Как поймать тренд за 6–12 месяцев до того, как его заметит рынок — 4 мая 2026 г. в 09:26:10.974
Как поймать тренд за 6–12 месяцев до того, как его заметит рынок (начало этой статьи) На недавней конференции GoCloud мне зашёл доклад дочки Аэрфлота — АФЛТ-Системс (внезапно, почему они этим занимаются?) про проект LORqen — платформу, которая выявляет тренды из препринтов научных статей. По их мнению такая аналитика опережает рынок и патенты на 6-12 месяцев. Disclaimer. Я если честно сама не всё поняла и мне было лень разбираться, поэтому сгрузила все фото и видео в папочку и попросила агента всё изучить и выдать в формате поста, инфографики с отобранными фото и обрезанными видео. Так что дальше что-то на научном и AI generated для зануд как я 🤓Команда прогоняет через систему сотни тысяч научных статей и препринтов (сейчас у них ~135 000 публикаций 2024–2026 гг. на пяти языках) и выделяет для бизнеса «ранние сигналы». В подходе разделяются внутренние vs внешние драйверы трендов. Research идёт двумя путями. Внутренний — когда учёные нашли новый метод, он заработал, и это открыло ветку для следующих исследований. Внешний — когда research тянут рынок и регуляторика. Живой пример со слайда: персональные данные. Закон о них есть с 1970-х, но именно рост штрафов за последние 5-7 лет заставил сотни лабораторий заниматься Federated Learning, Privacy-preserving ML и Edge AI. Это не научный интерес снизу, а ответ на регуляторику сверху. Практический вывод для инвестирования или продуктовой стратегии: горячие темы в препринтах стоит фильтровать по источнику давления. Если за темой стоит регуляторика или реальный запрос рынка — тренд не сдуется, даже если конкретный метод окажется тупиковым. Если только «учёным интересно» — может исчезнуть через год. Итак, собственно сами сдвиги: 🔴 Модели перестают устаревать за полгода (continual learning · OOD) — раньше алгоритм обучали один раз, выкатывали в прод и через пару месяцев он начинал промахиваться: мир менял правила быстрее, чем успевали переобучать. Сейчас модели умеют дообучаться на ходу, не теряя прошлых знаний. Банковский антифрод распознаёт новые схемы за день, а не за квартал; рекомендательные системы учитывают актуальные интересы пользователя. 🔴 Графовые нейросети становятся доступнее (Graph Foundation Models + learnable structure) — GNN не новы, им ~20 лет, mainstream-момент был в 2017-м. Раньше граф (кто с кем связан, какие типы связей) нужно было размечать руками — это убивало масштаб и требовало доменной экспертизы. Сейчас модель восстанавливает структуру из данных сама. Плюс копируется рецепт LLM — одна предобученная модель, которую дотачивают под задачу (Graph Foundation Models). В итоге барьер входа для компаний без большой ML-команды ниже.Важно: GNN не замена LLM и не эффективнее «вообще». LLM лучше работают с человеческим знанием — оно живёт в тексте, нарративе, размытых ассоциациях, а не в строгих рёбрах. GNN выигрывают там, где структура объективно явная: молекулы, дороги и энергосети, рекомендательные системы, цепочки поставок. Везде, где связи нужно «угадать из контекста», LLM работают лучше. Самый интересный вектор 2026-2027 — не замена одного другим, а гибриды (GraphRAG, knowledge graphs поверх LLM): LLM даёт широкий контекст, граф — строгие и проверяемые связи. 🔴 Обучение LLM дешевеет в разы (mixed precision · FP8 / INT8 / 2-bit) — тоже не революция, а результат нескольких лет работы над stochastic rounding, loss scaling и стабилизацией градиентов. Раньше большие модели обучали в fp16, потом квантовали до int8 или 4 бит для инференса. Сейчас есть работы, где LLM обучают сразу в 2-битах — с сохранением качества и кратной экономией железа. В 2025-м это пересекло порог индустриальной применимости. Практический смысл: собственные модели перестают быть привилегией big tech — средний бизнес, университетская лаборатория или стартап могут обучить свою на порядок дешевле, чем два года назад. t.me/cherniagina