Практические кейсы

Теоретические рассуждения о границах AI полезны, но настоящая инженерная интуиция формируется прежде всего на практике. Поэтому после обсуждения принципов и архитектурных ограничений полезно рассмотреть конкретные задачи – ситуации, где можно было выбрать разные подходы.

Поэтому сейчас мы рассмотрим кейсы не как демонстрацию "возможностей AI", а как упражнения в инженерном мышлении. Главный вопрос будет звучать не "можно ли применить модель?”" а гораздо более важный:

"Стоит ли её применять?"

В реальных системах решения редко бывают очевидными. Иногда AI внедряют из-за моды или давления со стороны рынка. Иногда наоборот – инженеры слишком долго пытаются решить задачу правилами, хотя она уже находится в области статистических методов. В обоих случаях страдает архитектура системы.

Следующие два кейса специально построены как контраст.

Первый показывает ситуацию, где использование LLM оказалось избыточным инженерным решением. Задача была решаема простыми и прозрачными правилами, но изначально её попытались решить с помощью модели. В результате система стала дороже, медленнее и менее предсказуемой. Разбор этого случая показывает, как распознать подобные ошибки и почему иногда несколько десятков строк кода могут заменить сложную AI-инфраструктуру.

Второй кейс демонстрирует противоположную ситуацию. Здесь проблема принципиально плохо формализуется с помощью правил: пространство вариантов слишком велико, а структура данных выражена неявно. В такой среде системы, основанные на явных правилах, быстро достигают своих пределов. Именно здесь статистические методы и современные AI-подходы начинают давать реальное преимущество.

Эти два примера иллюстрируют важную инженерную идею. Граница между "обычным кодом" и "искусственным интеллектом" обычно не проходит по модности технологий или по типу данных. Она проходит по возможности явно сформулировать правила решения задачи.

Если правила можно сформулировать – чаще всего лучше написать код.

Если правила невозможно сформулировать – тогда появляется пространство для AI.

Именно эту границу мы и будем исследовать в следующих кейсах.