Искусственный интеллект превращается в обязательный элемент деятельности современных банковских учреждений
Финансовый сектор традиционно демонстрирует передовые показатели в области цифрового развития. Банковские организации стали пионерами в замене иностранных решений, переходе на современные цифровые системы и интеграции технологий искусственного интеллекта. Все инициативы реализуются без прерывания операционной деятельности. О достигнутых успехах участники дискутировали в рамках секции «Цифровизация банков», состоявшейся в ходе мероприятия CNews FORUM Кейсы.
Требуется ли персоналу искусственный интеллект
Роман Мезенцев, руководитель проектного офиса IT-сервисов Почта Банка, выступавший в роли модератора секции «Цифровизация банков», поделился с аудиторией опытом применения искусственного интеллекта в своей компании. Ранее в банке существовали определённые трудности: внедрение ITSM носило несистемный характер, каталог услуг был громоздким, а количество обращений превышало разумные пределы.
Для решения этих проблем было принято решение задействовать искусственный интеллект. Требовалось преодолеть профессиональное выгорание сотрудников, улучшить качество обслуживания и снизить регуляторные риски. Достижение прогресса обеспечивалось за счёт аналитики, оптимизации процессов, автоматизации и непрерывного контроля с применением ИИ. Именно искусственный интеллект помогал идентифицировать проблемные зоны.
Для повышения эффективности обработки запросов «Почта Банк» начал совершенствовать свой аналитический модуль — требовалось научить систему корректно интерпретировать жалобы клиентов. Искусственный интеллект применялся для автоматизации и оптимизации реакции на происшествия. Одновременно он генерировал рекомендации, позволяя специалистам оказывать услуги оперативнее и качественнее. Это привело к сокращению количества жалоб и ускорению обработки обращений. Показатели NPS и доступность информационных ресурсов значительно возросли.
Ключевые наблюдения, полученные в ходе внедрения ИИ, сводятся к следующему. Исполнители скептически относятся к потенциалу технологии, а руководство ожидает мгновенных результатов, что невозможно. «Сотрудники склонны придерживаться привычных алгоритмов, избегая нововведений. Без наличия в компании энергичного и целеустремленного лидера внедрение искусственного интеллекта обречено на неудачу», — отмечает Роман Мезенцев.
О том, как преобразовать крупную языковую модель в цифрового ассистента для персонала, поделился Юрий Карев, руководитель управления процессов и стандартов моделирования и машинного обучения департамента анализа данных и моделирования, вице-президент ВТБ. Банк нуждается в поддержке как при обработке документации, так и в сервисном обслуживании. Цифровые помощники способны обрабатывать клиентские запросы и выполнять интеллектуальный поиск по корпоративной энциклопедии.
Ежемесячно ВТБ обрабатывает около 750 тысяч обращений. Из них 187 500 теперь обслуживаются цифровыми ассистентами. Таким образом, на их долю приходится четверть всех запросов. «Сфера.Документы» предоставляет технической поддержке библиотеку типовых решений, а «Сфера.ЗНО» помогает отслеживать историю обращений и претензий пользователя. «Сфера.Инциденты» предоставляет данные о похожих ситуациях и создает шаблоны ответов на распространенные вопросы. Поиск проблем и формирование инструкций по их устранению осуществляется на основе 11 источников данных.
Функциональная архитектура: принципы построения уровней
Теперь сотрудник получает предварительные оповещения о потенциальных проблемах клиента до начала непосредственного взаимодействия. На рабочем экране отображаются рекомендации по ведению диалога и подробная информация о ситуации. «Например, если у клиента зажевало карту в банкомате, — поясняет Юрий Карев, — специалист видит не только подсказки по коммуникации, но и адрес устройства, и данные клиента».
Аналогичным образом выстроена работа с запросами. При вопросе о выгодных условиях для пенсионеров цифровой помощник активирует поиск по бизнес-энциклопедии и продуктовому каталогу организации. На экране сотрудника отображаются все доступные для данного клиента предложения в нужной категории, что позволяет мгновенно инициировать заявку на открытие счета.
Это стало осуществимо благодаря созданию в банке единой цифровой среды, где объединены ресурсы для обучения и проверки алгоритмов, инструменты управления моделями и MLOps, а также сервисы для кастомизации и подключения бизнес-данных. Данная среда преобразует алгоритмы в функциональных цифровых ассистентов.
По мнению Евгения Смирнова, руководителя лаборатории машинного обучения Альфа-Банка, принципы обучения и принятия решений у искусственного и человеческого интеллекта во многом схожи. Он отмечает, что подготовка сотрудников поддержки занимает мало времени, однако среди них наблюдается значительная текучесть. В то же время большие языковые модели справляются с задачами на уровне рядового специалиста в различных сферах.
Как организовано клиентское обслуживание? Сотрудник изучает запрос, анализирует информацию, вспоминает материалы обучения, затем задает уточняющие вопросы и предоставляет ответ, после чего выполняет необходимые операции. При внедрении ИИ в этот процесс потребуются дополнительные элементы: для анализа клиентских данных — модуль интеграции, для формулирования вопросов — компонент уточнения, который извлекает контекст из описаний наиболее релевантных интентов.
Архитектура RAG-пайплайна
Для доступа ИИ к обученной информации необходим RAG-пайплайн, а для выполнения операций — классификатор действий. При этом важно учитывать, что и большие языковые модели, и сотрудники требуют одинаковый объем данных в идентичном формате. Интеллектуальное кэширование позволяет сократить до 70% обращений к самой языковой модели, а проверенный умный кэш способствует оптимизации разработки сценариев.
«Искусственный интеллект способен обслуживать клиентов на уровне живого оператора», — утверждает Евгений Смирнов. Большие языковые модели умеют обрабатывать табличные данные. Эмуляция работы оператора достигается через интеграцию клиентских данных, внедрение механизмов уточнения и RAG-пайплайна, а также классификатор целевых действий. Повторное использование интеграции данных в интерфейсе оператора значительно ускоряет внедрение технологии. Крайне важно также учитывать аспект цензурирования. «Система фильтрации на базе классификаторов и регулярных выражений обезопасит ваше решение от атак и галлюцинаций», — подчеркивает Евгений Смирнов.
Бесперебойный переход на отечественные решения
Опыт внедрения кэша для горячих данных мобильного банкинга с использованием Tarantool представили Виталий Дробышев, ИТ-менеджер направления «Мобильный банк для бизнеса» ВТБ, и Владислав Плетнев, руководитель группы проектных менеджеров VK Tech. Партнерство банка и компании VK Tech стартовало в 2019 году с пробного проекта. Уже спустя несколько лет, к 2022 году, в эксплуатацию было введено 15 проектов в различных направлениях. Еще через год было завершено 25 систем, а в промышленной эксплуатации находилось 20 проектов.
Tarantool — это целостная платформа, как отмечает Владислав Плетнев. Основные компоненты системы можно интегрировать комплексно или выборочно. Вспомогательные элементы расширяют возможности ключевых продуктов. Средства для развертывания и сопровождения включены в комплект поставки.
Что реализовали в ВТБ? Это российский банк второго масштаба, работающий с 16 миллионами частных клиентов и 1 миллионом организаций. Компания активно развивает мобильные сервисы и курирует цифровую экосистему, предоставляющую доступ к 80 финансовым предложениям. На начальном этапе клиент сформулировал ключевые запросы. Требовалось ускорить взаимодействие между микросервисами и приложениями, сократить временные задержки, усилить устойчивость к сбоям и надежность, а также обеспечить рост производительности при увеличении числа клиентов. «Мы изучали предложения других поставщиков, но после всестороннего анализа остановились на отечественной разработке», — акцентирует Виталий Дробышев. Он демонстрирует сравнительную матрицу, наглядно иллюстрирующую процесс выбора.
Выбор решения
Система успешно функционирует уже три года. 300 тысяч пользователей генерируют до 5000 операций в секунду. Нагрузка на инфраструктуру уменьшилась, сократилось время реакции. Появилась возможность накапливать собственную экспертизу. Бизнес-логика Tarantool также позволяет проводить специализированную оптимизацию с учетом особенностей мобильных приложений.
Опыт автоматизации обработки 12 миллионов документов ежегодно на отечественных технологиях представили Павел Кондратьев-Сапунов, руководитель направления корпоративных продаж Content AI, и Михаил Пушкарев, начальник управления развития систем контент-менеджмента и ЭДО «РСХБ.Цифра». Доклад был посвящен внедрению IDP-платформы ContentCapture в «Россельхозбанке».
Банк является универсальной финансовой организацией, предлагающей полный спектр банковских услуг и занимающей ведущие позиции в кредитовании агропромышленного сектора России. «Одна из стратегических задач — улучшение качества клиентского обслуживания для всех категорий клиентов», — поясняет Михаил Пушкарев.
Применение IDP-решения позволяет сократить сроки обработки документации и повысить оперативность и уровень сервиса. Ежедневно тысячи сотрудников используют этот продукт для работы с сотнями тысяч документов по различным направлениям: кассовые операции, кредитные продукты, открытие счетов, брокерские услуги и другим.
Предпосылки для внедрения IDP-системы были многогранны. Первым фактором стал уход международного поставщика с российского рынка и прекращение поддержки: как лицензионной, так и технической. Во-вторых, необходимо было выполнить предписания Правительства и Минцифры о переходе на отечественное программное обеспечение. Кроме того, это соответствовало ИТ-стратегии банка и программе «Цифровой суверенитет».
ContentCapture становится российской альтернативой зарубежным системам вроде ABBYY FlexiCapture, КofaxCapture или IBM Datacap. Цифровая обработка документов критически важна для повышения операционной эффективности и укрепления конкурентоспособности в условиях кадрового дефицита, тогда как языковые модели незаменимы при работе с документами произвольной структуры. Классические системы IDP демонстрируют низкую эффективность при обработке документов со свободной компоновкой, поскольку зависят от заранее заданных шаблонов и не справляются с разнообразием форм. Large Language Models позволяют преодолеть эти ограничения традиционных решений.
«Проект требовал значительных усилий, — делится Павел Кондратьев-Сапунов. — График внедрения и перехода был крайне сжатым. Количество переносимых шаблонов превышало 140 единиц, интеграционных точек также было достаточно. Ключевой задачей стала организация процесса так, чтобы конечные пользователи не ощутили изменений в работе».
Эффекты от автоматизации документооборота
Совместные усилия специалистов «Россельхозбанка» и Content AI позволили реализовать плавный переход. Итогом стала стабильная работа системы при пиковых нагрузках с сохранением скорости и точности извлечения информации. С технической точкижды банк теперь полностью соответствует требованиям надзорных органов, а программа импортозамещения признана успешной. Платформа создает фундамент для последующей автоматизации, а быстрая адаптация сотрудников стала ключевым показателем достигнутых результатов.
В банке убеждены, что отечественные IDP-решения готовы решать комплексные задачи в компаниях стратегического значения. «Полноценное импортозамещение без прерывания бизнес-процессов достижимо при условии детального проектирования и поэтапного перехода, — акцентирует Михаил Пушкарев. — ContentCapture подтвердила свою состоятельность в условиях крупнейшего банка агропромышленного комплекса».
«Мы исключаем ручное заполнение всех полей ипотечных анкет», — поясняет Сергей Орешкин, директор по данным «ДОМ.РФ». DOM.IDP представляет собой сервис автоматизации документооборота. После загрузки договора долевого участия или удостоверения личности запускается процесс распознавания содержания. Полученные значения автоматически распределяются по соответствующим полям. Базовый функционал IDP-систем включает распознавание, извлечение данных, классификацию, верификацию (проверку извлеченной информации специалистом), разметку и саммаризацию — формирование сжатого описания документа.
Качество распознавания данных из финансовых отчетов
Система демонстрирует 96% успешности обработки бухгалтерских документов и 88% для договоров долевого строительства. Внедрение технологии DOM.IDP ускоряет работу с файлами на 31%.
Хранилища информации: ключевые аспекты
Эксперты Сергей Ивахин, руководитель направления «Платформа ЦЕХ», и Фёдор Хилькевич, директор по проектному портфелю управления «Фабрика данных» ВТБ, рассказали о разработке аналитической системы. Инициатива возникла из-за множества факторов: в финансовой организации существовало три устаревших хранилища, разрозненные системы обработки информации и зарубежное программное обеспечение. «Данные многократно дублировались, технологическая база морально устаревала, а сроки выпуска новых продуктов через хранилище были чрезмерно длительными», — отмечает Сергей Ивахин.
Решения для администрирования данных
Требования к обновленной системе формировались бизнес-задачами, но требовалось также соблюсти технические стандарты и условия цифровизации. В частности, предстояло перейти от монолитных банковских систем к микросервисной структуре, усилить отказоустойчивость и достичь технологической независимости.
Над реализацией работали 2 700 специалистов. Итоговые показатели включают: 15 бизнес-сегментов, 146 модулей, 100 источников информации общим объемом 6 ПБ. Федор Хилькевич акцентировал, что в дорожной карте развития значатся: переход на отечественное ПО, мультикластерная организация, оптимизация производственных процессов и внедрение распределенной шины данных.
Александр Царев, глава развития SmartData Lab, инициировал дискуссию о потенциале и ограничениях тензорных СУБД для комплексной аналитики и AI-решений. Что сдерживает развитие банков? Снижение клиентской приверженности из-за медленных, стандартизированных решений. Типовые предложения приводят к оттоку клиентов к более адаптивным игрокам рынка.
Аналитический ступор и медленные преобразования также препятствуют развитию: интеграция сведений для запуска инноваций или проверки предположений занимает месяцы. Подобные организации не успевают оперативно адаптироваться к рыночным колебаниям.
Спикер убеждён, что в данном контексте особого внимания заслуживают графовые базы данных. «Это не просто система хранения, а виртуальное отражение вашей деловой инфраструктуры. В отличие от табличных структур, графы работают с объектами и их взаимосвязями, — уточняет эксперт. — С их помощью можно получать ответы на запросы, которые в реляционных системах обрабатываются крайне медленно или вообще остаются без решения. Скажем, можно определить, кто фактически является ключевой фигурой в данной корпоративной группировке».
Тензорные базы представляют собой многомерные структуры данных, имеющие фундаментальное значение в машинном и глубоком обучении. Они дают возможность оптимально сохранять и обрабатывать значительные информационные массивы. Для обучения искусственного интеллекта пониманию содержания текстов, визуальных образов, последовательностей клиентских действий необходимо применять графы и тензоры. Графы служат для сохранения контекстуальных связей и автоматизации сложных вопросов, тогда как тензоры — для результативного векторного представления и смыслового поиска.
Как добиться эффективности от языковых моделей?
В результате банковская организация достигнет автоматизации стандартных операционных обращений, анализа рисков и перспектив на тактическом уровне, а также прогнозирования тенденций на стратегическом уровне. Клиенты будут удовлетворены благодаря персонализированным предложениям и оперативным точным ответам через чат-ботов. Сотрудники же смогут сократить количество неточностей в отчётных документах.
Экономическая эффективность технологических внедрений
Графовые и тензорные базы в сочетании со спутниковой съёмкой уже применяются для проверки и наблюдения за объектами залога, контроля целевого использования средств, обнаружения нарушений на территориях и сооружениях, расчёта ущерба или отслеживания выбросов парниковых газов. «Графы способствуют сокращению мошеннических потерь, тензоры ускоряют аналитические процессы, а спутниковые данные помогают минимизировать кредитные риски», — разъясняет Александр Царев.
От разрозненных решений к комплексным платформам
«Банки постепенно переходят от отдельных инструментов к цифровым платформам», — отмечает Михаил Епихин, руководитель департамента развития финтех-направления Абсолют Банка. Целый спектр решений, включая системы для утверждения и учёта регламентов, электронные архивы сделок, AML-проверки новых клиентов и другие, замещаются корпоративной системой электронного документооборота, розничным кредитным конвейером и экосистемой услуг для корпоративных клиентов.
Основой для такой трансформации послужила не только потребность в замене устаревших систем и внедрении сквозных интегрированных процедур, но и стремление к формированию совершенно нового клиентского опыта. Кроме того, компаниям порядком надоело обслуживать печально известный «зоопарк» разнородных систем. Тем более что поддерживать их функционирование становится всё более затруднительно.
Использование платформ позволяет сократить издержки и оптимизировать процессы, обеспечивая простоту масштабирования и внедрения передовых методик. Они способствуют поддержанию бесперебойной работы. Платформы не только расширяют собственные возможности, но и распространяют этот эффект на клиентский опыт, унифицируя его. Для успешного внедрения платформ Михаил Епихин рекомендует поэтапный подход и отбор наиболее перспективных рыночных предложений. Также потребуются ясно определенная зона ответственности за платформу и открытая управленческая структура.
CRM в банковской сфере — это не просто инструмент для отдела продаж. Как отмечает Вадим Мещеряков, руководитель направления развития CRM-систем Альфа-Банка, это центральный элемент клиентского взаимодействия. «Уже через год все CRM-системы будут оснащены искусственным интеллектом. Однако мой совет: начните с формирования культуры, а технологии подстроятся, — делится мнением эксперт. — Управление CRM-проектом напоминает движение поезда, где рельсы возникают всего за десять метров до колес. Но если не начать движение — пути никогда не появятся».
В Альфа-Банке приняли решение о самостоятельной разработке CRM. Для этого все процессы разделили на этапы: предпродажный, продажный и послепродажный. «Наибольшую сложность представило не перенесение информации, а обеспечение обратной совместимости», — поясняет спикер. Дополнительно была внедрена концепция разработки в изоляции: архитектура, контрольные списки, общий план ожиданий и сервис технической поддержки.
Сможет ли искусственный интеллект противостоять мошенникам? На мошеннические операции приходится до 0,3% от общего числа транзакций. «Схемы обмана усложняются и постоянно меняются. Ежемесячные потери исчисляются миллионами рублей, — сообщает Роман Агабаев, заместитель начальника отдела противодействия мошенничеству Paygine. — Необходима оперативная и масштабируемая система реагирования».
Традиционные системы противодействия мошенничеству основаны на базовых принципах скоринга, ручных настройках и устаревающих правилах. Это приводит к появлению слепых зон и противоречий между различными предписаниями. «Какую цель мы ставили? — задается вопросом докладчик. — Оценку рисков мошенничества в онлайн-режиме с обработкой в реальном времени. Требуется выявлять новые схемы и повышать точность без увеличения ложных срабатываний».
Для реализации этой задачи компания проанализировала транзакции за трехмесячный период, а также внутренние и внешние маркеры мошенничества. В итоге 38% fraudulent-операций были выявлены исключительно с помощью алгоритмов. При этом время отклика системы составило 180 мс. В ходе работы стало очевидно, что данные имеют большее значение, чем сама модель, а машинное обучение не отменяет правила, а дополняет их. «ML действительно обнаруживает то, что ускользает от стандартных правил. Комбинированный подход демонстрирует высокую эффективность», — акцентирует Роман Агабаев.
На форуме CNews FORUM Кейсы 2025 присутствовало свыше 1200 участников. Было заслушано более 100 выступлений экспертов. Посетители форума смогли познакомиться с решениями отечественных разработчиков на более чем 40 выставочных площадках.
