Mašininis mokymasis

Mašininis mokymasis (angl. machine learning, ML) – dirbtinio intelekto sritis, kurioje kompiuteris taisykles išmoksta iš duomenų pavyzdžių, užuot jas gavęs iš programuotojo. Modeliui parodoma tūkstančiai istorinių atvejų – užsakymų, laiškų, operacijų – ir jis randa dėsningumus, pagal kuriuos prognozuoja naujus: kiek prekių bus parduota, ar klientas išeis, ar mokėjimas sukčiavimas, kuriai kategorijai priklauso tekstas.

Kaip veikia mašininis mokymasis

Įprastoje programoje žmogus parašo taisyklę: „jei laiške yra žodis grąžinimas, siųsk grąžinimų skyriui“. Mašininio mokymosi atveju žmogus pateikia pavyzdžius – 5 000 laiškų, kurie jau buvo priskirti skyriams – o algoritmas pats nustato, kurie žodžiai ir jų deriniai rodo kiekvieną skyrių. Rezultatas vadinamas modeliu: tai matematinė funkcija su išmoktais parametrais.

Darbo ciklas paprastai yra toks:

1. Duomenų surinkimas. Istoriniai pavyzdžiai su žinomu atsakymu (pardavimai, pažymėti laiškai, patvirtintos sukčiavimo operacijos).
2. Požymių paruošimas. Nusprendžiama, ką modelis „mato“: savaitės diena, kaina, akcija, oras, kliento pirkimų skaičius, laiško žodžiai.
3. Mokymas. Algoritmas parenka parametrus, kad prognozės kuo geriau atitiktų žinomus atsakymus.
4. Testavimas. Modelis tikrinamas su duomenimis, kurių nematė mokymo metu. Tik tai parodo tikrąjį tikslumą.
5. Naudojimas. Modelis prognozuoja naujiems atvejams – dažnai per milisekundes ir be išorinių paslaugų.
6. Stebėsena ir perkvalifikavimas. Pasikeitus rinkai, asortimentui ar klientų elgsenai, modelio tikslumas krenta, todėl jis periodiškai mokomas iš naujo.

Pats terminas siejamas su Arthur Samuel 1959 m. straipsniu „Some Studies in Machine Learning Using the Game of Checkers“, kuriame kompiuteris išmoko žaisti šaškėmis geriau už savo kūrėją.

Mašininio mokymosi rūšys

Rūšis	Kaip mokosi	Verslo pavyzdžiai
Prižiūrimasis mokymasis (angl. supervised)	Iš pavyzdžių su žinomu atsakymu	Paklausos prognozė, klientų nutekėjimo rizika, laiškų klasifikavimas, kainos įvertinimas
Neprižiūrimasis mokymasis (angl. unsupervised)	Ieško struktūros be atsakymų	Klientų segmentavimas, anomalijų paieška, panašių prekių grupavimas
Skatinamasis mokymasis (angl. reinforcement learning)	Bandymais ir atlygiu	Reklamos biudžeto paskirstymas, sandėlio robotai, kalbos modelių derinimas pagal žmonių vertinimus
Gilusis mokymasis (angl. deep learning)	Daugiasluoksniai neuroniniai tinklai	Vaizdų ir kalbos atpažinimas, vertimas, LLM

Mašininis mokymasis, gilusis mokymasis ir generatyvinis DI

Šios sąvokos yra viena kitoje kaip matrioškos. Dirbtinis intelektas – plačiausia sritis, apimanti ir taisyklėmis grįstas sistemas. Mašininis mokymasis – DI dalis, kur taisyklės išmokstamos iš duomenų. Gilusis mokymasis – ML dalis, naudojanti daugiasluoksnius neuroninius tinklus. Dideli kalbos modeliai ir generatyvinis DI – giliojo mokymosi modeliai, išmokyti iš milžiniškų duomenų kiekių kurti tekstą, vaizdus ar garsą. Kai sakoma „pritaikėme DI“, 2026 m. dažniausiai turimas omenyje kalbos modelis, bet daugelyje verslo sprendimų – prognozėse, rekomendacijose, sukčiavimo aptikime – vis dar dirba klasikinis mašininis mokymasis, nes jis pigesnis, greitesnis ir lengviau paaiškinamas.

Klasikinis ML ar kalbos modelis: mūsų bandymas su lietuvišku tekstu

2026-10-13 palyginome du būdus tai pačiai užduočiai – priskirti lietuvišką pastraipą vienai iš trijų temų (el. prekyba, kriptovaliutos, dirbtinis intelektas). Duomenys – 984 pastraipos iš 98 mūsų žinyno įrašų, iš viso 52 887 žodžiai.

• Klasikinis ML: paprastas naivusis Bayes klasifikatorius pagal žodžius, be jokio lietuvių kalbos apdorojimo. Tikrinome 4 dalių kryžminiu patikrinimu, atskirdami įrašus, kad modelis nematytų to paties termino pastraipų mokymo ir testo metu.
• Kalbos modelis be mokymo: gpt-6-luna su vieno sakinio instrukcija (angl. zero-shot), be pavyzdžių.

Būdas	Tikslumas	Mokymo laikas	Laikas vienai pastraipai	Kaina 984 pastraipoms
Naivusis Bayes (mokytas iš ~740 pastraipų)	91,8 %	0,02 s	0,08 ms	≈ 0 € (nešiojamas kompiuteris)
gpt-6-luna be mokymo	96,1 %	nereikia	apie 1–3 s per API	≈ 0,021 €

Ką tai rodo: kalbos modelis be jokių pavyzdžių lietuvišką tekstą klasifikavo tiksliau nei paprastas ML modelis, kuriam reikėjo šimtų pažymėtų pavyzdžių. Tačiau ML modelis dirba tūkstančius kartų greičiau, nemokamai ir be duomenų siuntimo išorės tiekėjui, o su daugiau pavyzdžių ir geresniais požymiais jo tikslumas paprastai didėja. Praktinė išvada: tekstų užduotims verta pradėti nuo kalbos modelio, o kai srautas išauga iki milijonų įrašų arba reikia veikti be interneto, pažymėtus kalbos modelio rezultatus galima panaudoti klasikiniam modeliui išmokyti.

Kur mašininis mokymasis naudojamas el. prekyboje ir versle

• Paklausos prognozė ir atsargos. Kiek prekių užsakyti, atsižvelgiant į sezoną, akcijas, šventes (el. prekybos kalendorius) ir orus.
• Rekomendacijos. „Su šia preke dažnai perka“, personalizuoti naujienlaiškiai, prekių rikiavimas kategorijoje.
• Sukčiavimo aptikimas. Mokėjimų tiekėjai įvertina operacijos riziką per milisekundes; parduotuvės papildomai žymi įtartinus užsakymus.
• Klientų nutekėjimas ir vertė. Kurie klientai greičiausiai nebegrįš ir kokia jų prognozuojama LTV.
• Kainodara. Kainos elastingumo vertinimas, nuolaidų poveikio maržai prognozė.
• Reklama. Google ir Meta reklamos sistemos naudoja ML pasiūlymams ir auditorijoms – jūsų konversijų duomenų kokybė tiesiogiai lemia rezultatą.
• Paieška. Semantinė paieška naudoja embedding modelius – taip pat ML.

Kaip pradėti mašininio mokymosi projektą

1. Suformuluokite sprendimą, ne modelį. Ne „norime ML“, o „norime kas pirmadienį žinoti, kiek kiekvienos prekės užsakyti iš tiekėjo“. Tikslas nulemia, kokių duomenų ir tikslumo reikia.
2. Patikrinkite duomenis. Ar yra bent metų istorija, ar ji vienoje vietoje, ar žinomas teisingas atsakymas kiekvienam atvejui. Dažnai pusė projekto laiko – duomenų sutvarkymas.
3. Nustatykite bazinį lygį. Paprasčiausia taisyklė ar vidurkis, su kuriuo lyginsite modelį. Jei modelis jo reikšmingai neaplenkia, jo nereikia.
4. Pradėkite nuo paprasto modelio. Tiesinė regresija ar sprendimų medžiai dažnai duoda didžiąją dalį naudos ir lengvai paaiškinami.
5. Įdiekite ten, kur priimami sprendimai. Prognozė turi atsirasti užsakymų lentelėje, CRM ar el. parduotuvės administravime, o ne atskiroje ataskaitoje, kurios niekas neatidaro.

Ko reikia mašininio mokymosi projektui

Komponentas	Ką reikia turėti	Dažna problema
Duomenys	Bent kelis šimtus–tūkstančius pavyzdžių su atsakymu, geriausia už 1–2 metus	Duomenys išbarstyti po skirtingas sistemas, trūksta istorijos
Aiškus tikslas	Ką prognozuojame ir kokį sprendimą tai pakeis	Modelis sukurtas, bet niekas jo prognozėmis nesiremia
Bazinis lygis	Paprasčiausia taisyklė palyginimui (pvz., „kaip pernai tą savaitę“)	ML modelis nepalygintas su paprastu sprendimu
Įrankiai	Python bibliotekos (scikit-learn, XGBoost, PyTorch) arba debesijos ML paslaugos	Per sudėtingas įrankis mažai užduočiai
Priežiūra	Tikslumo stebėsena ir perkvalifikavimas	Modelis po metų prognozuoja pagal pasenusius dėsningumus

Jei duomenų nedaug, o užduotis susijusi su tekstu, dažnai greičiau ir pigiau pritaikyti kalbos modelį su gerais promptais ar fine-tuning, nei kurti savo ML modelį nuo nulio. Tokius sprendimus padedame įvertinti ir įdiegti DI integracijų projektuose; kalbos modelių kainas rasite įrankyje DI modelių API kainos.

Pagal Eurostat, 2025 m. mašininį mokymąsi (įskaitant gilųjį mokymąsi) duomenų analizei naudojo 4,62 % Lietuvos įmonių, turinčių 10 ir daugiau darbuotojų (ES vidurkis – 5,1 %), nors bent vieną DI technologiją naudojo 21,3 % (ES – 19,95 %). Kitaip tariant, Lietuvos įmonės dažniau naudoja paruoštus DI įrankius nei kuria savo ML modelius – dažniausia kliūtis yra ne algoritmai, o sutvarkyti istoriniai duomenys.

Jei ML modelis naudoja asmens duomenis (pirkimų istoriją, elgseną svetainėje), taikomas BDAR: reikia teisinio pagrindo, o vien automatizuotu tvarkymu grindžiami sprendimai, turintys teisinių ar panašiai reikšmingų pasekmių žmogui, ribojami BDAR 22 straipsnio. ES DI aktas tam tikras ML taikymo sritis, pavyzdžiui, kreditingumo vertinimą ar darbuotojų atranką, priskiria didelės rizikos sistemoms. Lietuvoje priežiūrą vykdo Valstybinė duomenų apsaugos inspekcija (VDAI) ir Ryšių reguliavimo tarnyba (RRT). Daugiau apie reguliavimą – ES DI aktas.