«Для среднего бизнеса работу с ИИ важно начинать с максимально простых решений»
Если у компании есть подготовленные данные и четкая бизнес-гипотеза, то она может кратно повысить финансовую эффективность с помощью внедрения ИИ, считает Дмитрий Жихарев, СРО платформы RAISA лаборатории ИИ департамента больших данных Россельхозбанка
Скорее всего, вы сталкивались с искусственным интеллектом в рабочих процессах — еще в конце 2025 года доля крупных российских компаний, использующих генеративный ИИ хотя бы в одной функции бизнеса, уже перевалила за 70% (это следует из данных консалтинговой компании «Яков и партнеры» и «Яндекса»). При этом технология остается новой, и большинство компаний, да и их сотрудников либо не понимают, что с ней делать, либо не могут объективно оценить, насколько она полезна. О том, как превратить искусственный интеллект из модного тренда в реальный рабочий инструмент, мы побеседовали с Дмитрием Жихаревым, СРО платформы RAISA. В Россельхозбанке RAISA используется для исследования данных, отработки гипотез, прототипирования, обучения и промышленного мониторинга моделей ИИ. Сегодня платформой пользуются более трех тысяч сотрудников банка и дочерних организаций. С ее помощью прогнозируется риск оттока клиентов, определяется вероятность возврата просроченной задолженности и перевод заемщиков между стадиями взыскания, оптимизируются остатки наличных в кассах и банкоматах.
Что спросить про заемщика у ИИ
— Чем искусственный интеллект лучше в решении прикладных задач банка — ведь аналитики банков годами с этим справлялись без ИИ?
— Ландшафт данных банка — штука сложная. Платформа искусственного интеллекта возникает тогда, когда пройдены предшествующие этапы: построена платформа данных, есть операционная модель работы с ними и выстроена культура BI (Business Intelligence, бизнес-аналитика). Когда варианты оптимизации с использованием традиционной BI-аналитики исчерпаны, в ход идет продвинутая аналитика, и для нее требуются более сложные алгоритмы машинного обучения, включая модели нейронных сетей. Вот тогда уже нужны решения, которые позволяют работать с этими моделями: создавать, эксплуатировать, контролировать их качество. Это была одна из задач, которую мы себе ставили при создании платформы.
Вторая задача — создание единой точки входа в аналитический контур для сотен прикладных аналитиков, дата-инженеров и моделистов. Это позволяет нормализовать процесс работы со статистическими гипотезами и управлять жизненным циклом модели. Ведь в отличие от обычного кода, который, заработав один раз, дальше работает с неизменным результатом, качество работы модели зависит от дрейфа, и поэтому модель нужно постоянно проверять («дрейф» — изменение закономерностей со временем. — «Монокль»). Так родилась платформа RAISA — RSHB AI Systems and Applications, прикладные системы и решения для продвинутой аналитики.
— Вы сказали, что инструменты, которые уже были, исчерпали себя. В чем это выражалось? Нужно было подтягивать другие данные, или искать другие связи, или математический аппарат должен был стать другим?
— И то, и другое, и третье. Сначала появляется хранилище данных, затем базовая аналитика и BI, который показывает описательную статистику — например, сколько людей из когорты ушло в просрочку. Но когда нужна предиктивная аналитика, например на сороковой день просрочки предсказать, свалится ли клиент в категорию «более 90 дней» (просрочка более 90 дней считается уже безвозвратной. — «Монокль»), факторов становится несколько десятков. Поместить такую модель в BI уже не представляется возможным. Модель нужно разработать, применить, записать результаты и интегрировать их в бизнес-процесс. Только так данные превращаются в информацию, а информация — в знание и решение. То есть, допустим, несмотря на то что у человека сейчас сорок дней просрочки, мы его сразу кинули в Hard Collection («жесткое взыскание» — стадия взыскания просроченной задолженности, предполагающая личный контакт с коллектором. — «Монокль»), потому что модель показывает высокую вероятность такого исхода и мы понимаем, что нет смысла ждать. И если мы в итоге смогли взять с него задолженность, то тем самым повысили финансовую эффективность взыскания.
Не всегда надо бежать к генеративному ИИ
— Раскройте кухню. Есть человек с просрочкой сорок дней и порядка двадцати параметров. Никто изначально не знает, какие данные смотреть и в каком соотношении. Как выясняется, что важно? Методом перебора?
— Для начала берутся данные, которые уже есть в банке. Методология исследования данных начинается с понимания бизнеса. Мы не спрашиваем бизнес, на каких данных построить модель. Они этого не знают. Мы спрашиваем, как сейчас работает процесс и что они уже пробовали. Затем мы проводим статистический эксперимент, получаем подтверждение или опровержение гипотезы. Собирая набор факторов, мы оцениваем предсказательную силу модели различными методами. Если точность существующего процесса повышается, двигаемся дальше. Если нет — эксперимент отправляется в помойку, и это нормально. Часто бывает, что перебрали гипотезы, но ни одна не улучшает силу модели или сбор данных просто дороже, чем потенциальная выгода. Поэтому мы всегда спрашиваем бизнес-заказчиков: исчерпали ли вы все возможности, прежде чем заниматься машинным обучением? Каждый следующий этап дороже, и не всегда стоит быстро бежать к ИИ, тем более к генеративному.
— Но ведь платформы уже есть, бизнес знает, что инструмент современный, почему бы не попробовать? Это просто затраты сотрудников и электроэнергии?
— Для генеративного ИИ это затраты на приобретение своих серверов или закупку токенов внешних моделей. Для классического машинного обучения это в основном затраты на людей: около 60 процентов трудозатрат — это подготовка данных. Их нужно собрать, обеспечить качество и регулярность. Для промышленного процесса это стоит денег, и, если не предвидится финансового эффекта, делать это бессмысленно. Но в банках есть стандартные случаи, такие как предсказание оттока или категоризация заемщиков в процессе работы с просрочкой, в которых уже давно используют машинное обучение, потому что классические методы давно себя исчерпали.