Сбер представил ИИ-модель для высокоточного прогнозирования сложных временных рядов
Исследователи из Сбера объявили о значительном прорыве в области аналитики сложных данных, представив инновационный метод прогнозирования многомерных временных рядов. Разработка основана на применении уникальной гиперсетевой модели искусственного интеллекта. Этот новый подход демонстрирует высокую точность и скорость предсказания изменений в сложнейших динамических системах, что открывает широкие перспективы для внедрения в критически важных секторах экономики и социальной сферы, включая энергетику, финансы, городское управление, экологический мониторинг и медицину.
В пресс-службе Сбера пояснили, что временные ряды — это последовательные наборы данных, такие как котировки акций, погодные условия или показатели потребления ресурсов. Прогнозирование таких рядов традиционно затруднено из-за огромного числа взаимодействующих факторов и часто недостаточного количества обучающих данных.
Российские разработчики предложили элегантное решение, отказавшись от создания единой, громоздкой нейросетевой модели. Вместо этого они скомбинировали две нейросети. Центральным элементом стала компактная гиперсеть, чья задача — не прогнозирование напрямую, а анализ специфических характеристик каждого входящего потока данных. После анализа гиперсеть настраивает и адаптирует под эти особенности основную, но более легкую и быструю прогностическую модель.
Директор Центра практического искусственного интеллекта Сбербанка Николай Тиден подчеркнул преимущества такой архитектуры: «Мы ушли от создания сверхсложных моделей с миллионами параметров. Наша компактная гиперсеть выполняет роль умного адаптера. Она точно подстраивает основную модель под уникальные особенности каждого набора данных. В результате мы видим увеличение точности предсказаний, достигающее в ряде случаев 20%, при этом скорость вычислений не страдает».
Такая архитектура обеспечивает высокую эффективность даже при работе с относительно небольшими выборками данных, позволяя системе улавливать скрытые, неявные взаимосвязи между различными переменными внутри одного массива. Технология уже находится на стадии готовности к практическому внедрению. В энергетическом секторе она позволит оптимизировать расход ресурсов путем более точного прогнозирования пиковых нагрузок на сети. Для городского управления ИИ станет инструментом для адаптивного управления светофорами и анализа транспортных потоков, что обещает существенное сокращение пробок. В финансовой сфере система повысит надежность рыночных прогнозов, а в медицине и экологии — улучшит моделирование сложных биологических и природных процессов. Это серьезный шаг вперед, сделанный в феврале 2026 года.
