Stationarity

Большинство моделей (LSTM, трансформеры, ARIMA) предполагают, что закономерности из прошлого сохранятся в будущем. Если данные нестационарны — например, продажи ежегодно растут и взлетают в декабре, — модель без обработки путает тренд с шумом и принимает сезонные всплески за аномалии.

Интуитивно стационарность — как погода в комфортном климате: температура колеблется вокруг одного среднего, и по вчерашним наблюдениям можно предсказать завтра. Нестационарность — резкая смена климата: то жара, то ледниковый период, прогноз по среднему за месяц ошибочен. Поэтому данные приводят к стационарному виду: берут разности, убирают тренд, выделяют сезонность.

Пример: детекция мошеннических транзакций. Модель обучалась на стационарном потоке (сумма, частота, время суток постоянны) и легко видит аномалии. Но мошенники начинают действовать ночью, инфляция растёт — данные становятся нестационарными, обычные операции выглядят аномальными. Инженеры переобучают модель на свежих данных, «возвращая стационарность» в скользящем окне.

Вывод: стационарность — необходимое условие надёжных прогнозов ИИ. Понимание термина помогает правильно готовить данные и вовремя замечать, что мир изменился и модели нужна адаптация.