ИИ в финансах: как сделать нейросети рабочим инструментом банковской автоматизации

Ключевым драйвером внедрения искусственного интеллекта (далее — ИИ) в банковский бизнес становится оптимизация процессов и стратегическое развитие компании за счёт инноваций. Сегодня банки должны быть не просто цифровыми — а моментально адаптирующимися под клиента, предугадывая его потребности. 

Резидент Сколково FIS более 20 лет автоматизирует бизнес-процессы банков топ-10, топ-30, топ-100 РФ и финтех-компаний. Сейчас компания активно внедряет большие языковые модели и модели машинного обучения как базовый инструментарий low-code платформы FIS Platform (решение включено в единый реестр отечественного ПО, помогает банкам создавать кастомизированные системы).

“На наших глазах разворачивается новая «гонка вооружений», где валюта — вычислительные мощности, а поле битвы — алгоритмы ИИ. Борьба уже идёт не за долю рынка — а за право определять будущее целых отраслей и экономик. Двигателем этого тектонического сдвига стали нейросети: их способность к обучению и выявлению сложнейших закономерностей в данных открыла путь к решению ранее неразрешимых задач. Особую роль играют большие языковые модели (LLM). Они превратили ИИ из узкоспециализированного инструмента в доступную технологию для массового применения в бизнесе. Если цель — предельно возможное снижение себестоимости продуктов и услуг, то ИИ — самый мощный инструмент достижения этой цели со времен промышленной революции”, — подчеркивает директор FIS Евгений Кашменский.

Искусственный интеллект позволяет автоматизировать рутинные операции, оптимизировать сложные процессы принятия решений, минимизировать риски человеческого фактора и создавать принципиально новые, более эффективные бизнес-модели. Для банковского сектора эти возможности означают не просто очередное обновление ИТ-систем, а полную перестройку операционных процессов и взаимодействия с клиентами.

Как применяется искусственный интеллект в решениях FIS для банков:

• ML-модели в бизнес-приложениях — системах автоматизации процессов скоринга, оценки кредитных рисков, взыскания, продаж и маркетинга;
• оркестрация всех инструментов искусственного интеллекта на одной платформе — вызов LLM и RAG-моделей заказчика, интеграция с внешними решениями через API;
• встраивание уникальных виджетов на базе машинного обучения в интерфейсы пользователя; 
• LLM в FIS Platform — ИИ-инструменты для разработки и отладки приложений.

ИИ в low-code платформе: от голосового ввода до оптимизации систем

Новая версия FIS Platform дополнена инструментами искусственного интеллекта для роста производительности low-code разработки — ИИ доступен при инсталляции соответствующей версии платформы. Сервис взаимодействия с LLM, преднастроенными для банковского бизнеса, адаптирован под внутренние языки программирования платформы (UDML, UDMS) и легко интегрируется.

“Платформа с использованием искусственного интеллекта позволяет повысить производительность начинающих специалистов минимум на 30% и сэкономить время более опытных наставников, которое они тратят на онбординг и проверку типовых задач. Сейчас модели машинного обучения и большие языковые модели напрямую влияют на экономическую эффективность банков: с ИИ тимлид тратит на каждого джуна на 1,5–2 часа в день меньше, что в реалиях крупного банка позволяет сохранить около 7500 часов — или от 10 000 000 рублей в год”, — добавляет Сергей Трухин, директор по продажам FIS.

Усовершенствованный поиск по документации. Умный поиск создан на основе векторных баз данных, которые позволяют получать быстрые ответы из глубокого контекста, а не только по ключевым словам. В результате искусственный интеллект представляет краткий ответ на заданный вопрос и сводку статей документации, что ускоряет погружение новых сотрудников в разработку — мгновенно даёт релевантные по смыслу ответы без привлечения тимлидов. 

Автоматизация разработки и тестирования. Встроенный ИИ-помощник помогает: 

• генерировать объекты платформы и создавать “скелеты” приложений;
• создавать, дописывать и оптимизировать код, написанный аналитиками-проектировщиками;
• автоматически генерировать unit-тесты для раннего выявления ошибок и предложения улучшений кода в функциях, скриптах, процессах;
• узнавать про функциональность и устройство работы платформы и бизнес-приложений.

Планируется, что интерфейс помощника будет представлен в формате диалога с пользователем. Каждый ответ можно оценить для развития инструментов искусственного интеллекта. 

Голосовой ввод. Платформа поддерживает ввод данных голосом — теперь вместо ввода данных с клавиатуры можно надиктовать описание. Функция доступна как для описания объектов в конструкторе, так и для заполнения интерфейсных форм конечными пользователями. ИИ автоматически распознает около 100 языков и конвертирует речь в текст.

ИИ в банках: реальные кейсы автоматизации взыскания, скоринга и продаж 

Обладание передовой технологией искусственного интеллекта само по себе не гарантирует успеха. Настоящая конкурентная дифференциация возникает не из факта наличия нейросети, а из способности компании эффективно вписать ее в свою бизнес-стратегию и операционные процессы. Как регулярно отмечают ведущие аналитические агентства, включая Gartner, ключевая задача — это не закупка самого сложного алгоритма, а его целенаправленная интеграция для решения конкретных задач. Ценность создается в тот момент, когда ИИ перестает быть изолированным IT-проектом и становится неотъемлемой частью процесса, например, оценки кредитного риска, выявления мошеннических транзакций или персонализации клиентского опыта. 

FIS регулярно интегрирует агенты искусственного интеллекта в крупные банки России. Яркие кейсы использования ML-моделей связаны с развитием риск-менеджмента, взыскания, продаж, клиентского сервиса и многих других внутренних и внешних задач. 

Collection и ИИ-фабрика. В FIS Collection банки могут запускать модели машинного обучения, работающие по разным принципам: логическая регрессия, градиентный бустинг или нейронные сети. Одним из самых популярных кейсов использования искусственного интеллекта во взыскании является сегментация портфеля — благодаря ML процесс кратко ускоряется. Модели помогают преобразовать аналитический collection в простой, рутинный процесс:

• предсказать вероятность погашения задолженности без воздействий;
• спрогнозировать вероятность невозврата на разных стадиях, например, soft collection;
• выбрать наиболее подходящий профиль оператора для взыскания.

“Например, в банке топ-10 РФ для экономии ресурсов не обзванивают клиентов, которые по расчётам модели машинного обучения с 81% точностью самостоятельно вернут задолженность в течение 3 дней”, — поясняет Сергей Трухин.

В FIS Collection также доступно подключение сторонних ML-виджетов для построения “рабочего места будущего”. Сервис позволяет придать операционному collection “человеческое лицо” — для оператора в режиме реального времени отображается настроение собеседника (на основе голосовой аналитики) и формируются рекомендации по индивидуальному общению.

В систему также активно подключаются внешние агенты искусственного интеллекта, например, для сегментации задач по обзвону роботам и постобработки звонков для контроля результатов операторами.

Скоринг и оценка кредитных рисков. Система поддержки принятия решений FIS позволяет запускать в режиме реального времени разные модели машинного обучения (как нейронные сети, так и логическая регрессия, градиентный бустинг). Они помогают банкам оценивать кредитоспособность клиента и подбирать наиболее релевантные предложения. 

Результаты расчетов риск-менеджер может использовать с целью настройки сегментации и логики обработки заявок — для любых продуктов и клиентов (физических и юридических лиц). По итогу в системе автоматически определяются пороги отказа и одобрения получения кредита — зелёная зона, champion-challenger или альтернативное предложение.

“Консалтинговое подразделение FIS готово предоставить услуги по построению  ML-моделей на данных банка и интеграции этих инструментов в процесс принятия решений. Например, с помощью алгоритма XGBoost мы реализовали в банке расчёт вероятности дефолта клиента и автоматическое одобрение продукта, если вероятность выхода на просрочку минимальна и отсутствуют стоп-факторы”, — рассказывает Сергей Трухин.

Персонализированный маркетинг и real-time кампании. Модели машинного обучения, как градиентный бустинг, в FIS Campaign Manager позволяют вести персонализированное сопровождение клиентов и формировать лучшее предиктивное предложение (Next Best Offer). Инструмент может применяться для real-time кампаний и активностей по расписанию. На основе данных о поведении клиента из CRM, кредитных конвейеров и истории транзакций банк получает:

• прогноз вероятности оттока клиентов;
• определение вероятности покупки конкретных продуктов;
• подбор оптимального канала и времени коммуникации.

“Модель Next Best Offer позволяет банку на основании big data определять, какой сценарий взаимодействия с клиентом принесет наибольшую прибыль в конкретные сроки. Благодаря этому подходу наш заказчик повысил конверсию на 40% — увеличил продажи после касания с 1% до 1,4% по всей линейке продуктов”, — комментирует директор по продажам FIS.

Усиление небольших ИИ за счёт мультиагентных сред

Сегодня FIS Platform выступает как единый шлюз для управления разными агентами искусственного интеллекта, большими языковыми моделями и моделями машинного обучения.

“Мы активно развиваем направление структуризации разработки. Сегодня большие языковые модели не умеют качественно решать объёмные и запутанные задачи — без нужной структуризации нейросети “галлюцинируют”. Чтобы нейросеть подвергала свои ответы рефлексии, мы создаём инструментарий структуризации для искусственного интеллекта. Он представляет собой мультиагентную систему, где нейросеть  генерирует код одновременно в разных контекстах — словно коллектив при длительном рассуждении. Так мы надеемся поднять до уровня LLM качество работы небольших нейросетей, чтобы решать более сложные задачи банков in-house”, — отмечает Сергей Трухин.

Команда FIS переходит к реализации мультиагентной системы — интерфейса, где не только оркестрируется работа всех нейросетей, но и над решением каждой задачи работают несколько ИИ-агентов, что повышает качество их ответов.

“Для оценки реального прогресса в применении ИИ в банковской сфере удобно использовать модель уровней зрелости. Этот подход позволяет систематизировать путь компании от первых робких экспериментов до полной трансформации бизнеса на основе искусственного интеллекта. Каждый уровень характеризуется определенной степенью интеграции технологии, масштабом ее применения и, что самое важное, измеримым влиянием на бизнес-показатели. Такой фреймворк помогает не только определить текущее положение банка, но и сформировать дорожную карту для дальнейшего развития”, — заключает Евгений Кашменский.

Все решения FIS для эффективной банковской автоматизации представлены на сайте. Команда готова к консалтингу и интеграции ИИ-решений под индивидуальные задачи банков и финтех-компаний — свяжитесь с нами.