Как лидеры рынка осваивают AI-тренд уже сегодня: резюме BY DATA CONF 2025

В Минске прошла конференция BY DATA, на которой обсуждался переход от разговоров о "всемогущем AI" к его реальной, практической интеграции в бизнесс-процессы. Участники мероприятия подчеркнули, что это сложный процесс, требующий изменений в инфраструктуре и культуре компании, однако результаты того стоят. Своим опытом поделились новаторы из А1, Альфа Банка, МТС, Т2 Мобайл, Х5 Group и ряда других организаций.

Основные тезисы о практической AI-трансформации

Если говорить кратко, то суть выступлений экспертов можно свести к следующему:

• AI-трансформация — это не игра, а серьезная работа.

Чтобы искусственный интеллект стал частью «ДНК компании», недостаточно просто экспериментировать с промптами. Необходимо фундаментально перестраивать внутренние процессы, развивать инфраструктуру, обеспечивать качество и безопасность данных.

• Качество данных — это основа доверия и эффективности AI.

Некачественные данные приводят к финансовым потерям и ошибкам в аналитике, поэтому компании необходимо внедрять процессы автоматического тестирования данных, придерживаясь принципа: «все данные некачественные, пока не доказано обратное». В условиях ужесточения законодательства обезличивание данных с сохранением их аналитической ценности становится ключевой практикой.

• Суверенный и in-house AI — тренд для контроля и безопасности.

Многие компании отказываются от готовых сторонних решений в пользу собственных платформ. Это позволяет:

           1) сохранять полный контроль над данными и бизнес-процессами;

           2) обеспечивать высшую степень безопасности информации;

           3) развивать платформу поэтапно, подстраивая под конкретные нужды.

• Практические кейсы доказывают измеримую эффективность.

          1) в колл-центрах: анализ 99% звонков вместо 5% позволил компании А1 в 2 раза увеличить продажи дополнительных услуг и повысить удержание клиентов;

          2) в разработке: собственные AI-инструменты для ревью кода и генерации тестов (кейс «ИКСПЭЙ») сократили время ревью в 10 раз.

          3) в автоматизации: виртуальные помощники (как «Мия» в МТС) закрывают юольшинство сценариев, разгружая операторов и ускоряя обслуживание.

• Будущее — за «маленькими умными коробочками» и пошаговым внедрением.

На смену тяжелым корпоративным системам приходят компактные AI-инструменты, решающие конкретные задачи. Наибольший эффект достигается там, где начинают с малого: тестируют сценарий, закрепляют результат и только потом масштабируют.

Так, представители Альфа Банка рассказали о концепции Native AI, согласно которой, что каждый клиент и сотрудник ежедневно взаимодействует с сервисами на базе искусственного интеллекта.

Путь Альфа Банка в этом направлении начался с внедрения ML‑моделей. К настоящему моменту IT-команда разработала множество решений — от системы распознавания кодировок валютных платежей до платформы, которая анализирует обратную связь клиентов. Следующим этапом развития в сторону Native AI стала разработка генеративных решений: AI‑чат‑бота для поддержки клиентов и внутреннего ассистента для сотрудников. Оба инструмента работают на собственной инфраструктуре с RAG‑системой и векторной базой знаний.

В будущем банк планирует расширять список подобных ассистентов.

Подробнее о принципах построения ML-платформы сообщил глава MLOps-команды «Купер» Юрий Классен.

Онлайн-сервис доставки из магазинов и ресторанов «Купер» принял стратегическое решение разрабатывать собственную ML‑платформу, отказавшись от готовых предложений. Такой выбор был продиктован желанием сохранить полный контроль над данными и встроить новый функционал в уже существующие бизнес‑процессы. Также весомым поводом для собственного решения стала возможность развивать платформу поэтапно, добавляя необходимые элементы тогда, когда они действительно нужны командам.

Разработка заняла почти два года и потребовала нескольких переездов со старых решений, но результат оправдал усилия: единая система с двумя точками входа, которая упрощает работу с ML даже для новичков, продолжает развиваться и уже сегодня позволяет командам быстрее создавать, тестировать и внедрять модели. Платформа дала компании контроль над всеми ML‑проектами, усилила информационную безопасность и обеспечила более эффективное использование как вычислительных, так и человеческих ресурсов.

Начальник офиса данных Белгазпромбанка Снежана Осипик выступила по теме повышения надежности данных для эффективной работы алгоритмов машинного обучения и точности аналитических выводов. С этой целью было создано корпоративное хранилище данных. 

«Качество данных как здоровье — о нем вспоминают только тогда, когда возникают проблемы. Некачественные и устаревшие данные могут привести к значительным финансовым потерям, и чем раньше ошибка будет обнаружена, тем меньше будут последствия для бизнеса» — отметила спикер.

Банк разработал собственный инструмент авто-тестирования, который позволил специалистам по качеству данных ежедневно проводить мониторинг тестов и разбор инцидентов, чтобы формулировать требования на исправление данных или доработки систем.

Но качество данных — это не только достоверность. Сегодня, в контексте принятия закона «О защите персональных данных», в это понятие можно включить и аналитическую пригодность. Теперь, когда организация работает с внешним подрядчиком, закон требует, чтобы он стал оператором персональных данных. Юридически — это очень трудоемкий процесс, поэтому многие компании предпочитают обезличивать данные с сохранением их аналитической ценности.

О тонкостях данного процесса рассказал замедиректора по продажам и маркетингу компании Invento Labs Евгений Шишков. 

Выбор метода всегда должен опираться на конкретные цели и этапы проекта. Например, агрегация и генерализация снижают точность, но обеспечивает высокую степень конфиденциальности. Шум применяют на этапе тестирования функционала системы, а псевдонимизацию на любом уровне — от разработки до эксплуатации. Причем подход сохраняет полную аналитическую ценность и позволяет восстановить исходные данные с помощью ключа.

Кроме того, важно понимать, что обезличивание — это не разовая задача, а часть системного подхода к работе с данными, особенно если компания рассматривает их как стратегический актив и внедряет практики Data Management. При таком подходе выработанные механизмы можно тиражировать на разные процессы и системы, создавая непрерывный цикл внедрения новых решений без задержек для команды и подрядчиков.

Руководитель отдела машинного обучения и искусственного интеллекта «Т2 Мобайл Алексей Глотов» рассказал о перспективах графовых подходов.

Графы — это способ представления данных, который применяют в тех случаях, когда связи между объектами важнее, чем их характеристики. На практике к графовым методам прибегают для построения эмбеддингов, которые становятся новой витриной признаков и используются в кредитном и антифрод‐скоринге, рекламе, лидогенерации и геоанализе. Кроме того, графы можно применять в MLOps процессах для анализа связей между признаками в Feature Store, а также при построении lineage‑графов, позволяющих быстро выявлять влияние инцидентов на модели.

Главные преимущества этого метода — более информативное представление данных и возможность находить скрытые закономерности. Однако графы с точки зрения хранения и вычислений значительно более дорогие. На практике более 90% задач можно решать более простыми моделями, а графы использовать для извлечения дополнительной, более сложной информации или для обработки специфичных данных (графы знаний, материаловедение, биоинформатика и пр.).

Главный вывод конференции: искусственный интеллект перестал быть абстрактной перспективой и стал рабочим инструментом, который ускоряет процессы, улучшает качество решений и напрямую влияет на финансовые результаты компаний. Успех лежит на пути практического внедрения, а не просто обсуждения.

—***—

Читайте нас в и . Присоединяйтесь!
Хотите поделиться интересной новостью? Отправьте ее нам в .
Нашли ошибку в тексте? Выделите ее и нажмите CTRL+ENTER.