Что выигрывает финансовый сектор при переходе на локальную ИИ-инфраструктуру

Что выигрывает финансовый сектор при переходе на локальную ИИ-инфраструктуру

Финансовый сектор традиционно выступает одним из лидеров по внедрению искусственного интеллекта (ИИ). Согласно данным Deloitte, около 70% финансовых организаций в мире уже используют ИИ и машинное обучение в операционной деятельности. В ближайшие пять лет влияние этих технологий на бизнес-процессы будет только усиливаться.

Вместе с тем перед участниками рынка встаёт стратегическая задача: выстроить ИТ-инфраструктуру, способную не только максимально раскрыть потенциал ИИ, но и обеспечить высокий уровень безопасности данных, прозрачное управление ими и экономическую эффективность. В статье Алексей Зотов, руководитель направления ИТ-инфраструктуры К2Тех, рассказал, почему компании всё чаще используют готовые он-премис-инфраструктуры [1] и какие возможности для этого существуют сегодня на отечественном ИТ-рынке.

МИРОВОЙ ПОДХОД

Масштабы инвестиций в искусственный интеллект в финансовом секторе стремительно растут. По оценкам Juniper Research, в 2024 году глобальные затраты банковской системы на генеративный ИИ составили около $6 млрд. А к 2030 году 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%. 

Наибольшее применение современных технологий наблюдается 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 применяется 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, платёжные системы и скоринг, уже сейчас активно интегрированы с технологиями ИИ и продолжают развиваться. 

РОССИЙСКИЙ ОПЫТ: ИМПОРТОЗАМЕЩЕНИЕ В ДЕЙСТВИИ

Внедрение ИИ в российском финсекторе набирает обороты, но сталкивается с системными ограничениями. По данным Ассоциации ФинТех (АФТ), на сегодняшний день только 10–15% проектов с генеративным ИИ в российских компаниях финотрасли доходят до промышленной эксплуатации, и лишь 20–25% из них показывают заметный экономический эффект. Ключевыми барьерами остаются кадровый дефицит и отсутствие единой методологической базы. При масштабировании ИИ-решений компании вынуждены пересматривать текущие ИТ-инфраструктуры, адаптируя их к требованиям ИИ. На этом этапе нередко возникает разрыв между классическими ИТ-системами и архитектурой, необходимой для машинного обучения, сбора данных и их обработки. Инфраструктурные команды не всегда способны выбрать аппаратное оборудование, программный слой и прикладной софт под задачи, обозначенные дата-сайентистами, что усложняет эксплуатацию и поддержку ИИ-проектов. 

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

РЕШЕНИЕ ОН-ПРЕМИС — НЕ РОСКОШЬ, А НЕОБХОДИМОСТЬ

Если на этапе пилотных проектов компании чаще всего тестируют ИИ-сервисы в публичных облаках, которые позволяют гибко и быстро развернуть необходимые вычислительные мощности и не требуют 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, активно смотрят в сторону отечественных разработок. К 2027 году крупные игроки рынка планируют довести уровень импортозамещения своих ИТ-систем до 85–90%. Этому способствует и законодательная поддержка: инициатива «Искусственный интеллект» в рамках нацпроекта «Экономика данных» ставит задачу создания инфраструктуры для вычислений и хранения данных на базе отечественного оборудования, технологий и ПО до 2030 года.

Во-вторых, повышаются отраслевые требования: высокий уровень защиты данных, необходимость в мощных вычислениях и значительные энергозатраты. В условиях роста 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 Yadro, Delta Computers, F Plus или R-Style, так и готовые решения под ключ, такие как 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 серьёзными репутационными и финансовыми потерями. Он-премис-решения позволяют чётче контролировать доступ, хранить и обрабатывать их локально с высокой производительностью, чего нельзя гарантировать при использовании облачных сервисов с распределённым 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 он-премис 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 под ИИ-задачи 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 защищённом 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 позволяют создавать 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 вперёд.

[1] Он-премис (от англ. on-premise) — подход, когда инфраструктура развёрнута локально, серверы и ресурсы размещаются в ИТ-контуре компании.