Sber AI Lab перенесла методы детектирования объектов в прогнозирование событий

Команда Sber AI Lab — Андрей Савченко, директор по науке, и Иван Карпухин, senior researcher, — представила на конференции AAAI 2026 исследование, которое переносит методы детектирования объектов из компьютерного зрения в задачу долгосрочного прогнозирования последовательностей событий.

Какая аналогия лежит в основе метода

Детектирование объектов на изображении отвечает ровно на два вопроса: что находится на фото и где именно расположен объект. Задача прогнозирования событий устроена аналогично: какое событие произойдёт следующим и когда именно это случится. Исследователи предложили формально сопоставить двумерное пространство изображения с одномерной временной осью — и это соответствие позволило перенести целый класс алгоритмов объектной детекции в моделирование временных рядов.

На первый взгляд параллель неочевидна. Детектор ищет автомобили, людей и дорожные знаки на фотографии, а прогностическая модель предсказывает следующую транзакцию клиента банка или последовательность медицинских назначений. Но на уровне математической постановки задач разница оказалась меньше, чем кажется: детектор объектов выдаёт пары «класс + координата», событийная модель — пары «тип события + момент наступления». По существу это одна и та же двойная задача, развёрнутая в разных пространствах.

Для каких задач работает этот метод?

Авторы выделяют несколько прикладных областей, где перенос методологии особенно оправдан:

• Банковская аналитика — предсказание следующих транзакций и покупок клиента по истории операций
• Медицинское моделирование — прогнозирование последовательности процедур и интервалов между ними
• Поведение в социальных сетях — предсказание пользовательской активности и её временной динамики

В каждом из этих сценариев модель должна одновременно предсказать и тип следующего события, и момент его наступления — ровно та же постановка, что у детектора объектов: не просто «что», но и «когда». Именно это структурное сходство открыло возможность для переноса архитектурных решений и обучающих эвристик, которые в задачах компьютерного зрения оттачивались годами.

Авторы подчёркивают, что выбор этих областей неслучаен: все три работают с длинными историческими последовательностями, где одинаково важны идентификация типа следующего события и точность предсказания его времени.

Почему такой подход перспективен?

Авторы вписывают работу в более широкую тенденцию AI-исследований за последнее десятилетие: наиболее результативные идеи рождались не в рамках одной предметной области, а на стыке нескольких. Трансформеры сначала появились в обработке естественного языка, а затем кардинально изменили компьютерное зрение и сегодня лежат в основе практически всех современных ML-архитектур.

«Неожиданно оказалось, что многие идеи, давно ставшие стандартом в задачах детектирования объектов, позволяют принципиально иначе взглянуть на прогнозирование будущих событий», —

Савченко и Карпухин в докладе на AAAI 2026.

Перенос инструментария object detection означает, что накопленный годами опыт — архитектуры, методы обучения, эвристики работы с аннотированными данными — не ограничен задачами компьютерного зрения и может быть переосмыслен в банковском AI, медицинской аналитике и поведенческом моделировании.

Публикация на AAAI 2026 — одной из наиболее авторитетных конференций по искусственному интеллекту — означает, что исследование прошло строгое рецензирование научного сообщества.

Что это значит

Работа Sber AI Lab иллюстрирует продуктивную стратегию: вместо создания специализированных архитектур с нуля искать структурное сходство с уже хорошо решёнными задачами. Граница между компьютерным зрением и прогнозированием временных рядов оказывается условной — это открывает прямой путь для переноса десятилетий накопленных методов в области, где их ещё не применяли.