Цифровая революция в банковской отрасли находится на этапе становления. Сегодня большинство традиционных банков предлагают своим клиентам высококачественные веб-сайты и мобильные приложения. Следующий этап — внедрение технологий, которые являются не просто дополнительной функцией, а позволяют клиентам использовать свои смартфоны и планшеты для выполнения ряда действий, от открытия нового счёта и совершения платежей до разрешения споров, не заходя в физическое отделение банка. Чтобы перейти на следующий уровень, банкам необходимо провести ряд трансформаций. При этом у них возникают различные сложности, которые необходимо преодолевать, в их числе риск каннибализации существующего бизнеса и необходимость формирования другой, более гибкой, культуры, способствующей инкубации и росту внутренних стартапов. Для подобной технологической трансформации требуются значительные инвестиции, при этом маржа в традиционном банковском бизнесе постепенно снижается ввиду высокой конкуренции.

Стоящие перед банками задачи по снижению затрат и повышению эффективности способствуют росту применения технологий искусственного интеллекта (ИИ) в финансовом секторе. Например, ИИ используется в инструментах обнаружения мошенничества, анализа рисков, привлечения клиентов, работы с их оттоком, а также в трейдинге и робоконсультировании.

По сути, ИИ преобразует то, как современные финансовые компании работают, взаимодействуют с потребителями, другими участниками рынка и регулирующими органами. Наука о данных и искусственный интеллект не только повышают эффективность, потребительский опыт и безопасность существующих финансово-экономических систем, но и создают необычные, более интеллектуальные и безопасные продукты и услуги, которые формируют новую область «умного» банкинга.

Человек не может проанализировать большое количество данных в сжатые сроки и предоставить отчёт. Благодаря автоматизации процесса лёгкая и быстрая обработка большого количества данных с помощью ИИ помогает банкам наблюдать за моделями поведения клиентов, прогнозировать результаты и обращаться к нужному клиенту в нужное время с нужным продуктом. Это также способствует выявлению мошенничества в режиме реального времени.

Использование методов искусственного интеллекта и моделей машинного обучения позволяет оптимизировать ресурсы банка и способствует увеличению дохода как самого банка, так и корпоративных и институциональных клиентов, а также росту степени удовлетворённости клиентами продуктовой линейкой Global Markets. В бизнесе Global Markets работает полноценная рекомендательная система, аккумулирующая ML-модели для достижения всех вышеназванных целей.

Например, алгоритмическая система, работающая на больших данных, основывается на ряде моделей — от алгоритмов, базирующихся на правилах, до моделей глубокого обучения, и помогает сейлзу продемонстрировать продуктовую линейку клиенту, учитывая его опыт, рыночную ситуацию и иные параметры. В выбранной линейке могут быть как продукты-субституты (для разнообразия выбора), так и комплементы (для максимального удовлетворения потребностей клиента).

Другой вопрос, который можно эффективно решать с применением ML-моделей, — продуктовое ценообразование. Формирование цены является последовательным процессом, включающим в себя анализ большого количества метрик, доступных для наблюдения. При этом сложность процесса ценообразования никак не сказывается на скорости — клиент получает цену при запросе по некоторым продуктам практически мгновенно.

В настоящее время также ведётся работа над внедрением технологий обработки естественного языка (NLP — Natural Language Processing). Данные технологии помогают автоматизировать и оптимизировать множество задач, среди них — сбор информации о клиентах, автоматическое распознавание и классификация текста, поиск по документам и многое другое, что позволяет находить зоны роста и улучшения по нашим продуктам. Чат-боты также представляются одним из наиболее распространённых применений NLP — например, как форма разговорного интерфейса, который может помочь клиентам подать торговое поручение, посмотреть открытую позицию, управлять статусом расчётов по сделкам и обрабатывать многие другие запросы. Другим примером применения NLP является работа с событиями на рынке, полученными путём анализа новостей и социальных сетей. Самым же распространённым случаем, несмотря на развитие электронного документооборота, является обработка сканов документов. С помощью алгоритмов оптического распознавания символов (OCR — Optical Character Recognition) происходит выделение ключевых полей и их значений в документе и занесение информации в информационную систему. Аккумулирование большого количества распознанных документов также требует более детального анализа, с этим отлично помогают алгоритмы по кластеризации текстов. Данный набор алгоритмов позволяет на основе ассоциативно-семантических связей группировать документы в однородные подмножества (кластеры). Благодаря такой разбивке появляется возможность анализа каждого кластера в отдельности с учётом его особенностей и специфики, что в совокупности облегчает дальнейшую работу и способствует оптимизации расходов.

Применение практик в области ИИ — это часть стратегии Сбера по искусственному интеллекту. Так, повсеместно внедряются аналитические подходы и методы при организации различных клиентских процессов, и они уже доказывают свою эффективность. Важной задачей было органично встроиться в этот процесс, учитывая специфику бизнеса Global Markets, а именно сложный характер реализуемых продуктов. При этом наши модели находятся в непрерывном процессе дообучения. Метрикой для оптимизации выступает количество сделок, фактический доход и доля отказов в общем числе предложений продуктов глобальных рынков клиенту. Доказав свою эффективность на значительном временном интервале, мы вносим значимый вклад в финансовые результаты банка благодаря использованию технологий искусственного интеллекта  и планируем развивать его дальше, формируя наиболее продвинутую, основанную на данных (data-driven) систему продаж не только в России, но и в мире.