На конференции AAAI 2026 исследователи Sber ИИ Lab — Андрей Савченко и Иван Карпухин — представили работу, переносящую методы детектирования объектов на задачу долгосрочного прогнозирования последовательностей событий. В докладе показано, что многие идеи, ставшие стандартом в компьютерном зрении, позволяют принципиально иначе взглянуть на предсказание будущих событий.
Последовательности событий принципиально отличаются от временных рядов. Во временных рядах измерения проводятся через равные промежутки времени, тогда как интервалы между событиями могут быть произвольными. Например, клиент банка может совершить две транзакции подряд, а затем не пользоваться картой несколько недель. Кроме временной метки, каждое событие содержит множество атрибутов: тип, категорию, числовые характеристики и другие. Модель должна одновременно учитывать временную структуру и взаимосвязи между событиями.
| Модель | Принцип | Ограничение |
|---|---|---|
| Процесс Пуассона | События независимы, постоянная интенсивность | Не подходит для зависимых событий |
| Процесс Хоукса | Самовозбуждение: событие увеличивает вероятность последующих | Не учитывает множество типов событий |
| Нейросетевые MTPP | Учёт сложных нелинейных зависимостей через нейронные сети | Требуют больших данных и вычислительных ресурсов |
Авторы обратили внимание на схожесть задач: в детектировании объектов модель отвечает на вопросы «что находится на изображении» и «где», а в прогнозировании событий — «какое событие произойдёт» и «когда». Двумерное пространство изображения заменяется одномерной временной осью. Эта аналогия позволила перенести целый класс методов из object detection в моделирование последовательностей событий.
Исторически для таких данных использовались временные точечные процессы: от простого процесса Пуассона, предполагающего независимость событий, до процессов Хоукса с самовозбуждением. Однако в реальных приложениях с десятками типов событий эти модели неэффективны. Современный подход — нейросетевые marked temporal point processes (MTPP), которые учитывают сложные зависимости. Новая работа Sber ИИ Lab обогащает MTPP техниками, заимствованными из компьютерного зрения.
Практическая значимость метода высока в областях с большим объёмом событийных данных: банковские транзакции, медицинские процедуры, активность в соцсетях. Однако остаётся неопределённость в реальном внедрении — исследование пока теоретическое, и необходима дополнительная проверка на конкретных бизнес-задачах. Тем не менее, сам факт переноса методов между такими разными областями подчёркивает тренд на междисциплинарность в ИИ.
