IT-инфраструктура, которая предсказывает сбои, и поддержка, которая решает 80% вопросов без участия человека. Рассказываем, как российские компании сегодня используют ML для автоматизации бизнес-процессов.
Рынок машинного обучения (ML, Machine Learning) растет стремительно. В 2024 году сегмент ИИ в России увеличился в полтора раза по сравнению с предыдущим годом, а затраты на разработки в этой сфере выросли на 28 %. Наиболее востребованные направления: предиктивная аналитика и обработка естественного языка (NLP, Natural Language Processing) — чат-боты, голосовые и текстовые ассистенты, системы анализа документов.
Около 70% организаций уже используют или тестируют ИИ-решения последние 1–3 года. А автоматизация и генеративные модели становятся стандартом для крупных компаний и постепенно входят в практику малого бизнеса. В статье вместе с Евгением Мартыновым, экспертом Рег.облака, расскажем о ключевых трендах машинного обучения.
Уровень зрелости ML-технологий в российских компаниях можно оценить как средний. Множество компаний уже вышли за рамки экспериментов и внедрили некоторое количество автоматизаций на базе ИИ. При этом количество проектов, переходящих из стадии экспериментов и пилотов, растет экспоненциально.
Евгений Мартынов, CIO Рег.облака
Почему ML важен для предпринимателей и IT-разработчиков:
- Автоматизация сложных процессов. ML решает задачи, которые трудно описать четкими правилами, где ручная обработка была бы слишком затратной или медленной.
- Расширение функциональности IT. Технология открывает новые классы задач: прогнозирование, предиктивная аналитика, глубокий анализ поведения пользователей и создание инновационных продуктов.
- Ускорение цикла разработки. ML позволяет быстрее создавать прототипы, проверять гипотезы на данных и масштабировать успешные решения, сокращая время выхода на рынок и снижая операционные издержки.
Тренд 1. Прогнозирование нагрузки в IT-инфраструктуре
Подходы на основе ML заметно усиливают мониторинг инфраструктуры: прогнозируют рост нагрузки, выявляют аномалии и автоматически реагируют на возможные сбои. По данным Gartner, компании, применяющие AIOps-платформы, сокращают время на то, чтобы обнаружить и устранить инциденты, на 40–50 %.
Как это работает: модели анализируют исторические графики нагрузки, параметры ресурсов и находят закономерности. На этой основе прогнозируют пиковые моменты, предлагают перераспределение мощностей, автоматически выявляют аномалии и запускают реакцию до того, как сервис упадет. Это снижает риски простоев и делает инфраструктуру саморегулируемой.
Особенно ощутим эффект в крупных банках и промышленных группах. Один из характерных примеров — российская платформа Octopus, которая анализирует состояние инфраструктуры, предсказывает необходимость увеличения ресурсов и помогает предотвращать падения сервисов.
Отдельный пример — проект по автоматизации тегирования контента в РБК. Медиахолдинг развернул ML-инфраструктуру на облачных серверах с GPU в Рег.облаке, чтобы проверить гипотезу, дообучить ИИ-модель и тегировать сотни материалов в сутки практически без участия редакторов, снизив нагрузку и ускорив выпуск материалов.
Тренд 2. Антифрод в финтехе
Финансовый сектор — сегодня один из лидеров по внедрению ML. Мошеннические схемы становятся всё сложнее, поэтому банки активно используют модели, которые анализируют транзакции в реальном времени. Применение ИИ повышает точность выявления мошенничества до 85 % и ускоряет обнаружение новых схем на 78 %.
Как это работает: ML-модели анализируют поведение клиента в реальном времени: скорость ввода данных, геолокацию, историю операций, аномальные паттерны. Алгоритм сравнивает текущую операцию с миллионами предыдущих и определяет вероятность мошенничества. Если она высока, транзакция помечается как подозрительная или блокируется автоматически. Так же проводится скоринг клиентов, которые подают заявки на кредит.
Показательный пример — Сбер: уже в 2024 году банк в 100 % случаев принимал кредитные решения для физических лиц с помощью ИИ — благодаря ML-скорингу и автоматизированным KYC-процессам.
Молодые финтех-компании также активно используют ML, чтобы мгновенно оценивать риски и гибко реагировать на подозрительное поведение клиентов. Например, российская компания Paygine, основанная в 2022 году, создает ML-антифрод системы с автообучением под каждого клиента. Эксперты компании считают, что машинное обучение меняет парадигму борьбы с мошенничеством. Проактивные модели не просто реагируют на угрозы, а предугадывают их, обеспечивая безопасность и доверие клиентов.
Тренд 3. Прогнозирование цен и спроса в e-commerce
Индустрия e-commerce постоянно балансирует между ценой, наличием товаров и скоростью доставки — и машинное обучение стало инструментом, который помогает удерживать этот баланс.
Как это работает: алгоритмы анализируют историю продаж, сезонность, поведение клиентов, конкурентов, остатки на складе, локацию и сотни других факторов. ML предсказывает, какие товары и в каком количестве будут востребованы, рассчитывает оптимальную цену в каждый момент времени и помогает выравнивать логистику.
Так, крупная сеть ритейла электроники внедрила ИИ-агента для прогнозирования спроса на сезонные товары. Результаты оказались впечатляющими: точность прогнозов выросла с 72 до 94 %, а потери от избыточных запасов сократились на 2,3 млн рублей всего за первый квартал. Используя персонализацию и ML-анализ поведения покупателей, онлайн-магазины одновременно уменьшают операционные издержки и повышают лояльность клиентов — редкое и ценное сочетание.
На рынке появляется всё больше специализированных российских решений, которые помогают ритейлу управлять динамическим ценообразованием и точнее предсказывать спрос. И они нуждаются в отказоустойчивой инфраструктуре. Так, в одном из кейсов облачная среда Рег.облака стала основой для компании «Фабрика данных» — разработчику систем аналитики — и помогла обеспечить 100% отказоустойчивость сервисов для клиентов и повысить точность управленческих решений на 20%.
Тренд 4. Автоматизация техподдержки
ML также показывает высокую эффективность в техподдержке: 60–80 % клиентских звонков в разных сферах уже решаются ИИ-ассистентами. Лишь 10–20 % запросов требуют участия специалиста.
Как это работает: ML-модели классифицируют входящие обращения, распознают смысл, выбирают лучший ответ из базы знаний и обрабатывают типовые запросы полностью автоматически. Алгоритмы также умеют понимать тональность, задавать уточняющие вопросы, передавать сложные кейсы оператору и обучаться на новых данных. В России 97 % организаций, использующих ИИ, заявили, что уже оценили эффект от технологии: повысилась скорость и качество бизнес-процессов.
Российские компании активно идут по этому пути. Например, в «Альфа-Банке» внедрили виртуального помощника собственной разработки — «Альфа-помощника». Он обучается на базе лучших ответов специалистов техподдержки и помогает сократить время ожидания клиентов, позволяя сервису обслуживать больше обращений без потери качества. В кол-центре работает более 4 000 операторов, и ИИ активно поддерживает их в работе, улучшая скорость и точность ответов.
Провайдеры инфраструктуры также запускают ИИ-помощников для бизнеса. Так, в Рег.облаке появился ИИ-ассистент, который позволяет встраивать языковые модели (LLM) практически во все процессы компании. Например, с его помощью можно организовать работу поддержки или интегрировать BI-систему, получать аналитические сводки и готовить материалы для совещаний.
Машинное обучение сегодня — это доступный и мощный инструмент для бизнеса любого масштаба. Благодаря развитию отечественных low-code платформ и готовых облачных решений, таких как ИИ-ассистент в Рег.облаке, стартовать с ML стало проще, чем когда-либо.
Low-code и no-code платформы, а также облачные решения играют ключевую роль в развитии ML-проектов в бизнесе. Они упрощают запуск проектов, снижая порог входа для организаций без собственной экспертизы в IT. При этом бизнес сразу получает такие важные свойства, как надежность и отказоустойчивость, а также может выбирать сервисы, которые вызывают доверие и соответствуют требованиям регуляторов и собственной информационной безопасности.
Евгений Мартынов, CIO Рег.облака
ИИ-ассистент — это готовый образ облачного сервера с большими языковыми моделями, который позволяет бизнесу запускать и использовать ИИ-инструменты внутри своей инфраструктуры. С ним компании могут быстро внедрять готовые модели для автоматизации документооборота, генерации отчетов, аналитики и клиентского сервиса, получая конкурентное преимущество без огромных затрат на разработку. Больше узнать о возможностях ассистента можно на сайте сервиса.