Специалисты компании «Яков и Партнёры» опубликовали обзор, посвященный анализу текущей ситуации и перспективам развития ИИ в банковском секторе России. Для этого были проанализированы результаты опроса 11 российских банков из топ-20 по размеру активов. Также были изучены 5 международных финансовых учреждений из числа 15 лидеров рейтинга зрелости искусственного интеллекта Evident AI. В рамках подготовки исследования авторы как опирались на собственные оценки, так и использовали открытые данные других источников.

Цель анализа — оценка уровня зрелости внедрения технологий ИИ применительно к продуктам и каналам взаимодействия в трех бизнес-сегментах: розничный бизнес (РБ), малый и средний бизнес (МСБ), корпоративный и инвестиционный бизнес (КИБ).

Ключевые выводы:

• лидер по внедрению ИИ — розничный бизнес (69% покрытия кейсов). Он, по замечаниям авторов документа, заметно опережает сегменты МСБ (38%) и корпоративного бизнеса (31%). Наибольшее проникновение ИИ аналитики наблюдают в кредитных продуктах: 78% в рознице, 44% в МСБ и 43% в КИБ. При этом в сегменте пассивных и транзакционных продуктов показатель не превышает 52% (в рознице);
• топ-5 российских банков по внедрению ИИ незначительно опережают исследуемые международные банки (7 баллов против 6), отмечают аналитики. Вместе с тем пока российские банки отстают от мировых лидеров, особенно в работе с бизнесом. В сегментах МСБ и КИБ разрыв в покрытии продуктов ИИ достигает 1,5–1,8 раза;
• финансовые организации активно тестируют генеративный ИИ. Уже 6 из 11 банков пробуют его в работе — например, во внедрении чат-ботов и ассистентов для сотрудников. В среднем генеративные модели охватывают 18% сценариев использования в розничном сегменте, пишут авторы материала. Для сравнения, в малом и среднем бизнесе этот показатель составляет 14%, а в КИБ — всего 8%. Тем не менее массового применения пока нет: среднее проникновение таких моделей не превышает 20% во всех сегментах бизнеса;
• модальность (разновидность входных данных, используемых в ИИ-моделях) «аудио» в продуктах и каналах используют лишь 36% банков, в то время как «естественный текст» — 63% банков. Более редкое использование аудиоданных для обогащения продуктовых моделей фичами в сравнении с текстом аналитики объясняют необходимостью обеспечения качественного распознавания человеческой речи. Видео на текущем этапе практически не используется как модальность для анализа или формирования признаков в ИИ-моделях в продуктах. Изображения применяются несколько чаще, например для биометрической идентификации и в бэк-офисных функциях; 
• 60% банков не используют механизмы автоматического дообучения моделей в продуктивной среде. Это, по словам аналитиков, может ограничить их способность адаптироваться к изменениям данных в режиме реального времени и потенциально снизить качество результатов моделей. Почти половина банков не имеют формализованного процесса принятия решений о том, разрабатывать ли модель внутренними силами или использовать внешние решения (вендорские разработки);
• ключевым барьером для более широкого внедрения ИИ и генеративного ИИ аналитики называют дефицит кадров: 91% банков отметили нехватку квалифицированных специалистов уровня Senior и выше. Другие значимые препятствия — ограничения на использование публичных облачных сервисов (82%) из-за регуляторных требований, а также дефицит и высокая стоимость графических процессоров (GPU), таких как NVIDIA A100 и H100, для обучения генеративных нейросетей (73%). При этом 64% банков отмечают сложности как с интеграцией ИИ в существующие процессы, так и с оценкой его финансового эффекта;
• анализ показал, что в большинстве банков сформированы основные роли, необходимые для работы с данными и развитием ИИ-направления. Самыми распространенными остаются позиции Data Scientists и ML-инженеров, а также Data-инженеров — они есть в 100% банков. MLOps-инженеры и специалисты по валидации моделей присутствуют в 82% банков. Наименее распространенной ролью остаются Prompt-инженеры — их наличие отмечено только в 27% банков.

Расскажите знакомым: