ИТ-трансформация.
Гость программы: Адель Валиуллин, первый вице-президент, руководитель блока технологий искусственного интеллекта Газпромбанка.
Ведущая: Екатерина Лозовая, кандидат физико-математических наук, директор компании «ТЕРН».

Екатерина Лозовая:
Здравствуйте, дорогие телезрители! В эфире программа ИТ-трансформация.

Сегодня такая современная, замечательная тема, все ее обсуждают. Скажите, пожалуйста, как вы пришли в эту специальность? Каким образом у вас получилось добиться успеха? Вы представляете такое новое направление?

Адель Валиуллин:
Как я пришел к такой жизни? Мне кажется, это классический путь любого технического специалиста сегодня. Сначала это физмат-школа или технический университет. У меня очень близкий путь к этому. Мне всегда нравилось решать сложные технические задачи. Учеба в Бауманке, тоже много разных интересных технических предметов и курсов.

И я даже помню интересный кейс, когда у нас в физмат-школе только начался курс по информатике в девятом классе. У меня школа находилась в центре, мне нужно было каждый день ехать на автобусе до учебы и обратно. Я сел в автобус, и мне попался счастливый билет. Счастливый билет — это когда сумма первых трех чисел равна сумме трех последних цифр в билете. Мне стало интересно, с какой вероятностью может попасться такой билет пассажиру.
Соответственно, когда у нас начался курс по информатике, это был язык программирования Pascal, я уже понял, что такую задачу можно решить просто перебором. Ну и посчитать количество счастливых билетов, поделить на все количество билетов, миллион, и найти вероятность. Я приехал домой, включил компьютер, посчитал, это около 5,5% получает, то есть примерно каждый 20-й билет счастливый.

Я понял, что, в принципе, с помощью таких современных инструментов, как программирование, можно решать какие-то практические задачи. Вот, и каждый раз потом я садился в автобус и понимал, что это просто некая вероятность, одна из 20 поездок будет с счастливым билетом. Иак-то более практически относился уже к попаданию счастливого билета.

И мне кажется, в университете я получил хорошую техническую базу, и, наверное, высокий уровень стрессоустойчивости, потому что учеба в любом сильном техническом университете — это всегда много различных предметов, заданий, курсовых работ, и, конечно, это создает некий стресс. Ну, и в целом поступить даже в такой университет —нужно пройти некую подготовку, заставить себя целенаправленно решать задачи по математике, по физике, по другим предметам, и пройти конкурсный отбор. А потом еще до конца доучиться в этом университете.
И поэтому очень любим, например, в нашем банке выпускников престижных университетов Московских, университетов в Питере, в других городах, в Казани, в Новосибирске есть хорошие технические школы.

Потому что в нашей работе много условий неопределенности, когда ты решаешь задачи в области искусственного интеллекта, и поэтому важно, чтобы ребята умели работать в таких условиях, в условиях стрессоустойчивости. Поэтому мы именно вот таких выпускников ищем в нашу команду, подготовленных.

В университете я получил хорошую базу и системное мышление, которое позволяет сразу, когда ты получаешь какую-то задачу, понимать дальнейшие шаги, пути и решения.
Параллельно еще в Бауманке у меня курс технопарка, это двухгодичная программа, тогда еще эта программа от компании Mail.Ru была часть компании ВК. Особенность этой программы была то, что все предметы на этой программе читали молодые специалисты, текущие сотрудники компании, и каждый курс заканчивался проектной работой в команде.

Екатерина Лозовая:
Курсовая работа?

Адель Валиуллин:
Не совсем курсовая, потому что курсовая — это когда ты индивидуально работаешь над проектом, а здесь именно была командная работа. Если учеба длилась два года — это четыре семестра, в каждом семестре примерно три-четыре предмета, каждый предмет заканчивается командной работой. И мне кажется, я научился за эти два года учебы на этой программе работать в команде, работать над какими-то большими проектами в коллективе. У меня так хорошенько кругозор в мире IT ударил, благодаря технопарку.
После университета я учился в аспирантуре. И в аспирантуре как раз-таки я выбрал направление, связанное с искусственным интеллектом, тогда еще не было понятия искусственного интеллекта, для этого разные понятия были, data mining, data science, машинное обучение. Но сейчас это, конечно, называют одним словом – это искусственный интеллект, и все эти понятия между собой смешались.
Я выбрал направление кредитного скоринга, как направление своей работы в аспирантуре, это мне помогло тогда уже начать решать какие-то интересные прикладные задачи, и сегодня в банке, наверное, вот один из таких больших проектов — это как раз-таки задача кредитного скоринга.

Екатерина Лозовая:
Это замечательная задача, интересная. Более того, обычному человеку трудно предсказать, ну а те, кто занимаются этой наукой, могут использовать.

Адель Валиуллин:
Да, абсолютно точно. И в чем особенность машинного обучения? Что человек в голове может держать 5-7 параметров и на основе этих параметров принимать решения, а такие алгоритмы могут работать с сотнями, с тысячами параметров и оперировать этими данными и принимать более верные решения. Сегодня ни один человек, конечно, не может работать с таким большим набором данных и приходить к верным решениям.
Если еще говорить про путь, в какой-то момент, тогда еще не было в университетах программ и курсов по машинному обучению, приходилось либо на практических задачах это все узнавать, либо какие-то открытые курсы находить в интернете, обучаться. Я наверное, на тот момент прошел все возможные курсы, которые были по машинному обучению, по Data Science. И один из курсов заканчивался проектом, точнее соревнованием на такой платформе, которая называлась Kaggle. И в чем состоялась задача? Нужно было предсказать победителя онлайн игры по статистике за первые пять минут игры. Фактически нужно было построить модель, которая по результатам пяти минут игры предсказывает вероятность победы в этой игре. В целом можно было уже довольно качественную модель построить. У меня довольно неплохо получилось решить эту задачу на этой платформе. И в чем особенность этой платформы, что есть некая метрика, по которой определяется качество решения каждого участника. И есть некий лидерборд, то есть турнирная таблица, куда попадают все решения участников. И они сортируются по качеству решения: насколько качественно построена модель и принимаются верные решения. Я довольно неплохо смог построить это решение. Высокое место занял, и мне это понравилось.

И потом я начал постепенно решать все больше задач на этой платформе. В чем суть этой платформы, что проходит огромное количество соревнований по всему миру. И эти задачи дают крупные IT-компании, такие как Google, Amazon. И любой человек на этой планете может поучаствовать в решении такой задачи. И все участники по результатам соревнований получают рейтинг в турнирной таблице. У каждого участника появляется количество очков, которые потом суммируются по результатам всех соревнований. Есть единая таблица всех участников этой платформы. Примерно устроена как шахматный рейтинг. То есть проходят различные соревнования по шахматам. Участник выдают количество баллов в зависимости от рейтинга этого турнира. И появляется общий рейтинг всех шахматистов. Примерно так же устроена эта платформа.
В какой-то момент я довольно неплохо справлялся с решением этих задач. Мой максимальный рейтинг был на этой платформе 68. И в тот момент появилось уверенность, что я могу неплохо справляться с решением практических мировых технически сложных задач. И конкурировать с лучшими специалистами со всего мира. И это дало уверенность себе, что знаний и навыков достаточно, чтобы решать какие-то большие комплексные задачи.

Екатерина Лозовая:
В «Газпромбанке» много работают ребят, которые получили прекрасное образование. Занимались такими задачами. И мне даже кажется, не знаю, поддержите вы меня или нет, что молодые ребята очень хорошо продвигаются. В чем-то, может быть, они не обременены какими-то знаниями. Но как они постигают новые технологии, используют, по-моему, это великолепно.

Адель Валиуллин:
Да, это точно. В нашей команде блока технологии искусственного интеллекта сейчас уже около двухсот сотрудников. И, конечно, это выпускники лучших университетов нашей страны. Это сильные технические специалисты, которые с удовольствием подходят к решению сложных амбициозных задач.
И тут еще я отметил бы, что у нас довольно молодая команда. Средний возраст сотрудников — это 28 лет. Это такие молодые, заряженные ребята, которые готовы с легкостью решать сложные задачи.

Екатерина Лозовая:
Я думаю, это получается, потому что ваши ребята не считают эти задачи сложными, они считают их интересными.

Адель Валиуллин:
Тут можно привести пример с художником, который нарисовал картину. Если человек посмотрит на эту картину, то для него, кажется, это довольно сложной задачей прийти к такому результату. А если у художника спросить, как ты это нарисовал, он скажет, что сел, нарисовал, ничего сложного в этом нет.

Я думаю, если у наших специалистов спросить, как они решили ту или иную задачу, они, скорее всего, не увидят в этом чего-то сложного. Потому что для них это интересная задача, с которой они довольно легко справляются.

Я вспомнил еще случай с олимпиадой по математике. Я не был суперолимпиадником, который всегда занимал первые места. А были ребята, которые приходили на олимпиаду, и можно было уверенно сказать, что они займут эти первые места. И после олимпиады у них спрашивали, Вася, расскажи, как ты занял первое место. Он приходил и говорил, что я пришел, написал олимпиаду и занял первое место. То есть для него ничего сложного в этом не было.

Если на их внешний вид посмотреть, видно было, что они, конечно, не с этой планеты. Очень гениальные люди могли с легкостью решать такие сложные задачи.

Екатерина Лозовая:
К сожалению, я наблюдала, что довольно много ребят таких, про которых вы говорите, увлекающихся, к сожалению, не дотягивало до конца университета. Это еще одна проблема была. То есть они настолько концентрировались на решении определенных задач, они были на другой планете условно, они по-другому представляли этот мир. И, на мой взгляд, как раз благодаря им все это сейчас и получается.

Адель Валиуллин:
Мне кажется, такие люди как раз и делают прорывы. Именно благодаря этим прорывам потом и наука движется вперед, и появляются какие-то новые интересные направления как искусственный интеллект.

Екатерина Лозовая:
И мне кажется, что если мы научимся каким-то образом все-таки чуть-чуть думать про безопасность, как-то оберегать все наше самое ценное, доброе, вечное, то, скорее всего, результаты будут просто такими, которые мы даже с вами не можем предсказывать сейчас.

Адель Валиуллин:
В области ИИ точно, конечно. Мне кажется, можно даже примеры из мира искусственного интеллекта привести. Очень интересно развиваются некие продукты.

Появляется некая научная публикация, статья. И после этого происходит имплементация этого решения, которое было раскрыто в статье, и появляются какие-то новые продукты.
И, мне кажется, такой переломный момент был с развитием языковых моделей больших, которые сегодня мы видим, когда появилась научная статья, она называлась Attention is all you need, где описывалось новый подход к построению нейронных сетей. И эта архитектура давала возможность параллельно подавать большой объем данных на обучение модели. И появилась возможность обучать модели с большим количеством данных. И сегодня как раз-таки эта научная статья, архитектура нейронной сети позволила создать старт, плацдарм для дальнейшего развития всего, что происходит сегодня по большим языковым моделям, по искусственному интеллекту и к некому общему ИИ, к которому мы все стремимся прийти сегодня.

Екатерина Лозовая:
Если посмотреть историю, допустим, последних, 50 лет по математике, по тем открытиям, которые фактически делались. Причём делались они людьми скромными, тихими. Но при этом у них был замечательный ум, у них был чудесный интеллект. На мой взгляд, всё равно те системы, которые сейчас работают, они, конечно, работают очень быстро, но без таких гениальных людей, нужно всё-таки преклоняться перед теми, кто это когда-то придумал. Может быть, даже не создал, а именно придумал. Вот эти идеи, они замечательные. Их, может быть, не сразу распознали, но, правда, согласитесь, что это не сейчас, не сегодня пришло. Это годами создавалось, а в том числе в нашей стране создавалось. Очень много разных открытий было создано в этой области.
И потом в какой-то момент это всё начало консолидироваться. Мы вдруг узнали, что у кого-то получилось резко повысить производительность. Так что даже известные мировые лидеры сказали, а теперь надо это, пожалуй, прекратить. А то как бы плохо не было.
То есть тут вопрос безопасности. Хотелось бы отсортировать мошенников от людей, которые на позитив работают, на добро. Но пока почему-то не получается.

Адель Валиуллин:
Мне кажется, как раз появление новой версии большой языковой модели, которая очень сильный результат выдавала в области кипербезопасности. Я даже видел график того, сколько времени занимает появление практической имплементации по использованию уязвимости, которая была найдена. Если раньше это занимало месяцы, потом недели, сегодня это уже минуты. То есть выявляется некая уязвимость в программном продукте, и через минуты уже происходит атака киперпреступников на эту уязвимость. Такие инструменты, конечно, открывают большие возможности. И для темных сторон. Для негативных сценариев.
Поэтому, конечно, нужно быть готовыми к таким сценариям.

Екатерина Лозовая:
Что вам в банке еще интересного удалось придумать?

Адель Валиуллин:
Если говорить про то, что мы делаем в банке. В банке есть, как я уже сказал, блок технологии искусственного интеллекта. Это примерно 200 человек. И ключевой инструмент, над чем мы работаем, это, конечно, стратегия искусственного интеллекта. Это система, которая позволяет управлять всеми инициативами по искусственному интеллекту, и создавать некую благоприятную среду в банке по ИИ. То есть заниматься обучением сотрудников, заниматься поиском талантов в школах, в университетах.

И создавать платформенные решения, которые уже тиражируются на сотрудников, на клиентов в виде общих решений, а не каких-то отдельных вертикальных.

Если мы углубимся, например, во внутренние проекты, у нас сегодня уже десятки направлений, по которым ведется работа: начиная от классических направлений, как во всех банках это риски, и там ключевая задача — это задача кредитного скоринга, где по кредитному продукту нужно принять решение. И сегодня, если у банка огромное количество клиентов, это огромное количество заявок, большой портфель кредитный, то даже небольшой прирост в качестве такой модели, десятые доли процента дает огромный эффект экономический для банка.

Екатерина Лозовая:
Знаете, меня что потрясло, в свое время, когда появлялись уже такого рода системы, которые могли работать, например, 2000 переменных расставлять - кто дает вклад. Оказалось, что можно, конечно, клиента описать двумя тысячами параметров, но ключевыми является всего 33-35, этого достаточно. Это основная масса при принятии решений. Но для того, чтобы люди до этого смогли дойти, они должны были разработать определенный софт. Эти решения относились к классу машинлейнинга, который и давал эту возможность сократить. А все остальное считать как малое, почти незначащее. Все остальное объединить в единую массу. Тем самым сократить этот поиск.
Насколько я понимаю, когда мы с вами про кредитный скоринг говорим, про портрет клиента, про похожесть клиентов, это то же самое, да?

Адель Валиуллин:
Примерно так как раз и устроена реализация таких проектов. Есть большой набор параметров по клиенту, по кредитной заявке. Дальше выявляются наиболее информативные или значимые признаки. Дальше область поиска уменьшается. И на основе этих входных данных строится модель. И дальше появляются новые источники. Модель может обогащаться новыми данными. Но, конечно же, не все входные параметры и данные по клиенту, по заявке используются. Происходит отбор признаков. Корректировка.

Екатерина Лозовая:
На самом деле, чем нам эта скорость сейчас помогает? Тем, что человек не будет ждать, пока банк 2 месяца будет рассуждать, дать ли ему 100 рублей в долг или нет. Правда? Мы должны быстро реагировать, но при этом не подставлять банк.

Адель Валиуллин:
Один из примеров в нашем банке, когда я только приходил в банк, была некая серая зона, где решения по кредитным продуктам принимали андерайтеры. Это сотрудники, которые на вход получают кредитные заявки. Дальше проводят верификации, верификацию работодателя, например, верификацию клиента. И на основе результатов этих верификаций данных по заявке принимают решение. И в среднем такой процесс занимал 2 дня в нашем банке. С учетом выходных, праздников, рабочего времени. И, соответственно, когда появляется модель, модель уже принимает решение автоматически. Это меньше, чем 1 секунда.
И можно даже посчитать, если 2 дня – это 48 часов в среднее время принять решение по заявке. Посчитать, сколько секунд в 48 часах. То есть 48 часов нужно умножить на 60. Это будет в минутах дальше умножить на 60. Но получится, я думаю, несколько сотен тысяч. И, соответственно, если вот эти несколько сотен тысяч поделить на значение меньше 1 секунды, получится число около бесконечности. То есть в бесконечность раз увеличивается скорость принятия решения. А скорость принятия решения, конечно же, влияет еще и на конверсию. То есть чем дольше ты принимаешь решение, тем больше вероятность, что клиент передумает или обратится в другой банк.

Мы видим ускорение принятия решения. И, конечно же, улучшение бизнес-показателей от конверсии и так далее. Один из примеров как раз нашего банка.

А если говорить дальше по направлениям внедрения искусственного интеллекта. Это риски, там огромное количество моделей. Ну и сегодня сложно представить рисковое направление любого банка без моделирования. Как любит шутить наш руководитель по рискам: если убрать моделирование из рисков, там ничего не останется. Там все построено на моделях.
И поэтому, конечно, сегодня все лидеры рынка, банки борются за лучшие команды. Потому что даже небольшие приросты в качестве модели дают большие экономические эффекты для банка.

Дальше второе традиционное направление, это, конечно же, борьба с мошенничеством или антифрод. И здесь тоже есть ряд поднаправлений. Это как кредитный антифрод, транзакционный антифрод, внутренний антифрод. Ну и ряд других направлений по борьбе с мошенничеством. И здесь тоже довольно большие эффекты. Также работает этот эффект больших чисел. Большие базы, клиентская база, транзакций огромное количество. И такие решения уменьшают потери банка и тем самым дают хороший экономический эффект.

Дальше это все, что связано с привлечением клиентов на продукты. Мы это называем персонализацией, продажами. У банка десятки различных продуктов: кредитные продукты, депозитные, вклады, карты, страхование и так далее. И такие модели позволяют более качественно привлекать клиентов на продукты, повышать конверсию от коммуникации до активации продукта.

Дальше направление, связанное с клиентским сервисом. Это все, что связано с автоматизацией клиентской поддержки, с повышением качества обслуживания. И если раньше, когда у клиента возникал вопрос, ну я даже помню по себе, я брал телефон, набирал номер клиентской поддержки, задавал свой вопрос. То сегодня, конечно, все клиенты пользуются чатом. Задают свои вопросы в чат-боте банка. И около половины таких вопросов обрабатываются уже моделями. И банк автоматически дает ответы клиентам. Здесь выигрывают и клиенты, т.е. клиенты моментально получают точный ответ. Ну и банк, конечно, автоматизирует свои внутренние процессы, и не несет такие большие расходы на поддержку клиентов.

Ну и ряд других направлений. Это все, что связано с автоматизацией внутренних процессов. Работа с юридическими документами. Работа и автоматизация процессов в операционном направлении.
Это сегодня десятки направлений, по которым ведется работа. И в каждом из направлений есть список инициатив, которые приоритизируются по экономическим эффектам. В зависимости от зрелости направления это может быть десятки, как, например, рисковое направление, или, если направление молодое, может быть до десяти инициатив.

Но мы видим, что в банке растет спрос на внедрение таких решений. И в банке огромное количество подразделений, бизнес-процессов, направлений работы.
И, конечно же, банк, наверное, сегодня такое отличное место, где появляется большой потенциал применения таких современных технологий, как искусственный интеллект.