Abstract
В статье проведён критический анализ современных подходов к применению искусственного интеллекта в микробиологическом мониторинге водных объектов. Показано, что высокая точность моделей глубокого обучения, обученных на общепринятых наборах данных (например, DIBaS), часто является следствием методологически некорректного разделения данных и приводит к переоценке реальных возможностей моделей. При использовании более строгих стратегий валидации, имитирующих реальные условия работы (strain-wise splitting), точность классификации значительно снижается, что свидетельствует о наличии кризиса обобщения.Обоснована необходимость перехода от традиционных сверточных нейронных сетей к объяснимым архитектурам и мультимодальным моделям, интегрирующим изображения с геномными данными (k-меры). Такой подход позволяет повысить интерпретируемость, устранить фенотипическую неоднозначность и улучшить способность моделей корректно классифицировать новые бактериальные штаммы. Предложены два стратегических направления: внедрение самообъяснимого ИИ для верификации морфологических признаков и разработка мультимодальных систем для прогнозирования функциональных характеристик микроорганизмов. Полученные результаты формируют основу для создания надёжных инструментов экомониторинга новогопоколения.