Привет от ЮMoney!

В июле мы запустили подкасты ЮVoice о технологиях в финтехе, о найме в IT и об электронных платежах. А тема про нейронки — одна из первых, которую решили обсудить в новом формате: тренд всё-таки. Главные мысли из подкаста собрали в небольшую статью, но если любите формат аудио, то можно поберечь глаза и пойти послушать, о чём мы там рассказали.

Не хочу читать статью, лучше включу подкаст >>

Раскрываем карты: в каких задачах ЮMoney использует ИИ, к чему нейросети всё ещё не готовы, какие эксперименты мы проводили с ChatGPT и чего ждать в будущем от искусственного интеллекта в финтехе.

К кому в ЮMoney мы пошли за инфой по нейронкам

Прямиком в департамент аналитических решений. Там нас встретил Женя Виноградов, директор департамента. 

Вот несколько важных тезисов из его выступления. Но чтобы углубиться в тему нейронок, рекомендуем всё же послушать подкаст: в нём больше информации, чем в статье.

В ЮMoney микросервисная архитектура компонентов, а значит, данные нигде не собраны — зачастую вплоть до DWH

Задача инженеров данных — собрать эти данные, объединить их в датасет, который потом эксперты могут проанализировать. Это нужно, чтобы вытащить конечную ценность из данных, например построить аналитические кубы или дашборды.

Многие боятся, что нейронки заменят айтишников

Да, ИИ вовсю генерирует изображения, пишет за людей тексты, а порой кажется, что и программировать скоро будет лучше IT-специалистов. Из-за этого у многих возникает страх потерять работу. Но есть ли смысл бояться?

На текущем уровне развития технологии точно нет. С одними задачами ИИ справляется классно и ему можно полностью довериться, а в других придётся выстраивать сложные системы контроля результата. Есть и такие задачи, которые поручать нейронкам вообще опасно — в прямом смысле этого слова. Поэтому работа может преобразоваться по содержанию, но вряд ли человека удастся полностью исключить из всех процессов. 

Финтех — как раз та сфера, где использовать нейронки нужно с оглядкой на целый набор рисков

Первый связан с безопасностью: можно обучить нейронку на публичных данных, но часто, чтобы она приобрела ценность для компании, необходимо добавить в обучающую выборку и корпоративные данные, а это создаёт риск безопасности. Сервисы ИИ, которые сейчас активно развиваются, часто находятся в облаке, и после выгрузки туда своего датасета ты фактически перестаёшь надёжно контролировать его защищённость. Особенно если используешь именно сервис, а не просто арендуешь сервера у облачного провайдера. Хотя в целом прийти и «пощупать» облачный сервер тоже, как правило, нельзя.

Вторая проблема связана с качеством исходных данных. В целом в финтехе за качеством следят очень внимательно — последствия потери пары транзакций могут быть крайне неприятными или даже фатальными для компании. Но для использования в ML данные, как правило, дополнительно преобразовываются. На этих этапах крайне важно ничего не потерять и не добавить чего-то такого, чего в них не было.

Третья проблема — нейросети в финтехе не заменят человека полностью: окончательное решение по сгенерированному продукту всегда за ответственным сотрудником. Он как врач, который должен проверить все материалы и поставить свою подпись. Кстати, это объясняет, почему в медицине нейронки активно используются как вспомогательные инструменты, но о том, чтобы полностью исключить человека из управления лечением, речи нет. 

Для компаний, которые не хотят нести риски передачи данных куда-нибудь, хороший вариант — заниматься обучением моделей, в том числе языковых, самостоятельно. По сравнению с ChatGPT, который стоит $20, своя модель обычно сильно дороже, но в ней риск безопасности управляем. Кроме того, она может быть сильнее оптимизирована под бизнес и задачи конкретной компании.

В задачах ЮMoney не требуется универсальная модель 

Мы занимаемся конкретной предметной областью. Поэтому модели, которые, скажем, хорошо генерируют медицинские тексты, у нас не очень востребованы. И наоборот: требования по функциям, специфичным для финтеха, у нас крайне высоки — поэтому важно обучать их на внутренних данных.

В финтехе машинное обучение и нейросети можно использовать для разных задач

Например, теоретически разработчики и аналитики могут генерировать тексты для требований или спецификаций. На практике такие сгенерированные требования подлежат более строгому ревью, чем написанные человеком. 

Маркетинговый отдел может создавать иллюстрации для рекламы, хотя и тут без ревью не обойтись.

Также есть менее предсказуемые вещи, которые можно попытаться оценивать с помощью нейросетей: предсказывать отток и оборот. Сюда же отнесём и антифрод— работу с рисками и мошенническими действиями.

В ЮMoney мы много экспериментируем с нейросетями

Мы пытались заменить сотрудника службы поддержки генератором текста на некоторых задачах, но сработало это не очень хорошо. При этом нейронки помогают упростить и ускорить такую  работу. Например, бот может помогать саппорту отвечать на запросы пользователей в чате.

В разработке мы экспериментировали с разными версиями ChatGPT в креативном и балансном режимах. Наш фаворит — креативный режим ChatGPT 4, но и он дал далёкий от идеального результат. Мы попросили нейросеть выполнить простую тестовую задачу, которую обычно предлагаем сделать на собеседованиях разработчикам. Скоро расскажем об этом кейсе подробнее. А пока вывод такой: в креативном режиме ChatGPT даёт неплохой результат, на том же уровне, как если бы к нам на собеседование пришёл джуниор-разработчик. В других режимах ChatGPT и прочие нейронные сети с собеседованием не справились.

Другой кейс ЮMoney по использованию нейросетей — тоже из саппорта: мы попробовали классифицировать по очереди сообщения, которые приходят в техподдержку (понятно, что ни о каких публичных сервисах речь в случае такого обучения идти не может, только внутренняя разработка). Это здорово разгрузило сотрудников. Но всё равно это не тот уровень самостоятельности ИИ, за который можно переживать специалистам из саппорта.

Поэтому вывод такой: нейросети сегодня способны самостоятельно решать достаточно простые задачи бизнеса, они могут быть помощниками (есть хороший английский термин — co-pilot). Например, искать код по контексту или комментариям, но не писать его полностью самостоятельно.

У нейросетей в финтехе есть будущее

Я вижу три основных сценария развития.

• Нейросети могут заменить массовые профессии, в которых не нужна спецподготовка или интеллектуальная, творческая деятельность. В том, для чего написано много регламентов, использовать ИИ можно и нужно.

• С искусственным интеллектом будет всё больше экспериментов: то, чем мы занимаемся в ЮMoney регулярно. Мы ищем, где можно применить модели, которые у нас есть, причём в ситуациях, когда какого-то готового опыта применения нет. Мы пытаемся найти комбинацию модели, данных и задачи, которые будут востребованы у бизнеса. И иногда такую комбинацию можно найти в довольно неожиданных местах. 

• Поиск новых возможностей для использования нейросетей не прекратится. Но нужно учитывать, что это примерно как венчурные инвестиции — эксперименты с нейронками могут не взлететь даже после большого количества экспериментов.

Если вы тоже тестировали нейросети в финтехе, расскажите, что именно вы делали? Какие эксперименты проводили? Как вам ChatGPT и какая версия понравилась больше всего? Ждём вас в комментариях и, конечно же, в наших подкастах: впереди много интересных тем от команды ЮMoney. ;)