▶ 21:19
Точность 99,87% — и модель бесполезна | Mikhail MiCO | G GATE CONF 2026
👁
4
на YouTube
📊
46
на aff.top
О чём это видео
Доклад Михаила MiCO посвящен прагматичному подходу к внедрению технологий ИИ и машинного обучения в нише iGaming. Автор объясняет разницу между хайповым генеративным AI и предиктивным ML, который приносит реальную прибыль через прогнозирование оттока игроков (churn) и оценку качества трафика. Основной тезис: большинству компаний AI пока не нужен, так как у них отсутствуют базовые процессы, качественные данные и отчетность. Рассматриваются причины провала ML-проектов, включая завышенные ожидания, страх потери контроля и неверную интерпретацию метрик. Видео служит ориентиром для перехода от интуитивного управления к Data-driven культуре, где алгоритмы усиливают существующие процессы, а не пытаются заменить людей или исправить системный хаос.
Ключевые тейки
-
ML приносит деньги, а AI — хайпВ гемблинге основной профит дает предиктивный ML (прогноз LTV, оттока, антифрод), а не генеративные нейросети. Индустрии нужно переходить к прагматичному использованию алгоритмов для ранжирования игр и оценки трафика.
-
Алгоритмы не лечат системный хаосИИ — это усилитель. Если бизнес-процессы в компании не выстроены и решения принимаются интуитивно, внедрение модели только масштабирует беспорядок. Сначала создается регламент, затем — его автоматизация.
-
Ловушка точности в 99%Высокая точность (accuracy) часто бесполезна. Модель может иметь показатель 99,87%, просто предсказывая отсутствие фрода для всех, но при этом пропускать реальных мошенников. Важен бизнес-эффект, а не сухие цифры в презентации.
-
Не увольняйте людей ради экономииЗамена персонала на ИИ ради сокращения ФОТ — тупиковый путь. Намного выгоднее дать текущим сотрудникам инструменты для повышения их эффективности и роста общей выручки компании, сохраняя при этом экспертизу внутри.
-
Данные — это фундамент автоматизацииНельзя внедрять ML без налаженного логирования и отчетности. Компании нужно пройти путь от сбора данных и принятия решений на их основе (Data-driven) до автоматизации этих решений через алгоритмы.
Вопросы и ответы
Почему внедрение AI в моем проекте не дает роста прибыли?
Скорее всего, у вас нет четких KPI для обучения модели или не выстроены процессы. AI не создает бизнес-логику, он лишь оптимизирует то, что уже работает по понятным правилам.
Что лучше для iGaming: ChatGPT или классический ML?
Для бизнеса важнее предиктивный ML. Он позволяет предсказывать, когда VIP-игрок уйдет, какое качество у нового источника трафика и какие игры предложить конкретному пользователю.
Как понять, что модель реально работает, если я не технарь?
Перестаньте смотреть на точность в процентах. Единственный верный способ — проведение честных A/B тестов и отслеживание динамики выручки на дашбордах.
Стоит ли бояться потери контроля при использовании ИИ?
Сложные модели нельзя объяснить простыми правилами. Вам нужно выбрать: либо простые прозрачные формулы в Excel с низкой точностью, либо сложный ML, приносящий деньги, но работающий как 'черный ящик'.
Обновлено: 17 сентября 2026