Недавно один клиент спросил нас о разнице между дипфейком и чипфейком. Этот вопрос фактически поднимает более глобальную проблему: в области обнаружения ИИ сформировался собственный словарный запас, и значение терминов или их взаимосвязь не всегда очевидны.
Поэтому мы составили список терминов из всех областей обнаружения ИИ — от формулировок в нормативных документах до сленга, который люди используют в чатах. Определения намеренно сделаны лаконичными. Некоторые из них не носят технического характера, другие рассчитаны на специалистов по безопасности или телефонии. Если у термина есть разговорный аналог, мы отметили это. Цель состоит в том, чтобы дать вам достаточно знаний для уверенного участия в совещаниях, разоблачения недобросовестных поставщиков или объяснения совету директоров, почему эта статья расходов имеет значение.
Если вы новичок в этой теме, начните с понятий «дипфейк», «клонирование голоса» и «речь-в-речь». Если вы сравниваете продукты для обнаружения, обратите внимание на показатель уверенности (confidence score), ложноотрицательный результат и покрытие моделей. По вопросам подлинности контента и регулирования хорошей отправной точкой будут стандарты C2PA, водяные знаки и Статья 50 Закона ЕС об искусственном интеллекте.
Четыре пары терминов, которые часто путают
Глоссарий
Захват учетной записи (ATO): ситуация, когда злоумышленник получает несанкционированный доступ к чужому аккаунту, как правило, для кражи денег, информации или других ресурсов. Дипфейки могут помочь мошенникам обходить проверки личности с помощью клонированного голоса при телефонной верификации или подмены лица во время видеопроверки. Захват учетной записи — это один из рисков, для предотвращения которых организации используют технологии обнаружения дипфейков. См. также KYC и вишинг.
Обнаружение агентов: определение того, кем является сущность, взаимодействующая с системой: человеком, обычным ботом или агентом ИИ. Это отличается от обнаружения дипфейков, при котором медиафайлы проверяются на наличие признаков генерации или манипуляции с помощью ИИ. Агенты ИИ могут взаимодействовать с веб-сайтами, приложениями и телефонными системами для выполнения задач, иногда скрывая свою истинную личность. Например, в контакт-центрах они могут перемещаться по системам IVR, запрашивать информацию об учетных записях и автоматизировать взаимодействие в больших масштабах. Традиционное обнаружение веб-ботов может не распознать агентов, действующих через голосовые каналы. Решение Resemble Agent Detection определяет агентов ИИ во время живых звонков, в том числе тех, которых традиционные инструменты обнаружения ботов могут не заметить.
Состязательная атака: попытка манипулировать моделью машинного обучения так, чтобы она выдала неверный результат. Это может включать внесение небольших изменений во входные данные — порой незаметных для человека, — из-за которых детектор неправильно классифицирует файл. Тестирование на состязательную устойчивость проверяет, насколько хорошо модель работает, когда ее кто-то намеренно пытается обмануть. Это важная часть оценки систем обнаружения, предназначенных для приложений безопасности.
Обнаружение ИИ: процесс определения того, были ли аудио, видео, изображения или текст сгенерированы либо изменены с помощью ИИ. Системы обнаружения анализируют медиафайлы и выдают результат, часто вместе с показателем уверенности. Это приобретает все большую важность по мере совершенствования генеративных инструментов. В ходе теста, проведенного Resemble AI на выставке MWC в Барселоне, около 70% специалистов по безопасности не смогли отличить реальные голоса от сгенерированных ИИ. Бесплатное расширение для Chrome позволяет проверять контент прямо в вашем браузере.
Артефакты: несовершенства, остающиеся после генерации или манипуляции с медиафайлами. На изображениях это могут быть искаженные края или несогласованные детали. В аудио — необычный фоновый шум или неестественные переходы. Некоторые артефакты видны или слышимы людям, но многие из них незаметны и их становится все труднее выявлять по мере совершенствования инструментов генерации. В цифровой криминалистике этот термин также может относиться к конкретным признакам, которые модель обнаружения анализирует при оценке файла.
Аудиодипфейк: аудиозапись, которая была сгенерирована или изменена с помощью ИИ так, чтобы заставить человека звучать так, будто он говорит то, чего никогда не произносил. Распространенный пример — клонированный голос руководителя, используемый в мошенническом телефонном звонке. Аудио особенно актуально для корпоративной безопасности, поскольку убедительный голос можно передать по обычной телефонной линии, где у получателя практически нет способов проверить личность говорящего. См. также вишинг.
Пакетное обнаружение: анализ медиафайлов после их записи или загрузки, а не в момент создания или передачи. Пакетное обнаружение обычно используется для проверки архивных записей, расследования сообщений о контенте или проверки больших коллекций файлов. Поскольку система может анализировать файл целиком без ограничений по времени, свойственных интерактивному общению, она может выделить больше времени на обработку для оценки медиаматериала.
C2PA / Content Credentials: C2PA (Коалиция по происхождению и подлинности контента) — это технический стандарт для записи информации об источнике и истории редактирования цифрового контента. Камеры, программное обеспечение для редактирования и платформы ИИ могут использовать его для прикрепления подписанной записи к файлу. Content Credentials — это название сопутствующей системы учетных данных, которую люди могут проверять. Запись может содержать сведения о том, кто создал контент, какие инструменты использовались и был ли файл изменен. Эта информация помогает установить историю файла, если учетные данные остаются неизменными. Файлы без информации о происхождении все равно требуют оценки другими методами, включая обнаружение.
Чипфейк: медиаконтент, который был отредактирован или подан в вводящем в заблуждение ключе без использования генерации ИИ. Примеры включают замедление видео, удаление части речи или добавление вводящей в заблуждение подписи к подлинным кадрам. Чипфейки могут быть столь же обманчивыми, как и дипфейки, но они не оставляют следов генерации. Детектор, ищущий контент, созданный ИИ, не обязательно распознает подлинное видео, вырванное из контекста. Проверки происхождения и контекстуальный анализ зачастую оказываются более полезными.
Показатель уверенности: числовой результат, указывающий на то, насколько сильно модель обнаружения поддерживает свою классификацию. Например, оценка 0,91 отражает мнение модели на основе проанализированных ею признаков. Ее не следует автоматически интерпретировать как 91-процентную вероятность того, что контент является мошенническим. Оценки могут варьироваться в зависимости от таких факторов, как сжатие аудио, фоновый шум, акценты и качество файла. При оценке детектора стоит узнать, как его показатели проявляют себя на тех типах медиафайлов, с которыми работает ваша организация.
Дипфейк: синтетический или измененный медиаконтент, в котором с помощью ИИ человек выглядит так, будто говорит или делает что-то, чего он не совершал. Дипфейки могут затрагивать чье-то лицо, голос или и то, и другое. Первоначально этот термин ассоциировался с технологией замены лиц, но теперь он широко применяется для аудио, созданного ИИ, и других форм синтетического медиаконтента. В сфере мошенничества частыми примерами являются клонированные голоса руководителей в схемах оплаты по поддельным инструкциям и измененное видео, используемое для выдачи себя за сотрудников или клиентов.
DETECT-World: модель обнаружения дипфейков третьего поколения от Resemble AI. Она сочетает в себе уровень обнаружения артефактов и архитектуру логического вывода, которая оценивает, соответствует ли контент физическому миру. Для видео и изображений это включает в себя изучение физических взаимосвязей и несоответствий, которые могут указывать на манипуляцию. Модель поддерживает обнаружение аудио-, изображений и видео через единый API. Она заняла первое место в аудио-бенчмарке Podonos в августе 2026 года с точностью 99,5%. См. актуальные бенчмарки.
Диффузионная модель: тип модели генеративного ИИ, используемый для создания изображений и, все чаще, видео. Диффузионные модели работают путем начала со случайного шума и его постепенного удаления для получения изображения или другого вывода. Они стоят за многими инструментами генерации изображений, которые люди используют сегодня. Их результаты могут не содержать очевидных визуальных нарушений, связанных с методами генерации предыдущих поколений, что затрудняет обнаружение. Системы обнаружения должны быть обучены и протестированы на контенте, созданном этими моделями.
Эмбеддинг: числовое представление характеристик медиафайла. Аудиоклип, изображение или кадр видео могут быть преобразованы в эмбеддинг, который фиксирует паттерны в исходном контенте. Системы обнаружения могут сравнивать эти представления с паттернами, изученными во время обучения, чтобы помочь классифицировать медиа. Например, продукт Signal от Resemble работает на уровне эмбеддингов. Аудио преобразуется в числовое представление для анализа без сохранения разговорного контента, личной информации или стенограмм.
Закон ЕС об искусственном интеллекте, статья 50: статья 50 Закона Европейского союза об искусственном интеллекте устанавливает требования к прозрачности для определенных систем ИИ и контента, созданного с помощью ИИ. Они включают требования к провайдерам обеспечивать маркировку синтетического аудио-, видео-, текстового контента и изображений в машиночитаемом формате в соответствии с положениями и исключениями в регламенте. Соответствующие обязательства по прозрачности вступают в силу 2 августа 2026 года. Водяные знаки и другие методы машиночитаемой маркировки входят в число подходов, используемых для обеспечения соответствия требованиям. Узнайте о технологии Watermarker от Resemble.
Объяснимость: информация, которая помогает пользователю понять, почему модель обнаружения вернула тот или иной результат. Это может включать участок аудиозаписи, определенный кадр видео или особенность изображения, которые повлияли на классификацию. Объяснимость особенно полезна в корпоративной среде, где аналитикам может потребоваться изучить результат или объяснить решение команде по борьбе с мошенничеством, регулятору или клиенту. Одной лишь оценки не всегда достаточно для расследования предполагаемого дипфейка.
Замена лица: техника, которая заменяет лицо одного человека лицом другого человека на фотографии или видео. В приложениях реального времени замена может следовать за движениями головы и выражениями лица исходного человека, из-за чего человек на экране выглядит кем-то другим. Замена лиц обычно используется в видеодипфейках и применялась для выдачи себя за сотрудников и руководителей во время видеозвонков.
Ложноотрицательный результат: манипулируемый или созданный с помощью ИИ файл, который система обнаружения ошибочно определяет как подлинный. В условиях безопасности ложноотрицательные результаты могут позволить мошенническим звонкам, выдаче себя за других лиц или сфальсифицированным медиафайлам пройти процесс верификации. Частота ложноотрицательных срабатываний (FNR) измеряет, как часто это происходит. DETECT-World от Resemble AI имеет FNR 1,4% в аудио-бенчмарке Podonos. При сравнении провайдеров систем обнаружения запрашивайте результаты ложноотрицательных срабатываний наряду с общей точностью, а также проверяйте, какие наборы данных и условия тестирования использовались.
Ложноположительный результат: подлинные медиафайлы, которые система обнаружения ошибочно помечает как созданные или измененные с помощью ИИ. Ложноположительные результаты могут прерывать взаимодействие с клиентами, задерживать легитимные транзакции и создавать дополнительную работу для команд по борьбе с мошенничеством и служб поддержки. Частота ложноположительных срабатываний (FPR) измеряет, как часто подлинный контент ошибочно помечается. Пороги обнаружения часто настраиваются для балансировки последствий ложноположительных и ложноотрицательных результатов для конкретного сценария использования.
GAN (генеративно-состязательная сеть): архитектура машинного обучения, используемая для генерации синтетического контента. GAN состоит из двух нейронных сетей: генератора, который создает контент, и дискриминатора, который оценивает, является ли контент реальным или сгенерированным. Эти две сети обучаются друг против друга, причем генератор улучшает свои результаты по мере того, как дискриминатор начинает лучше выявлять подделки. GAN сыграли важную роль в разработке ранних технологий дипфейков. Диффузионные модели в настоящее время широко используются для генерации изображений и видео, хотя методы на основе GAN остаются актуальными в некоторых приложениях, включая замену лиц и генерацию голоса.
Тепловая карта: визуальное представление областей файла, которые внесли свой вклад в результат обнаружения. В аудио тепловая карта может выделять определенные участки записи. В видео или на изображениях она может показывать области, которые повлияли на классификацию модели. Тепловые карты помогают аналитикам просматривать результаты работы модели и понимать, какие части медиафайла требуют более тщательного изучения.
Дипфейк изображения: статичное изображение, созданное или измененное с помощью ИИ. Примеры включают полностью сгенерированные портреты, используемые в фальшивых профилях в социальных сетях, замену лиц на существующих фотографиях и изображения, в которых объекты или другие детали были добавлены, удалены или изменены с помощью ИИ. Обнаружение изображений отличается от обнаружения аудио и видео тем, что у модели есть только один кадр для анализа. Она должна полагаться на визуальные паттерны и другие сигналы на изображении, а не на изменения во времени.
IVR (интерактивное голосовое меню): автоматизированная телефонная система, которая позволяет абонентам перемещаться по меню с помощью голосовых ответов или ввода данных с клавиатуры. Системы IVR используются банками, страховщиками, контакт-центрами и другими организациями для маршрутизации звонков и обработки рутинных запросов. Голоса, сгенерированные с помощью ИИ, и автоматизированные агенты могут взаимодействовать с этими системами, создавая возможности для мошенничества и сканирования учетных записей. Обнаружение должно обрабатывать входящий аудиопоток достаточно быстро, чтобы оценить звонок, пока взаимодействие еще продолжается. См. также фактор реального времени (RTF).
Атака путем внедрения (инъекции): атака, при которой синтетическое аудио или видео вводится непосредственно в систему через программное обеспечение виртуальной камеры или аудио. Вместо того чтобы представлять подделку через физическую камеру или микрофон, злоумышленник подает манипулируемый медиапоток в поток ввода компьютера. Это позволяет обходить проверки безопасности, которые анализируют только то, что захватывает камера или микрофон устройства. Обнаружение атак путем внедрения требует видимости медиаданных, поступающих в звонок или приложение.
KYC (Know Your Customer — «Знай своего клиента»): процедуры проверки личности, которые используют финансовые учреждения для установления того, кем являются их клиенты. Проверки KYC требуются во многих юрисдикциях для предотвращения мошенничества, отмывания денег и других финансовых преступлений. Дипфэйки создают новые риски для этих процессов. Мошенники могут использовать созданные с помощью ИИ лица, клонированные голоса и поддельные документы, удостоверяющие личность, чтобы попытаться пройти верификацию. См. также мошенничество с синтетической личностью и захват учетной записи (ATO).
Манипуляция с синхронизацией губ: изменение движений рта в видео так, чтобы они соответствовали другой аудиозаписи. Это может создать впечатление, что кто-то произнес слова, которые он никогда не говорил, в то время как остальная часть лица и окружающий кадр остаются неизменными. Поскольку большая часть оригинального видео остается нетронутой, манипуляции с синхронизацией губ может быть трудно обнаружить исключительно при визуальном осмотре.
Обнаружение в живых встречах: анализ участников видеозвонка во время его проведения. В отличие от пакетного обнаружения, которое исследует загруженную запись, обнаружение в реальном времени должно возвращать результаты достаточно быстро, чтобы это было полезно во время беседы. Оно помогает выявить поддельное видео или аудио до того, как участник отреагирует на мошеннический запрос. Resemble Meetings обеспечивает обнаружение в Zoom, Microsoft Teams, Google Meet и Webex с выдачей результатов за 3–5 секунд.
Обнаружение жизни (Liveness detection): проверка, используемая в процессе верификации личности для установления того, присутствует ли живой человек. Она может потребовать от человека повернуть голову, моргнуть или совершить другое действие перед камерой. Проверки на «живость» помогают предотвратить простые атаки с предъявлением подделки, такие как демонстрация фотографии или воспроизведение записи. Они не обязательно подтверждают личность человека и не определяют, было ли само видео сфальсифицировано. Дипфэйк вполне может пройти определенные проверки на «живость».
Покрытие моделей: диапазон инструментов и методов генерации на базе ИИ, представленных в тренировочных и тестовых данных модели обнаружения. Модель может хорошо показывать себя против генераторов, на которых она тестировалась, но испытывать трудности с инструментами или методами, с которыми она не сталкивалась. Таким образом, покрытие является важной частью оценки поставщика средств обнаружения. Решение DETECT-World от Resemble AI в настоящее время охватывает более 250 моделей, причем новые модели добавляются каждые одну-две недели по мере появления новых генераторов. При сравнении поставщиков уточняйте, какие инструменты генерации они охватывают и как часто обновляется это покрытие.
Мультимодальное обнаружение: обнаружение по нескольким типам медиаданных, таким как аудио, видео и изображения. Мультимодальная система может оценивать различные форматы через единую платформу или API. Это полезно, когда атака включает в себя более одного типа синтетических медиаданных, например замену лица в паре с клонированным аудио во время видеозвонка или сгенерированное ИИ изображение в мошенническом видео.
Водяной знак PerTh: технология нанесения водяных знаков от Resemble AI для аудио, видео, изображений и текста. Она внедряет в медиафайлы незаметный сигнал, который можно использовать для идентификации контента, поступающего из определенного конвейера. Водяной знак разработан так, чтобы выдерживать распространенные формы обработки медиаданных, включая сжатие и перекодирование.
Разделка свиней (Pig butchering): тип инвестиционного мошенничества, при котором мошенники выстраивают отношения с человеком в течение нескольких недель или месяцев, прежде чем убедить его вложить деньги в мошенническую инвестиционную платформу. Название происходит от китайской фразы «ша чжу пань». Мошенники часто используют фальшивые личности, вымышленные инвестиционные доходы и, все чаще, созданные с помощью ИИ медиаматериалы, чтобы сделать свои истории более убедительными. Дипфэйк-видеозвонки и клонированные голоса помогают поддерживать иллюзию реальных отношений. Данные Федеральной торговой комиссии США (FTC) оценивают заявленные убытки в 1,14 миллиарда долларов среди более чем 64 000 жертв, со средним убытком в 177 000 долларов за период от 6 до 12 месяцев. Некоторые из преступных группировок, стоящих за этими аферами, базируются в лагерях Юго-Восточной Азии, где работники также подвергаются торговле людьми.
Атака с предъявлением (Presentation attack): попытка обмануть биометрическую систему путем предоставления ложного представления человека. Примеры включают в себя демонстрацию фотографии перед камерой, воспроизведение записи чьего-либо лица или использование маски. Термин происходит из стандартов биометрической безопасности, включая ISO 30107. Атаки с предъявлением могут включать как простые физические материалы, так и сложную цифровую манипуляцию, поэтому эта категория шире, чем просто дипфэйки.
Провенанс (Происхождение): информация о том, откуда взялся файл и как он менялся с течением времени. Запись о происхождении может идентифицировать создателя, использованное программное обеспечение и правки, внесенные в исходный контент. Стандарты вроде C2PA предоставляют способ прикрепления проверяемой информации о происхождении к цифровым файлам. Эта информация наиболее полезна, если ее удается сохранять с момента создания. Файлы, полученные из неизвестных источников, могут не содержать информации о происхождении, и здесь на помощь приходит обнаружение для оценки их подлинности.
Коэффициент реального времени (RTF): показатель того, сколько времени требуется системе для обработки медиаданных по сравнению с их продолжительностью. RTF, равный 0.40, означает, что на анализ односекундного аудиоклипа уходит 0.40 секунды. RTF ниже 1.0 указывает на обработку быстрее реального времени, что важно для таких приложений, как фильтрация звонков в прямом эфире и обнаружение во время встреч. Обнаружение от Resemble AI работает с RTF от 0.33 до 0.40.
Атака воспроизведением (Replay attack): попытка пройти проверку личности путем воспроизведения записи голоса или видео реального человека. Например, мошенник может воспроизвести записанный голос владельца счета, чтобы пройти процедуру телефонной верификации. Для атак воспроизведением не требуется генерация с помощью ИИ, а это значит, что детектор, ориентированный исключительно на синтетические медиаданные, может их не распознать.
SIPREC (Session Recording Protocol): стандарт IETF, который позволяет телекоммуникационной системе отправлять копию звука живого звонка в другую систему для записи или анализа. Контакт-центры используют SIPREC для подключения записей звонков и аналитических инструментов без прерывания разговора. Для обнаружения с помощью ИИ это может стать способом отправки аудио живого звонка в такую службу обнаружения, как Resemble Signal.
Социальная инженерия: использование обмана или психологического давления с целью убедить человека поделиться информацией, предоставить доступ или совершить определенное действие. Мошенники могут выдавать себя за коллегу, руководителя, члена семьи или поставщика услуг, чтобы убедить кого-то перевести деньги или раскрыть учетные данные. Голоса и видео, созданные с помощью ИИ, могут сделать такие подделки более убедительными. Обнаружение помогает выявить поддельные медиафайлы, в то время как процедуры верификации и обучение сотрудников снижают более широкий риск социальной инженерии.
Речь-в-речь (Speech-to-speech): технология, которая преобразует речь одного человека в другой голос, сохраняя при этом такие характеристики, как темп, ритм, эмоции и интонация. В отличие от преобразования текста в речь (text-to-speech), она не требует от пользователя начинать с написанных слов. Злоумышленник может использовать запись чьей-то речи и преобразовать ее в целевой голос. Это делает технологию «речь-в-речь» особенно актуальной для атак с клонированием голоса и выдачей себя за другое лицо.
Спуфинг (Spoofing): Действие по подделке личности или сигнала с целью придать чему-либо легитимный вид. Примеры включают подделку идентификатора вызывающего абонента (caller ID), поддельные заголовки электронной почты и попытки имитировать чье-то лицо или голос. Голосовой спуфинг может включать в себя записи, синтетическую речь или клонированные с помощью ИИ голоса.
STIR/SHAKEN: Платформа аутентификации идентификатора вызывающего абонента, используемая телекоммуникационными провайдерами для борьбы со спуфингом caller ID. STIR (Secure Telephone Identity Revisited) и SHAKEN (Signature-based Handling of Asserted information using toKENs) работают совместно для проверки информации об исходном телефонном номере. Они помогают установить, был ли подменен идентификатор вызывающего абонента, но они не проверяют говорящего человека. Мошенник, использующий клонированный голос с легитимного телефонного номера, все равно может пройти аутентификацию caller ID. Обнаружение на уровне голоса решает другую часть проблемы.
Мошенничество с синтетической идентичностью: Вид мошенничества, при котором создается вымышленная идентичность с использованием комбинации реальной и фальшивой информации. Например, мошенник может объединить реальный номер социального страхования с вымышленным именем и лицом, сгенерированным ИИ. В отличие от дипфейка, который обычно предполагает выдачу себя за идентифицируемое лицо, синтетическая идентичность может не соответствовать ни одному реальному человеку. Организациям требуются различные проверки для выявления фальшивых идентичностей и обнаружения попыток выдачи себя за реальных людей.
SynthID: Технология нанесения цифровых водяных знаков от Google DeepMind, предназначенная для идентификации контента, созданного с помощью генеративных моделей Google. Она внедряет в сгенерированные медиафайлы сигналы, которые впоследствии могут быть обнаружены с помощью совместимых инструментов. SynthID разработана для контента, созданного собственными моделями Google, поэтому организациям, работающим с медиаданными от других генераторов, могут потребоваться дополнительные решения для обнаружения или нанесения водяных знаков.
Синтетические медиа: Контент, сгенерированный или существенно измененный с помощью ИИ. Этот термин охватывает аудио, видео, изображения и текст и часто используется в политических и технических дискуссиях. Синтетические медиа не обязательно являются обманными. Озвучка, сгенерированная ИИ с согласия спикера, является синтетическими медиа, как и клонированный голос руководителя, используемый в мошенническом звонке. Контекст, согласие и предполагаемое использование помогают определить, является ли контент легитимным или вредоносным.
Преобразование текста в речь (TTS): Технология, которая преобразует письменный текст в звучащую речь. Современные системы TTS могут воспроизводить звучащую естественно речь на самых разных языках, с различными голосами и акцентами. Некоторые инструменты также могут воспроизводить характеристики голоса конкретного человека. Это сделало TTS полезной для таких легитимных приложений, как обеспечение доступности и производство контента, но ее также можно использовать для создания синтетических голосов в целях выдачи себя за другого человека и мошенничества.
Видеодипфейк: Видео, которое было сгенерировано или отредактировано с использованием ИИ. Сюда входят замена лиц, манипуляции с синхронизацией губ, перенос движения на все тело и полностью сгенерированные ИИ сцены. В корпоративном мошенничестве замена лиц и видеозвонки с манипуляциями вызывают особую озабоченность, поскольку их можно использовать для выдачи себя за коллег, руководителей или клиентов. Системам обнаружения необходимо анализировать визуальную информацию в разных кадрах и учитывать различные типы манипуляций. Подробнее см. в разделах «замена лиц» и «манипуляции с синхронизацией губ».
Вердикт: Классификация, выдаваемая системой обнаружения. Распространенные результаты включают «достоверно», «модифицировано» и «неопределенно». Неопределенный результат означает, что у системы недостаточно информации для уверенной классификации. Это может произойти, когда качество медиаданных низкое или контент выходит за рамки условий, по которым тестировалась модель. Наличие этого третьего варианта дает аналитикам возможность проверять сомнительные случаи, а не рассматривать каждый результат как простое «да» или «нет».
