Умным технологиям — умное использование

В рамках первой панельной дискуссии участники пытались разобраться в том, как выбираются и приоритезируются проекты, связанные с AI. По мнению Виктора Жидкова, председателя правления банка «Веста», правило Парето хорошо работает, когда на рынке и в отрасли все спокойно и у организации есть возможность подумать, какими проектами заниматься, а какие лучше придержать. Иногда выбора просто нет. Стала более жесткой политика регулятора в связи с принятием Закона № 115-ФЗ, когда пришлось срочно налаживать мониторинг транзакций на предмет выявления сомнительных сделок. Все банки столкнулись с этим вызовом. Первой реакцией многих были попытки решить проблему «на коленке», любыми подручными средствами, большим числом людей. Но результата не было. В банке «Веста» приняли решение обратиться к вендору с запросом о создании облачного сервиса для анализа транзакций при помощи ML. Через полгода появился MVP, а с ним и уверенность в успехе проекта. Продукт выведен в промышленную эксплуатацию, получен экономический эффект, а главное — выполнены требования регулятора, так что в этом отношении можно не беспокоиться за судьбу банка. В настоящее время найденное решение внедряют еще пять банков, в том числе два банка из первой десятки.

Дмитрий Первухин, банк «Открытие» и Виктор Жидков, банк «Веста». Фото: Futurebanking.ru

Все ли данные одинаково полезны, все ли данные имеет смысл собирать и хранить? В МТС лишних данных нет, считает Аркадий Сандлер, руководитель направления «Искуственный интеллект» ПАО «Мобильные ТелеСистемы». Компания научилась работать со всеми данными, которые лежат на поверхности, и извлекать из них пользу для бизнеса. Но при этом команда, которая занимается большими данными, продолжает изучать укромные уголки IT-ландшафта и неожиданно открывает существование еще каких-то информационных залежей, которые также можно употребить в дело. Чтобы оценить уровень востребованности этой работы бизнесом, достаточно упомянуть простой факт: за 2018 год команда увеличилась в два с половиной раза. Как определить те заветные 20% ключевых задач, с которых начать? Аркадий Сандлер предложил следующий рецепт: «Представьте, что у вас в распоряжении армия абсолютно бесплатных людей, которые умеют выполнять одну простую работу, например выделять даты в документах. Или выделять в потоке СМС названия банков. Или распознавать в речи клиента ключевые слова. Чем бы вы заняли этих людей в первую очередь? Вот это и надо автоматизировать прежде всего».

Аркадий Сандлер, МТС. Фото: Futurebanking.ru

Анастасия Изыкова, начальник управления повышения эффективности Альфа-Банка, предложила свой критерий выбора приоритетных проектов. Это финансовая модель с ее простой арифметикой: доходы против расходов или экономия против расходов. Если расчетный финансовый результат проекта значительный, проекту дается отмашка. Этап исследований и «пилотов» в части использования новых технологий банком в основном пройден, поэтому финансовые модели достаточно точны и прогностичны. Альфа-Банк — большая организация с широким набором услуг, и проекты с использованием Big Data и ML идут во многих департаментах: продажи, безопасность, операционный блок. При этом, поскольку новые технологии появляются быстро, какой-то бюджет закладывается и для пилотных исследований.

Анастасия Изыкова, Альфа-Банк. Фото: Futurebanking.ru

Заместитель директора IT-развития банка «Открытие» Дмитрий Первухин считает, что браться следует только за заведомо успешные проекты. А успех проекта — это прежде всего четкая постановка задачи и понимание путей ее решения. AI, ML, Big Data — область новая, и культура постановки задач в ней еще не сложилась. Заказчики от бизнеса часто сами не знают, в чем задача, и специалисты по data science не знают. С этим и надо разбираться. А шарить в темноте в надежде найти что-то чудодейственное — это, как полагает Дмитрий Первухин, верный путь к неудаче. Новые технологии — лишь инструменты для решения задач. Задачи решают люди, а инструменты сами по себе ценность не производят.

Юрий Кардонов, генеральный директор Commontech.ru, обратил внимание на еще один источник рисков. Главное при ведении проектов с умными технологиями — не забывать о людях. Не секрет, что внедрение машин для выполнения традиционных, «человеческих» операций часто вызывает у сотрудников настороженность и неприятие. Люди опасаются, что их заменят, сократят, не будут обучать и готовить к выполнению других задач. В результате — стрессы, снижение работоспособности и много досадных трений. Шаги внедрения проекта следует продумывать с учетом человеческой психологии, чтобы не дать повода для необоснованных страхов и избежать конфликтных ситуаций.

Одна из особенностей технологий машинного обучения состоит в том, что во многих случаях даже очень хорошему специалисту не под силу разобраться и понять, как получился тот или иной результат, какие закономерности и связи стоят за ним. В каких-то ситуациях и процессах бизнесу достаточно высокой вероятности того, что машина направит события по оптимальному руслу. В иных же случаях цена даже совсем маловероятной ошибки становится слишком высокой. Ошибочный возврат денег пользователю — финансовая потеря для телеком-оператора. Ошибочная блокировка счета клиента — репутационная потеря для банка. Участники дискуссии согласились в одном: не все решения можно доверить машине. Даже в самых продвинутых и автоматизированных отраслях есть немало процессов, в которых последнее слово остается и должно оставаться за человеком с его экспертным знанием, здравым смыслом, пониманием ситуации. Машина может помочь своими рекомендациями и подсказками, но на следующем шаге специалист осмысливает эти рекомендации, делает окончательный выбор и отвечает за этот выбор.

Большие данные меняют отраслевые границы

Использование AI, ML, и Big Data в кросс-отраслевых бизнес-моделях — так звучала тема второй панельной дискуссии.

Что можно почерпнуть из зарубежного опыта? Константин Виноградов, старший инвестиционный менеджер компании Runa Capital, которая много инвестирует в финтех, охарактеризовал картину «биг-датного» сотрудничества банков с другими индустриями в США и Европе. В целом, достаточно похоже на то, что мы наблюдаем в России. Выделяются три направления партнерства с представителями небанковских отраслей и финтех-стартапами. Первое — продажа банком небанковских услуг, реализуемых партнерскими компаниями. Дальше других здесь продвинулся российский Тинькофф Банк, у которого в одном приложении — целая экосистема потребления: и деньги, и наиболее подходящие варианты того, как их потратить, и тут же, не выходя из приложения, приобретение нужных товаров и услуг. Такой тренд развивается и за рубежом, где ряд банков также оказывает через партнеров дополнительные, традиционно не свойственные банкам услуги. Правда, у зарубежных коллег кейсы более скромные. Некоторые банки предлагают юридическим лицам бухгалтерское обслуживание. Появляется также много стартапов, обеспечивающих возврат НДС по тем покупкам, которые сотрудники компаний делают с карточек в зарубежных поездках. Второе направление — стартапы, предлагающие банкам механику сотрудничества с узким специализированным сегментом небанковских индустрий, например услуги банка для тех малых бизнесов, которые работают через Интернет. Стартапы подключаются к существующим аналитическим системам, извлекают полезную информацию и за счет нее обогащают, усиливают и делают более эффективными методы принятия решений о выдаче кредитов. Третье направление сотрудничества — привлечение финтех-компаний для того, чтобы они помогли без потерь справиться с вступившими в силу регуляторными требованиями GDPR. Возникла целая индустрия стартапов, умеющих запутывать и делать нечитаемыми данные, но при этом — извлекать из них ценность для банков.

Евгений Виноградов, Яндекс.Деньги. Фото: Futurebanking.ru

Евгений Виноградов, руководитель отдела разработки аналитических сервисов «Яндекс.Деньги», привел кейс, высветивший значение кросс-отраслевого переноса знаний, идей и подходов в области больших данных и машинного обучения. На одной из конференций он обратил внимание на выступление специалиста в области data science, посвященное исследованию пользователей онлайн-игр. Речь шла о предсказательном значении таких параметров, как время и расстояние между действиями пользователя. Идея оказалась эвристичной и была впоследствии с успехом использована Евгением Винградовым в разработке системы антифрода для платежного сервиса.

Однако, антифрод — не единственная область, в которой востребованы и проверяются самые разные идеи. Специфика работы с большими данными и машинным обучением такова, что огромные затраты денег, труда и времени приходятся на исследования, которые каждый банк проводит на свой страх и риск. И каждый банк в поисках сильного решения перерабатывает огромное количество ложных гипотез. В связи с этим Алексей Карпунин, заместитель IT-директора Московского Кредитного Банка, высказал мысль о совместном использовании банками как накопленных ими данных, так и хорошо зарекомендовавших себя моделей. По мысли Алексея Карпунина, большая открытость и более предметный обмен результатами внутри одной только банковской индустрии принес бы всему сообществу пользу, намного превышающую риски утраты эксклюзивного знания.

Алексей Карпунин (Московский Кредитный Банк). Фото: Futurebanking.ru

Технологии против кибермошенничества

Как банки ведут борьбу с кибермошенничеством и как им в этом помогают интеллектуальные технологии? Этой теме была целиком посвящена одна из сессий Форума.

Андрей Пинчук, начальник отдела аналитической экспертизы Сбербанка, рассказал о том, как меняются подходы мошенников в ответ на принимаемые банками меры безопасности. В 2011–2015 годах в этой сфере доминировал технологический фрод: заражение компьютеров и мобильных устройств клиентов вирусами, перехват управления их устройствами. Фишинг занимал в этом «букете» скромное место. В четвертом квартале 2015 года в Сбербанке была внедрена антифрод-система, которая после трехмесячного обучения предотвращала более 90% случаев мошенничества.

Андрей Пинчук, Сбербанк. Фото: Futurebanking.ru

Столкнувшись со столь мощной защитой, злоумышленники стали искать другие пути и нашли их: к концу 2016 года эффективность антифрод-системы стала снижаться. Проведенное исследование вскрыло причину: с конца 2016 года по настоящее время в киберпреступном мире доминирует новый тренд, и 81% случаев мошенничества основаны теперь на социальной инженерии. При этом в 70% случаев преступники обманом добиваются того, что клиент сам переводит деньги на их счета. Наибольшее распространение получили два сюжета. Первый — предложение купить по предоплате товар в интернет-магазине. Второй — СМС-сообщение якобы из банка о том, что заблокирована попытка мошеннической операции, и, чтобы спасти деньги, необходимо произвести такие-то действия в мобильном приложении или через банкомат.

Поскольку деньги переводит сам клиент, традиционные инструменты идентификации злоумышленников — IP-адреса, поведенческие особенности, типы устройств — сами по себе мало что дают. Начинается новый виток исследований и экспериментов с широким применением ML и с фокусировкой на получателя денежных средств, его окружение и его связь с отправителем. По оценке докладчика, в настоящее время хорошо зарекомендовали себя графовый анализ транзакций, например длина пути через «количество рукопожатий» между отправителем и получателем, а также применение методов NLP к анализу своеобразных «текстов», в которых на месте слов — IP-адреса, банкоматы, используемые устройства и другие технические данные. В результате создания новых антифрод-механизмов Сбербанку удалось восстановить целевой уровень защищенности, и теперь доля случаев предотвращенного мошенничества снова составляет более 90%. Банк приостанавливает транзакцию, информирует клиента о риске быть обманутым и предоставляет ему самому решать, проводить платеж или нет.

Евгений Виноградов поделился историей, которая также была связана с действиями злоумышленников, предпринимаемыми от имени мерчантов. Используя ML, специалисты платежной системы решали задачу: научиться распознавать подозрительных игроков и отказывать им уже при подключении, не дожидаясь мошеннических действий с платежами. Текстовый анализ сайтов на основе ML, который прежде хорошо работал для выявления по косвенным признакам запрещенной торговли, в деле выявления мошенников значимых результатов не принес. Не сработали и другие основанные на data science подходы. В результате наиболее эффективным оказалось простое решение: чек-лист, по которому система автоматически пробегала при подключении нового пользователя, выявляя подозрительные признаки: размер уставного капитала, случаи массовой регистрации, «засвеченное» устройство и т.д.

При создании интеллектуальных процессов, считает Евгений Виноградов, далеко не всегда нужно сразу привлекать дорогостоящие интеллектуальные инструменты. Иногда выручают гораздо более простые решения. Например, для предотвращения злоупотреблений с программами лояльности в розничных магазинах эффективными оказались счетчики получения кэшбэка с одного устройства. Они позволяют легко выявлять и блокировать попытки кассиров использовать для своего обогащения оставленные покупателями чеки.

Как в погоне за безопасностью не потерять расположения клиентов и не допустить их оттока к конкурентам? Как найти нужный баланс между безопасностью и удобством для пользователя? Кейс на эту тему представил Александр Нагорняк, СТО AI Solutions. Компания AI Solutions разрабатывала ряд решений в области кредитования для цифрового банка «Монобанк», работающего на украинском рынке. Одним из таких решений было управление реакцией банка в ответ на просрочку погашения клиентом задолженности по кредитной карте. Распространенная среди банков практика — с первого же дня атаковать клиента СМС-напоминаниями и, не дожидаясь долго, блокировать карту. Однако среди просрочивших платеж всегда есть значительная доля тех, кто оплошал со сроком, но при этом платежеспособен и не имеет злых намерений. Ранняя блокировка карт для таких клиентов — это чувствительный и неприятный нажим, в результате которого падает их лояльность. Специалистами AI Solutions на основе ML была разработана модель, позволяющая анализировать транзакции и другие действия клиента в Сети и с высокой вероятностью выявлять благонадежных пользователей. В результате оказалось возможным не блокировать карты у 60% тех, кто не внес оплату вовремя. При этом платежи от таких клиентов с опозданием, но всегда поступали, и потерь по проблемным задолженностям в этом клиентском сегменте не было.

Денис Суржко, начальник управления алгоритмов машинного обучения Газпромбанка, рассказал об IT-архитектуре компании, базовыми элементами которой являются озеро данных и три платформы: графовая, геолокационная и платформа текстовой аналитики. Единый контур обработки информации позволяет сопоставлять данные различной природы, значимо повышая точность оценок и прогнозов при решении практически любых характерных для банка задач, от оценки недвижимости до построения оптимальных маршрутов инкассации. Денис Суржко сделал акцент на созданной в Газпромбанке многослойной карте геоданных, насыщенность которой социально значимой информацией, по его оценкам, беспрецедентна. В частности, в системе скоринга хорошие результаты показал анализ соответствия декларируемых заемщиком доходов месту его проживания. При оценке корпоративных заемщиков оказалось невозможным ориентироваться только на данные системы СПАРК: восстанавливаемые связи компаний обрываются на иностранных юрлицах, а информация об акционерах часто неполна. Для восполнения информационных пробелов большой корпус новостных лент пропускался через системы текстовой аналитики, срабатывал алгоритм распознавания российских компаний, и на последующих этапах обработки этот механизм позволил получать более полные и точные сведения.