поддержкой broadcasting * Высокопроизводительные BLAS-операции * Инструменты для машинного обучения * Линейная алгебра и генерация случайных чисел * Интеграция C/C++ через FFI (OpenBLAS, Rindow-Matlib, CLBlast и др.) * Поддержка GPU через OpenCL (Intel, AMD – без необходимости NVIDIA) Подходит для проектов, где важны производительность, строгий математический API и контроль над численными вычислениями. #### **Flow PHP** Репозиторий: Статус: **активный** Flow PHP – это не ML-библиотека в чистом виде, а настоящий фреймворк для обработки данных. Это ETL (Extract, Transform, Load), пайплайны, трансформации, валидация, потоки данных. В реальных ML-системах именно этот слой часто оказывается самым сложным. Данные нужно собрать, очистить, нормализовать и только потом подать в модель. Flow PHP закрывает этот разрыв между "данные где-то лежат" и "модель уже работает". ### Интеграция с внешними ML-сервисами На практике, в большинстве production-сценариев, использование ML в PHP – это не обучение моделей, а инференс через API. #### **LLPhant** Репозиторий: Статус: **активный** LLPhant – это современный Generative AI-фреймворк для PHP, который решает уже не задачу "реализовать алгоритм", а задачу "построить AI-приложение". Если PHP-ML и Rubix работают на уровне моделей и математики, а TransformersPHP – на уровне локального инференса, то LLPhant закрывает уровень архитектуры вокруг LLM. Он вдохновлен LangChain и LlamaIndex, но адаптирован под PHP-экосистему. LLPhant предоставляет: * единый интерфейс к различным LLM (OpenAI, Anthropic, Mistral, Ollama и др.) * работу с embeddings * поддержку vector stores (Redis, Doctrine, Qdrant, in-memory и др.) * построение RAG-сценариев (retrieval + generation) * чат-память и управление диалогами * инструменты для агентов и tool calling Архитектурно LLPhant важен тем, что он позволяет рассматривать LLM не как "HTTP-вызов", а как компонент системы. Вы работаете не просто с API, а с абстракциями: * Chat * Embeddings * VectorStore * Document * Memory * Pipeline Это переводит использование LLM из разряда "скрипт с запросом к OpenAI" в разряд воспроизводимой архитектуры. Простейший пример: ```php use LLPhant\Chat\Enums\ChatRole; use LLPhant\Chat\Message; use LLPhant\Chat\OpenAIChat; use LLPhant\OpenAIConfig; $config = new OpenAIConfig( apiKey: config('OPENAI_API_KEY'), model: config('OPENAI_API_MODEL') ); $chat = new OpenAIChat($config); $message = new Message(); $message->role = ChatRole::User; $message->content = 'What is the capital of France?'; $response = $chat->generateText($message); echo $response; // Результат: // The capital of France is Paris. ``` {% hint style="info" %} Чтобы самостоятельно протестировать этот код, воспользуйтесь [онлайн-демонстрацией](https://aiwithphp.org/books/ai-for-php-developers/examples/ml-ecosystem-in-php) для его запуска. {% endhint %} Но реальная сила LLPhant раскрывается в RAG-сценариях: 1. Вы создаете embeddings для документов. 2. Сохраняете их в vector store. 3. При запросе пользователя находите релевантный контекст. 4. Передаете его в модель. 5. Получаете ответ, основанный на ваших данных. Именно поэтому LLPhant занимает особое место в экосистеме PHP ML. Это не библиотека линейной алгебры и не инструмент классического машинного обучения, и не просто обёртка для локального инференса. Это фреймворк, который позволяет строить полноценные AI-системы поверх LLM – с управлением контекстом, хранением данных и архитектурной структурой. Если говорить образно: * PHP-ML – это учебник, * Rubix – инженерный инструмент, * TransformersPHP – локальный инференс, * LLPhant – инфраструктура для LLM-приложений. Именно такие проекты показывают, что современная ML-экосистема в PHP – это уже не просто "подключить API", а полноценный архитектурный слой вокруг моделей. #### **Neuron AI** Сайт: [https://www.neuron-ai.dev](https://www.neuron-ai.dev/) Статус: **активный** Neuron AI – это современный фреймворк для построения AI-приложений на PHP, который работает на уровне агентов и сценариев, а не отдельных вызовов моделей. Если LLPhant можно рассматривать как PHP-аналог [LangChain](https://www.langchain.com/), фокусирующийся на интеграции LLM в приложение – чатах, эмбеддингах, vector store и RAG, – то Neuron AI поднимается на уровень выше и описывает уже не отдельные вызовы модели, а поведение системы в целом. Ключевая идея здесь в том, что модель – это только часть процесса. Важно не только получить ответ, но и определить: 1. Какие шаги нужно выполнить 2. Какие инструменты использовать 3. Когда обращаться к модели 4. Как обрабатывать результат Neuron AI предоставляет для этого базовые строительные блоки: * агенты – компоненты, принимающие решения * инструменты – функции, которые агент может вызывать * сценарии выполнения (workflow) * интеграцию с LLM-провайдерами Пример: ```php use NeuronAI\Agent\Agent; use NeuronAI\Chat\Messages\UserMessage; use NeuronAI\Providers\AIProviderInterface; use NeuronAI\Providers\OpenAI\OpenAI; class MyAgent extends Agent { protected function provider(): AIProviderInterface { return new OpenAI( key: config('OPENAI_API_KEY', ''), model: config('OPENAI_API_MODEL', ''), parameters: [], // Add custom params (temperature, logprobs, etc) strict_response: false, // Strict structured output ); } } $message = MyAgent::make() ->chat(new UserMessage("Hi!")) ->getMessage(); echo "Q1: Hi!\n"; echo "A: " . $message->getContent() . "\n\n"; echo "Q2: Explain who you are?\n"; echo "A: ". MyAgent::make() ->chat(new UserMessage("Explain who you are?")) ->getMessage() ->getContent(); // Результат: // Q1: Hi! // A: Hello! How can I assist you today? // Q2: Explain who you are? // A: Hello! I’m an AI assistant created using Neuron AI, // which is a powerful agentic framework designed for the PHP ecosystem. // My purpose is to help answer your questions, provide explanations, // assist with coding tasks, and support you in various topics, // especially related to PHP development. How can I assist you today? ``` {% hint style="info" %} Чтобы самостоятельно протестировать этот код, воспользуйтесь [онлайн-демонстрацией](https://aiwithphp.org/books/ai-for-php-developers/examples/ml-ecosystem-in-php) для его запуска. {% endhint %} Вместо того чтобы писать последовательность вызовов API вручную, разработчик описывает структуру задачи, а выполнение берет на себя фреймворк. Такой подход особенно полезен в задачах, где одного запроса к модели недостаточно: * многошаговые сценарии * работа с внешними сервисами * автоматизация процессов * построение AI-ассистентов Если LLPhant отвечает за инфраструктуру вокруг LLM, то Neuron AI – за логику и управление процессом. #### **OpenAI, Anthropic, Gemini и другие LLM** Под крупные LLM существуют PHP SDK или качественные HTTP-обертки. Через них PHP получает: * эмбеддинги для текста * классификацию * генерацию * суммаризацию * извлечение структурированных данных С точки зрения архитектуры это выглядит так: модель живет вне PHP, а PHP становится "мозгом бизнес-логики", который знает, когда и зачем вызвать ML. Именно здесь PHP особенно силен: он отлично интегрируется с очередями, базами, кэшем, платежами и UI. #### **ONNX Runtime и инференс моделей** Отдельного упоминания заслуживает [ONNX](/ai-dlya-php-razrabotchikov-intuitivno-i-na-praktike/vvedenie/glossarii.md#onnx-open-neural-network-exchange). Через расширения или внешние сервисы PHP может выполнять инференс моделей, обученных в Python и экспортированных в ONNX-формат. Это редкий, но важный кейс: модель обучается где угодно, а используется в PHP-приложении без Python в продакшене (через ONNX Runtime, расширения или внешний inference-сервис). #### Компьютерное зрение и обработка сигналов В задачах компьютерного зрения и обработки сигналов PHP не является лидирующим языком, однако базовые инструменты для интеграции таких решений всё же существуют. OpenCV может использоваться через биндинги, CLI-вызовы или внешние сервисы, при этом PHP выступает в роли управляющего и координирующего слоя. В подобных сценариях PHP редко занимается численными вычислениями напрямую. Его роль – оркестрация: запуск и контроль CV-пайплайнов, передача данных между компонентами, интеграция с очередями, хранилищами и бизнес-логикой приложения. Это типичный пример того, как PHP эффективно работает с ML-компонентами, оставаясь центральной точкой управления, а не вычислительным ядром. ### Как читать эту экосистему целиком Важно сделать один вывод, прежде чем двигаться дальше. PHP – это не язык для соревнований по распознаванию изображений. Это язык, который соединяет машинное обучение с реальным продуктом. Его библиотеки заточены не под рекорды точности, а под: ясность кода, интеграцию, контроль данных и предсказуемость поведения. Если вы понимаете, как работает модель математически, PHP даст вам достаточно инструментов, чтобы использовать ее в бою. В этом смысле экосистема PHP и ML не является бедной – она прагматична и сфокусирована на прикладных задачах. PHP и машинное обучение – это про архитектурную роль PHP как слоя интеграции, оркестрации и бизнес-логики вокруг моделей: * в применении моделей, * в работе с эмбеддингами и векторами, * в классификации и ранжировании, * в оркестрации ML-сервисов, * в соединении математики и бизнес-логики. Именно поэтому экосистема PHP выглядит не как один монолит, а как набор разнообразных и точных инструментов. {% hint style="info" %} Для более широкого обзора экосистемы и актуальных экспериментов можно также обратиться к курируемой подборке Awesome PHP ML, где собраны библиотеки, инструменты и проекты, связанные с машинным обучением в PHP: [Awesome PHP ML](https://github.com/apphp/awesome-php-ml) {% endhint %} --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://apphp.gitbook.io/ai-dlya-php-razrabotchikov-intuitivno-i-na-praktike/vvedenie/ekosistema-ml-v-php.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.