ИИ в банке: от облаков к собственным серверам

Мировые банки активно внедряют генеративный искусственный интеллект, инвестируя в технологию миллиарды долларов и оптимизируя внутренние процессы. В России ИИ-проекты тоже выходят на промышленный уровень, однако их масштабирование упирается в кадровые и инфраструктурные ограничения.

Масштабы инвестиций в искусственный интеллект в финансовом секторе стремительно растут. По оценкам Juniper Research, в 2024 г. глобальные затраты банковской системы на генеративный ИИ составили около $6 млрд. А к 2030 г. эта сумма достигнет $85 млрд. Согласно данным Business Insider, степень внедрения ИИ напрямую зависит от размера активов банка: крупные банки внедряют технологии охотнее. В частности, ведущие финансовые институты Азии уже заявили о сокращении тысяч рабочих мест – автоматизация рутинных операций с помощью ИИ позволяет перераспределять ресурсы и снижать операционные издержки.

Кроме оптимизации затрат, ИИ обеспечивает рост доходов и создание новых бизнес-возможностей. По данным Nvidia, почти 70% компаний, внедривших ИИ-решения, увеличили доходы минимум на 5%, а более 60% сократили расходы не менее чем на 5%. 

Активнее всего современные технологии применяются в сегменте клиентских сервисов: здесь доля проникновения ИИ достигает 84%. Речевые технологии и чат-боты уже снимают нагрузку с операторов и оптимизируют работу кол-центров. А предиктивная аналитика задействуется при моделировании расходов и оценке кредитоспособности клиента. В перспективе особое развитие получат интеллектуальные рекомендательные системы – для управления инвестициями, накоплениями и персонального финансового планирования. Внутренние процессы в финансовой сфере, такие как эквайринг, обработка платежей и скоринг, уже сейчас широко интегрированы с технологиями ИИ и продолжают совершенствоваться.

Внедрение ИИ в российском финсекторе набирает обороты, но сталкивается с системными ограничениями. По данным Ассоциации ФинТех, на сегодняшний день только 10–15% проектов с генеративным ИИ в российских финансовых организациях доходят до промышленной эксплуатации, и лишь 20–25% из них дают заметный экономический эффект. Ключевыми барьерами остаются кадровый дефицит и отсутствие единой методологической базы. При масштабировании ИИ-решений компании вынуждены пересматривать текущую ИТ-инфраструктуру, адаптируя ее к требованиям ИИ. На этом этапе нередко возникает разрыв между классическими ИТ-системами и архитектурой, необходимой для машинного обучения (Machine Learning, ML), сбора данных и их обработки. Инфраструктурные команды не всегда способны выбрать аппаратное обеспечение, промежуточное и прикладное ПО для задач, поставленных дата-сайентистами, что усложняет эксплуатацию и поддержку ИИ-проектов.

Эксперты прогнозируют, что в 2026 г. уровень использования ИИ в отечественных финансовых организациях может достичь 68%. Уже сегодня ИИ помогает Альфа-Банку оптимизировать подбор персонала, Т-Банку – защищать клиентов от мошенников и автоматизировать рутинные задачи. ИИ находит все более широкое применение в оценке рисков, расчете страховых премий и обработке данных в страховых компаниях. 

Если на этапе пилотных проектов компании чаще всего тестируют ИИ-сервисы в публичных облаках, которые дают возможность гибко и быстро развернуть необходимые вычислительные мощности и не требует капитальных затрат, то для запуска в промышленную эксплуатацию по ряду причин предпочитают локальную инфраструктуру. Во-первых, ранее многие компании использовали решения уровня Nvidia DGX/HGX, которые позволяли создать готовую инфраструктуру для ИИ. Сегодня покупка, поддержка и лицензирование таких решений ограничены, поэтому российские компании, на которые распространяются требования регуляторов, все чаще обращаются к отечественным разработкам. К 2027 г. крупные игроки рынка планируют довести уровень импортозамещения своих ИТ-систем до 85–90%. Этому способствует и законодательная поддержка: федеральный проект «Искусственный интеллект», входящий в национальный проект «Экономика данных», ставит задачу создания инфраструктуры для вычислений и хранения данных на базе отечественного оборудования, технологий и ПО до 2030 г.

Во-вторых, повышаются отраслевые требования к уровню защиты данных и вычислительным мощностям, растут энергозатраты. Вследствие усиления кибератак банки ужесточают контроль над информационными системами.

В ответ на спрос российский рынок предлагает готовые решения для корпоративного ИИ. В их числе – как аппаратные платформы, например, от производителей Delta Computers, Fplus, R-Style или YADRO, так и готовые программно-аппаратные комплексы от «К2 НейроТех» или «Скала-Р». Они разворачиваются в контуре компании, объединяя аппаратный слой, платформу управления, преднастроенное программное обеспечение и инструменты для работы с ИИ и высокопроизводительными задачами.

Локальные инфраструктуры особенно важны для банков, где утечка персональных или транзакционных данных грозит серьезными репутационными и финансовыми потерями. On-premise-решения позволяют четче контролировать доступ, хранить и обрабатывать их локально с высокой производительностью, чего нельзя гарантировать при использовании облачных сервисов с распределенным хранением.

Другое немаловажное преимущество – локальная инфраструктура легко интегрируется в существующий ИТ-ландшафт организации, работает с актуальными источниками данных, учитывает бизнес-логику и минимизирует избыточные связующие слои. При обучении моделей on-premise данные получаются чище и точнее, что гарантирует безопасность и защищает от предвзятости. Это критично для задач скоринга, антифрода и анализа клиентского поведения. Размещение вычислительных ресурсов для ИИ-задач в собственном контуре обеспечивает независимость от провайдеров и непредсказуемых факторов их инфраструктуры. Компания получает гарантированную производительность ИИ-моделей и высокую доступность системы, поскольку полностью контролирует вычислительные мощности и не зависит от технических сбоев или ограничений третьих сторон.

Для максимальной эффективности компании прибегают к гибридным моделям: ресурсы распределяются между облаком и локальной инфраструктурой, при этом чувствительные данные обрабатываются в защищенном контуре. В то же время некоторые организации разворачивают частные корпоративные облака, чтобы обучать и тестировать модели «за закрытыми дверями» на чувствительных бизнес-данных. Частные облака обеспечивают не только больший контроль над данными, но и масштабируемость и прозрачность при распределении вычислительных ресурсов для таких задач.

* * *

Выбор вычислительной инфраструктуры – первый и важный шаг к внедрению искусственного интеллекта. Компании приходят к пониманию того, что инвестиции в собственные вычислительные мощности – это не только контроль, отказоустойчивость и безопасность сегодня, но и фундамент для стабильного внедрения ИИ-продуктов в бизнес-процессы, которые обеспечат принципиально новый уровень эффективности и конкурентоспособность на годы вперед.

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