Когда действительно нужна своя модель
Большинство «хотим нейросеть» на проверку решаются готовыми инструментами: LLM с поиском по документам (RAG), готовыми API распознавания, правилами. Своя модель оправдана, когда у задачи есть специфика, которую готовые решения не знают: ваш терминологический словарь, ваши категории документов с сотнями классов, ваши временные ряды спроса по конкретным точкам.
Правильный вход в ML — не «обучите нам модель», а постановка: какая метрика процесса улучшится, какие данные есть, какое решение будет принимать модель и кто отвечает за ошибку. Поэтому мы начинаем с аудита процессов и данных (от 90 000 ₽) или сразу с прототипа: прототип за 3–5 дней показывает, достижимо ли качество на ваших данных, — до того, как вы вложитесь в пилот.
Как выглядит результат через месяц после пилота
Модель работает в реальном процессе с человеком-контролёром: входящие документы классифицируются сами, заявки ранжируются по риску, прогноз спроса приходит к планировщику утром вместе с границами доверия. Доля автоматических решений растёт постепенно — от осторожной к рабочей, по мере того как метрики на живых данных подтверждают качество. У команды появляется панель: сколько решений приняла модель, где ошиблась, где передала человеку. Это не магия, а управляемый процесс с измеримой отдачей.
Кому подходит ML-моделирование
Свою модель имеет смысл обучать, когда готовые решения упираются в специфику ваших данных или процессов: свой словарь терминов, сотни внутренних категорий, специфичные временные ряды. Четыре ситуации, в которых заказчики приходят к нам за ML, и что получает каждая:
- Поток документов с внутренней классификацией. Сотни типов входящих бумаг, свои правила маршрутизации: классификатор точнее любой универсальной модели и обучается на вашей разметке.
- Прогноз спроса, нагрузки, оттока.. Планирование закупок, персонала смен, удержания: модель на вашей истории даёт прогноз с горизонтом и границами доверия.
- Скоринг и приоритизация.. Заявки, обращения, инциденты: модель ранжирует по риску или ценности, люди начинают день с важнейшего.
- Компании с особыми требованиями к контуру.. Данные не покидают периметр — модель и инференс разворачиваются локально (см. локальный LLM и vLLM-инференс).
Что делаем: этапы ML-проекта
Классическая лестница — от вопроса до работающего инференса:
- Постановка и метрики — бесплатно.. Формулируем задачу и целевую метрику процесса (не «точность модели», а «доля автоматических решений»). КП — за 1 рабочий день.
- Прототип — от 90 000 ₽, 3–5 рабочих дней.. Быстрая модель на ваших данных с честной оценкой качества: если качество недостижимо — вы узнаёте это за 90 000 ₽, а не за месяцы работ.
- Пилот — от 480 000 ₽, 4–6 недель.. Модель в реальном процессе с человеком-контролёром, замер эффекта на живых данных, дообучение на ошибках.
- Подготовка данных и разметка.. Чистка, разметка, защита от утечек в признаки; методология — как в гайде по подготовке данных.
- Продакшн-инференс.. Модель упаковывается в сервис: API, мониторинг качества и дрейфа данных, версия моделей; для LLM — свой контур с квантованием под доступное железо.
- Сопровождение.. Переобучение по расписанию и по дрейфу, контроль качества, развитие признаков — от 50 000 ₽/мес (сопровождение ИИ-контура).
Технологии и стек
. Для классических задач — проверенные ML-фреймворки и пайплайны; для языковых — open-source LLM (Qwen, Llama, GPT-OSS) с дообучением под стиль и терминологию, продакшн-подача через vLLM. Обзор — в разделе технологий.
Цены и сроки
. Ориентиры открытого прайса (сентябрь 2026):
| Этап | Цена | Срок |
|---|---|---|
| Постановка задачи и КП | бесплатно | 1 рабочий день |
| Прототип модели | от 90 000 ₽ | 3–5 рабочих дней |
| Пилот в реальном процессе | от 480 000 ₽ | 4–6 недель |
| Полный контур с инференсом | 0,9–1,2 млн ₽ | по КП |
| Сопровождение моделей | от 50 000 ₽/мес | постоянно |
| Разовые доработки | ставки рынка 2 800–3 800 ₽/ч | по КП |
Цены — «от», без НДС (УСН, п. 2 ст. 346.11 НК РФ). Сентябрь 2026. Метрики и границы применимости модели фиксируются в КП.
Стоимость складывается из подготовки данных (часто самая недооценённая часть), сложности модели и режима эксплуатации: разовый прототип дешевле контура с мониторингом дрейфа и регулярным переобучением. Мы разделяем решение по лестнице: сначала 90 000 ₽ за прототип с честной оценкой достижимого качества, затем пилот на реальном процессе, и только потом — продакшн. Так бюджетный риск остаётся управляемым, а каждый следующий этап оплачивается по результатам предыдущего.
Метрики пилота: что измеряем
| Метрика | Как считаем |
|---|---|
| Качество модели | целевая метрика задачи на отложенной выборке |
| Доля авт решений | решения без участия человека против всех |
| Цена ошибки | стоимость ложного срабатывания и пропуска |
| Деградация со временем | дрейф качества между переобучениями |
| Время инференса | задержка ответа модели в продакшн-контуре |
Смежные услуги и материалы
ML-проект живёт в окружении данных и экспериментов:
Ресёрч и НИОКР
Проверка гипотез прототипом — от 90 000 ₽ за 3–5 дней.
LLM-интеграции и RAG
Если задача решается без своей модели — это дешевле: пилот от 480 000 ₽.
Данные как сервис
Датапайплайн, который кормит модель свежими данными.
Дорожная карта внедрения ИИ — в профильном гайде; когда нужна своя модель, а когда RAG — в центре разработки и защиты ИИ. Полный каталог — услуги НЬЮ-ССТ.
Опишите задачу своими словами: что предсказать или классифицировать и какое решение от этого зависит. На бесплатном разборе поставим метрику, а прототип за 90 000 ₽ честно покажет, достижимо ли нужное качество на ваших данных.
Красные флаги при заказе ML
- «Начнём сразу с обучения нейросети» — без постановки метрики процесса. Образцовая ошибка: модель точная, пользы нет.
- «Метрики покажем после внедрения». Метрики качества обязаны быть известны уже на прототипе за 90 000 ₽.
- «Данные потом почистим». Качество модели ограничено качеством данных сверху; грязь на входе — мусор на выходе.
- «Сопровождение не нужно». Без мониторинга дрейфа модель тихо деградирует; закладывайте владение, а только не создание.