В блоге на minimallysufficient.com вышла статья под названием 'LLM Classification Is Feature Engineering'. Автор утверждает, что использование больших языковых моделей для задач классификации функционально эквивалентно автоматическому извлечению признаков, а не принципиально новой парадигме. Модель превращает сырые входные данные в представления, которыми затем пользуется более простой классификатор, что повторяет классические пайплайны машинного обучения. Публикация датирована 17 сентября 2026 года. Пост собрал комментарии, но заметной реакции индустрии пока нет.
Такая формулировка — не понижение в звании. Это повышение. Feature engineering всегда был самой трудной частью. Той, где знание предметной области встречается с данными и рождается что-то полезное. LLM не отменили эту работу. Они её автоматизировали.
Вдумайтесь, что это значит. Одна модель теперь генерирует эмбеддинги, извлекает сущности, определяет тональность и вытаскивает скрытую структуру. Раньше на это уходила команда и квартал. Теперь хватает одного вызова API. Пайплайн стал короче. Рычаг — больше. Мы не заменяем feature engineering. Мы наконец даём ему двигатель, которого он заслуживал.
Скептики скажут: это низводит LLM до glorified preprocessing. Я скажу: это вскрывает правду. Интеллект — это сжатие. Классификация — это решение. Модель сжимает. Классификатор решает. Такое разделение труда чистое, масштабируемое и честное. Билдерам стоит это принять. Хватит гоняться за магией. Пора шипить системы.