УДК 004.8
DOI: 10.36871/ 26189976.2026.06.008

Авторы

Ян Константинович Бенц,
Магистрант 1-го курса обучения, кафедра математического моделирования и информационных технологий Высшей школы управления, Российский университет дружбы народов имени Патриса Лумумбы, Москва, Россия

Аннотация

В статье рассматривается современное состояние автоматического машинного обучения (AutoML) как инструмента для упрощения и ускорения построения моделей машинного обучения. Основное внимание уделено ключевым компонентам AutoML: пространству поиска моделей, стратегиям поиска и процедурам оценки качества, а также вопросам предобработки данных, отбора признаков и подбора гиперпараметров. Обсуждаются преимущества AutoML в снижении зависимости от квалифицированных специалистов, повышении воспроизводимости результатов и ускорении внедрения моделей в прикладные сценарии. Кроме того, рассматривается использование AutoML в различных областях, включая финансы, промышленность и здравоохранение, с акцентом на эффективность, адаптивность и масштабируемость решений. В рамках статьи разработано собственное решение, реализующее автоматический подбор моделей и гиперпараметров для задач регрессии, классификации и кластеризации с высокой точностью.

Ключевые слова

машинное обучение
автоматическое машинное обучение
искусственный интеллект
автоматизация

Список литературы

[1] Баратчи М., Ван К., Лиммер Ш. и др. Автоматизированное машинное обучение: прошлое, настоящее и будущее // Обзор искусственного интеллекта. 2024. № 57. URL: https://ru.scribd.com/document/847409629/2024-AutoML-past-present-and-future-1.

[2] Бархатов А. Как работает Machine Learning (ML). Timeweb Cloud. 2025. URL: https:// timeweb.cloud/blog/kak-rabotaet-machine-learning-metody-primenenie-perspektivy.

[3] Ветров Д. П. Машинное обучение — состояние и перспективы. CEUR-WS.org. 2013. URL: https://ceur-ws.org/Vol-1108/rcdl2013.pdf.

[4] Коротеев М. В. Обзор некоторых современных тенденций в технологии машинного обучения // E-Management. 2018. T. 1, № 1. URL: https://e-management.guu.ru/jour/ article/viewFile/5/6.

[5] Alsop P. (2021) DataRobot delivers new platform ehancements to further democratise AI. MSP Channel Insights. URL: https://msp-channel.com/news/61470/datarobot-deliversnew-platform-ehancements-to-further-democratise-ai.

[6] Dignan L. (2018) Cloud AutoML: How Google aims to simplify the grunt work behind AI and machine learning models. ZDNET. URL: https://www.zdnet.com/article/google-launchescloud-automl-an-effort-to-simplify-and-automate-the-grunt-work-behind-ai-and-machine/.

[7] Heller M. (2020) Review: DataRobot aces automated machine learning. InfoWorld. URL: https://www.infoworld.com/article/2261193/review-datarobot-aces-automated-machinelearning.html.

[8] Ivanyuk V. (2023) Forecasting of digital financial crimes in Russia based on machine learning methods. J Comput Virol Hack Tech, no. 4, pp. 1–14. URL: https://pmc.ncbi.nlm.nih.gov/ articles/PMC10159233/.

[9] Li F.-F., Li J. (2018) Cloud AutoML: Making AI accessible to every business. The Keyword. URL: https://blog.google/products/google-cloud/cloud-automl-making-ai-accessibleevery-business/.

[10] Murashko M. A., Vankov V. V., Panin A. I., et al. (2025) Implementation of artificial intelligence technologies in healthcare in Russia: results of 2024. National Health Care (Russia), no. 6 (3). URL: https://www.webiomed.ru/en/publications/implementation-of-artificialintelligence-technologies-in-healthcare-in-russia-results-of-2024/.

[11] Schaar M., Maxfield N. (2025) AutoML: powering the new human-machine learning ecosystem. van der Schaar Lab. URL: https://www.vanderschaar-lab.com/automl-poweringthe-new-human-machine-learning-ecosystem/.

[12] Seidel L. O. (2026) Sberbank Leverages Machine Learning for Advanced Fraud Detection. LimkedIn. URL: https://www.linkedin.com/posts/luis-oria-seidel- %F0%9F%87%BB%F0%9F%87%AA-301a758a_machinelearning-frauddetectioncybersecurity-activity-7424335909518520320-gd8c.