Это может быть неочевидно снаружи, но большая часть работы современных банков — те же скоринговые модели — основана на искусственном интеллекте. Традиционный пример — служба поддержки, качество и эффективность которой можно улучшить благодаря большим языковым моделям.
Т-Банк очень давно занимается искусственным интеллектом. Это уже многие годы не просто банк, а технологическая компания с большой экосистемой. Поэтому столь значимую технологию с большим потенциальным вкладом в бизнес мы обойти не могли, и решение о запуске масштабного проекта по созданию собственных LLM было закономерным.
Второе ограничение — сам уровень технологий. Если тебе нужно лучшее решение на рынке, оно должно быть заточенным под твои сценарии, а значит, только ты можешь его разработать. Другие компании, в том числе в нашей стране, создают действительно классные решения высокого уровня. Но если нужно решение под конкретную задачу, чтобы оно было лучше всех остальных на рынке, единственный вариант — создать его самим. К тому же при наших масштабах бизнеса, объемах данных и возможностях выгоднее иметь собственную команду для развития больших языковых моделей. Просто мало кто из конкурентов может это делать.
Мы понимали это, когда начинали работу над своими языковыми моделями. Мы точно не хотим создавать технологию ради технологии и строить большую базовую модель (foundation model), которая умеет решать множество задач, потому что для нас как для бизнеса это бессмысленно. Нам не нужна модель, которая, например, решает ЕГЭ или юридические тесты.
У нас есть достаточно устойчивая финансовая модель, как с лихвой окупать все наши инвестиции в большие языковые модели. Этим в целом мало кто сейчас может похвастаться.
Большой популярностью пользуется речевая аналитика. Кроме того, мы много работаем вместе с AnyQuery, улучшая с помощью ИИ их поиск для сайтов и интернет-магазинов.
Если посмотреть, что делают крупные компании на основе огромных моделей, станет ясно, что они пытаются дистиллировать модели — создавать маленькие и более эффективные модели из больших. Мы этот этап уже прошли. Все компании идут примерно к одному, копая этот тоннель с разных сторон. Индустриальные модели начнут появляться, просто это займет время.
Еще это повышает мотивацию нашей команды, а нам как компании важно иметь сильную команду профессионалов, заинтересованных в своей работе. Лучше работать в компании, которая помогает всей индустрии.
Наша команда исследователей очень успешна, публикует и представляет научные статьи на больших международных конференциях — мы являемся одним из двигателей мировой науки. Одновременно благодаря большой научной команде растет и наш статус в сообществе. Плюс наука сильно переплетена с образованием, и мы достаточно сильно вовлекаемся в выращивание специалистов в области ИИ.
Читайте также
Вторая большая область — это пользовательский опыт. Его часто упускают из виду, потому что невозможно напрямую оценить, сколько денег принесет улучшение пользовательского опыта. Но Т-Банк — компания продуктовая, и мы хотим делать лучшие продукты для наших клиентов. Это сфера, где за счет технологического рычага можно сильно продвинуть пользовательский опыт. Умные ассистенты, более умный поиск, речевые сервисы, которые позволяют людям лучше взаимодействовать с нашей экосистемой или с внешним миром — например, секретарь, который отвечает на звонки.
Мы используем технологию машинного обучения и из всего массива информации извлекаем ценный сигнал: на что жалуются люди, что плохо сделано. Далее мы сообщаем продактам, что именно людям нравится или не нравится, и у каждого продакта появляется понятный набор проблем для работы. То есть мы доводим это вплоть до изменения в конечном продукте. Это довольно ценная часть работы Центра искусственного интеллекта.
Например, иногда нужно быстро понять, что звонит мошенник, и обрубить звонок. Мы уже это делаем. Защиту такого уровня может позволить себе довольно небольшое количество игроков.
Вторая область — это пользовательский опыт. Мы хотим создавать самые удобные решения на рынке и считаем себя признанными инноваторами в области финтеха во всем мире. Мы много общаемся с международными компаниями и понимаем, что занимаем лидерские позиции с точки зрения пользовательского опыта.
Что это означает для пользователей? Они будут получать самые классные способы решения своих ежедневных задач — умных ассистентов, поисковые решения, рекомендации. С нами можно будет решать свои задачи быстрее и проще.
Третье направление — когда ты повышаешь эффективность внутренних процессов и сокращаешь издержки, в конечном счете цена решения для пользователя снижается.
Например, в лаборатории T-Bank AI Research большой процент инициатив вообще ни к чему не приводит. Такова реальность — ну да, не получилось, пошел что-то другое делать. Если привести примеры, то лет пять назад при первом заходе на создание телефонного секретаря мы были слишком оптимистичны и думали, что будет легко. Но изначальные амбиции не реализовались. На опыте ошибок мы начали заново. Это обычная история, особенно когда делаешь вещи, которые до тебя никто не делал, — не у кого подсмотреть, и ты сам проходишь весь путь.
Мы извлекаем полезные знания в том числе из наших неудач. Когда не складываются какие-то проекты, мы не сокрушаемся: «Не получилось, выкинул папочку в мусорную корзину и забыл про нее». Нет, мы корректируем идею, иногда перестраиваем способ реализации и технологию — такая наша философия.
Проблемы с тем, что у нас огромное количество идей и их надо фильтровать, нет. Потому что в Т-Банке challenge-среда. Идеи подвергаются достаточно жесткой калибровке — когда кто-то приходит с идеей, его сразу закидывают вопросами: «Какой будет возврат инвестиций и точно ли это нужно пользователям? Давай проведем исследование?».
Объясню на примере автопилотирования автомобилей. Есть шесть градаций — на первом этапе автопилот просто сигнализирует, что ты уходишь с полосы, а на последнем ты можешь сидеть на пассажирском сидении, а машина едет сама. И между этими крайностями множество градаций. Когда мы создаем решения в помощь сотрудникам, мы не с последнего начинаем. На первом этапе инструменты дают подсказки, потом предлагают определенные шаги, и только на высших уровнях решение выполняет бо́льшую часть работы за человека, а он лишь подтверждает. Есть огромный барьер между первым и высшим уровнем, и мало какая индустрия его прошла. Большая часть всей работы происходит на первых пяти этапах. Поэтому профессионалам бояться довольно странно. Эти инструменты помогут выполнять работу быстрее и лучше.
Показательная история — про генерацию изображений. Когда появился Midjourney, художники протестовали. А потом компания Adobe интегрировала в Photoshop генеративные инструменты, которые позволяли дорисовать картинку, и все такие: «Вау, крутая штука!». Прекратили протесты и начали применять эти инструменты. Думаю, так произойдет со всеми индустриями — появляются решения, благодаря которым профессионалы будут лучше выполнять свою работу.
Сами переводчики используют нейросети как вспомогательный инструмент, и от этого они не становятся меньшими профессионалами — все равно именно они проверяют, чтобы все было правильно, и отвечают за результат.
Второе — умение ясно излагать свои мысли становится все более важным, потому что значимая часть технологий начинает работать на естественном языке.
Я активно использую инструменты работы с текстами. Они позволяют быстрее сформулировать мысли и идеи, загрузить информацию и быстро сделать выжимку. И еще я часто превращаю свои голосовые сообщения в текст.
Благодаря ИИ я могу сделать больше вещей за единицу времени. Это повышает мою продуктивность.
Простой пример — финансы. Ты заходишь в приложение своего банка и можешь посмотреть структуру своих трат. Эта простая задача буквально несколько лет назад решалась просто ужасно, и до сих пор ни мы, ни другие не решили ее полноценно — нет понятного инструмента, который легко отвечает на вопрос, на что ты тратишь деньги, и позволяет спланировать, сколько копить на машину, например. Наша задача — сделать так, чтобы подобные решения появлялись. Это позволяет мне значимо повлиять на общество — сделать так, чтобы людям было проще жить.