Специалисты Сбера представили новую гиперсетевую ИИ-модель, которая будет делать точные прогнозы в энергетике, логистике, финансах и других отраслях
В России в Центре практического применения искусственного интеллекта Сбербанка разработали новую ИИ-модель. В ее основе лежит гиперсетевая архитектура для прогнозирования многомерных временных рядов. Она адаптирует нейросеть под каждый отдельный информационный сигнал с учетом его особенностей. Это может быть график потребления электроэнергии в конкретной квартире или характер движения транспорта на отдельной улице.
На основе анализа данных гиперсеть формирует индивидуальные параметры прогнозирования для каждой задачи. Это позволяет одной и той же базовой модели точнее работать в различных сценариях, адаптируясь под их особенности.
Научное признание и практический эффект
Научную статью о разработке подготовил научный директор Центра практического искусственного интеллекта Сбербанка Андрей Савченко. Работа уже принята к публикации на одной из крупнейших международных конференций по искусственному интеллекту AAAI 2026.
Разработчики говорят, что специальная надстройка делает даже простые модели более эффективными. По точности они могут превосходить сложные современные архитектуры, при этом не требуя дополнительных вычислительных ресурсов в процессе работы.
Скорость без границ
Главным преимуществом новой модели стала высокая скорость. Гиперсеть используется только на этапе обучения. При построении прогнозов в режиме реального времени она не задействуется и не перегружает работу системы.
Директор Центра практического применения искусственного интеллекта Сбербанка Николай Тиден подчеркивает, что разработка решает актуальную задачу без усложнения архитектуры.
«Вместо громоздкой модели с огромным количеством параметров мы создали компактную гиперсеть, которая точно настраивает основную модель под особенности данных и позволяет повысить точность прогнозов до 20 процентов без снижения скорости работы», — отметил он.
Для разных отраслей
Методика уже готова к практическому внедрению и может подключаться к большинству существующих систем прогнозирования. В энергетике она помогает точнее рассчитывать нагрузку и снижать риск аварий. В городской логистике — прогнозировать транспортные потоки и предотвращать пробки. В медицине — повышать точность оценки состояния пациентов и динамики показателей.