Тренды заказной разработки

Последние два-три года российские компании активно переходят на отечественные облачные платформы. Это соответствует требованиям ФСТЭК и закона «О персональных данных» (№ 152-ФЗ). Инфраструктуру клиентов, особенно критически важные информационные системы, необходимо размещать в аттестованных окружениях, которые проще организовать в облачной среде.

Разработчики перестроились под потребности клиентов. Примерно 80% проектов заказной разработки теперь ведется в российских облаках. Этот тренд будет продолжаться, поскольку такой подход не только отвечает принятым нормам информационной безопасности, но и ускоряет доставку решений пользователям.

Узкоспециализированный искусственный интеллект может взять на себя большинство рутинных операций, поэтому заказы клиентов на разработку таких решений поступают достаточно часто. 

Например, узкоспециализированный ИИ помогает при проектировании механизмов. Там, где человеку требуется время, чтобы вспомнить формулу, на ее основе сделать вычисление и принять решение, нейросеть работает в разы быстрее, особенно если является предметно-ориентированной. 

ИИ-решения востребованы в финансовой сфере, которая сейчас находится на передовой технического прогресса. Крупные банки начали использовать ИИ около пяти лет назад. Сейчас топ-200 банков или уже внедрили ИИ, или готовы работать с нейросетями.

Например, нейросети успешно используются для поддержки пользователей. На начальном этапе специалист поддержки может вообще не принимать участия во взаимодействии с клиентом. Ответы клиенту на его первые вопросы предоставляет машина. Чем точнее нейросеть понимает запросы пользователей, тем качественнее будет помощь.

Использование нейросетей экономически выгодно: содержать нейросеть дешевле, чем штатных специалистов. Она работает в режиме 24/7 и при должном обучении хорошо справляется со своими задачами. В банковском секторе нейросети снижают затраты на поддержку пользователей как минимум на 20%.

Еще одна область, которую банки в 2023–2024 гг. отдают нейросетям, – обслуживание кредитного конвейера. Нейросеть идентифицирует клиента банка по речи и другим биометрическим параметрам и, связавшись со специализированными базами данных, быстро собирает всю необходимую информацию о нем. На подсчет скорингового балла клиента уходят считанные минуты, после чего нейросеть принимает предварительное решение о выдаче кредита без участия специалиста банка.

Machine Learning – самообучение машины на основе предустановленных алгоритмов – мощный инструмент. Проекты с использованием этой технологии востребованы, например, в телекоме. Недавно одной из крупных телеком-компаний понадобилось создать информационную систему, которая в дальнейшем будет самообучаться на основании определенных данных и событий в программе мониторинга. Клиенту было важно, чтобы система при необходимости сама принимала решения о возбуждении инцидента, а также связывала инцидент с обращениями, которые были ранее. Если по аналогичным обращениям ранее принималось решение, система должна предлагать его на рассмотрение инженерам и пользователям. Фактически таким образом автоматизируется аналитическая работа инженеров, которые обеспечивают предоставление сервисов 24/7.

ML может помогать и самим разработчикам – по запросу предлагать решения, которые в случае одобрения специалистами могут стать основой для разработки. Конечно, при таком подходе высока вероятность, что нейросеть предложит небезопасное или не очень качественное решение, но его можно будет использовать как исходную точку в поиске оптимальной схемы действий.

Внутренняя оптимизация инструментов – еще одна тенденция, которая будет продолжаться. В России ей следуют достаточно много компаний, в том числе «Яндекс» с его решением ClickHouse, которое позволяет из одной входной точки работать как с традиционными базами данных, так и с нереляционными. 

Другой пример надстройки над реляционными и нереляционными базами данных – российский продукт Tarantool. При работе с ним не нужно знать особенностей работы каждой из баз данных, достаточно понимания того, как работает сама надстройка, и это значительно повышает скорость разработки приложений конечных сервисов. В создании таких решений российские разработчики могут не просто обогнать конкурентов, а установить новые стандарты, в том числе мировые.

Популярность подхода low-code снижается – эти решения оказались не столь эффективны, как это преподносилось на волне хайпа. High-code не просто возвращается, а становится де-факто стандартом для некоторых отраслей. В частности, high-code необходим в проектах создания специализированных решений с элементами искусственного интеллекта и машинного обучения, которые часто востребованы в банковской сфере и телекоме.

Важный пример связанных с high-code проектов для банков – интеграция платформ дистанционного банковского обслуживания с АБС и процессингом. Так, один из региональных банков пожелал отказаться от коробочного продукта, реализованного в контуре банка, в пользу разработки индивидуального решения. Клиент хотел, чтобы новое решение базировалось на работе со счетами клиентов физлиц, а не их банковскими картами. Платформу ДБО, созданную как индивидуальная разработка, нужно было интегрировать с core-системами, чтобы упростить взаимодействие между AБС и фронтальными решениями в виде мобильных приложений и веб-сайта. Подобные проекты – новая тенденция в банковской сфере, они говорят о готовности банков сосредоточиться на развитии кредитования.

Еще одна актуальная для банков задача, которая реализуется с помощью high-code – создание продуктового каталога. Он может быть реализован как отдельная подсистема, которая позволяет не только синхронизироваться с АБС, но и обогащать полученную информацию дополнительными маркетинговыми данными. Все эти данные потом используются в ДБО.

Случается, что в рамках проекта импортозамещения банк создает свою собственную платформу разработки. Такие фреймворки ускоряют создание прикладных решений для бэкофисных задач. 

Методология DevOps стала необходимой частью процесса заказной разработки. По сути, Development Operations – это автоматизация связанных с разработкой операций. Благодаря распространению DevOps в командах разработки появились специалисты нового направления – DevOps-инженеры, которые сочетают навыки программирования и администрирования. После того, как сама разработка завершена, DevOps помогает собрать готовое приложение не в ручном, а в автоматическом режиме.

Раньше программисты в основном были многопрофильными профессионалами с хорошей фундаментальной базой. Сейчас очевидно, что в ИТ-отрасль приходит все больше разработчиков с узкой специализацией. Это наблюдается, например, в GitOps, где все заметнее тенденция выделять узких специалистов, которые занимаются только репозиториями или управлением версиями.

Появляются новые специальности, связанные с обучением искусственного интеллекта. Инженерно-техническая работа возрождается, и сегодняшние ИТ-специалисты, чтобы создавать интеллектуальные устройства, должны знать и свою предметную область, и цифровые технологии.

Впереди у российского рынка интересный момент: различные отрасли все плотнее соприкасаются, и на стыке отраслей обязательно появятся новые специальности. В частности, на стыке любой отрасли с ИТ будут нужны рабочие с базовыми навыками программирования.

В сфере заказной разработки сегодня много интересных идей и «фишек», которыми могут пользоваться предприятия разных отраслей. Но и заказчику, и разработчику всегда нужно предельно внимательно и осторожно относиться к соблюдению норм информационной безопасности и цифровой гигиены. Только в этом случае технологическое развитие не повлечет за собой повышения рисков для бизнеса, и клиент получит от проектов заказной разработки всю выгоду, на которую рассчитывает.

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!