В статье представлен подход к обнаружению фишинговых атак на основе построения и автоматической оптимизации конвейеров машинного обучения с помощью специализированной библиотеки (PhishAutoML). Актуальность проблемы обусловлена эволюцией фишинговых атак, использующих методы социальной инженерии и лексические уловки, что делает традиционные статические методы защиты неэффективными. Описаны теоретические основы векторизации текста с помощью модели FastText и ее применение в рамках AutoML-подхода на основе байесовской оптимизации, позволяющего автоматически подбирать гиперпараметры для всего конвейера. Предложенная концепция PhishAutoML применяется для построения моделей, способных выявлять фишинг на основе семантического анализа и гибко настраивать компромисс между качеством и производительностью. Представлены результаты вычислительных экспериментов: итоговые метрики качества и производительности, а также сравнительный анализ с классическим (TF-IDF) и современным (DistilBERT) подходами. Выводы подтверждают эффективность предложенного решения (достижение полноты обнаружения фишинга в 95%, что в разы превосходит альтернативные методы) и намечают направления дальнейшего развития. Однако такая интеграция в традиционные системы обнаружения и предотвращения вторжений сталкивается с серьезными рисками и фундаментальными проблемами. В данной статье рассматриваются ключевые технические, организационные и этические барьеры, препятствующие массовому внедрению решений, использующих ИИ, и предлагаются возможные пути их преодоления.