Alfa Advanced Analytics

Чего вы боитесь от ИИ больше? 🤯 — Галлюцинаций 🙈 — Что не пойму, что это ИИ 😭 — Что станет умнее меня

Правила приличия для ИИ 🤖 В декабре 2025 года Банк России опубликовал Кодекс этики в сфере разработки и применения ИИ на финансовом рынке. К нему присоединился Альфа-Банк и другие крупнейшие банки страны.

Кодекс этики — набор принципов, которые помогают выстраивать безопасное и прозрачное взаимодействие человека с ИИ.

В его основе — пять принципов: 🤡 Человекоцентричность — ИИ должен улучшать качество и безопасность услуг 🤡 Справедливость — без дискриминации и использования данных без согласия 🤡 Прозрачность — человек должен понимать, когда взаимодействует с ИИ 🤡 Безопасность, надёжность и эффективность — качество работы моделей нужно постоянно контролировать 🤡 Ответственное управление рисками — возможные угрозы важно выявлять и снижать

«Если прочитать документ, становится понятно, что это не “свод этических заповедей для разработчиков”, а скорее руководство по комфортному и прозрачному взаимодействию банков с клиентом»,

— Михаил Васильев, руководитель Департамента развития и контроля ИИ-решений Альфа-Банка Как эти принципы работают на практике, зачем нужен добровольный кодекс и почему ответственность за решения ИИ всё равно несёт человек, рассказываем в статье 🤡 #aaa_hardpostin

Как Kaggle помогает прокачивать навыки в Data Science? 🏆 Для многих Kaggle — это соревнования по машинному обучению. Но для наших специалистов ещё и возможность изучать новые предметные области, тестировать подходы и решать нестандартные задачи. Поговорили с Кириллом Кривошеевым, старшим специалистом по интеллектуальному анализу данных, о том, как он пришел в Kaggle и какие решения помогли занять призовые места. ▶️ Как ты пришел в Kaggle?

«Про Kaggle я узнал во время обучения в институте. Участвую в соревнованиях, когда есть свободное время, для меня это хобби. Соревнования очень разнообразные, и часто это способ познакомиться с новой предметной областью, задачами и подходами к их решению».

В каких соревнованиях ты участвовал? 🥈 Optiver — Trading at the Close (декабрь 2023, серебряная медаль, топ-4%) Задача — прогнозирование временных рядов на основе истории и текущих данных аукциона.

«Основная идея решения заключалась в том, чтобы автоматически дообучать модель каждые 20 дней на новых данных во время периода предсказаний».

🥇 Santa 2025 — Christmas Tree Packing Challenge (январь 2026, золотая медаль, 16 место) Участникам нужно было найти оптимальный способ упаковать 2D-елки в квадрат минимального размера.

«Ключевыми стали использование специализированной библиотеки sparrow, идея регулярного прямоугольного шаблона и своевременное объединение в команду».

🥇 Predicting Irrigation Need (апрель 2026, 1 место) Нерейтинговое соревнование по табличным данным.

«Основой решения стал стекинг сильнейших табличных моделей — бустингов (XGBoost, CatBoost) и современных нейросетей (TabM, RealMLP и других) с разнообразной генерацией признаков».

🥈 Orbit Wars (июнь 2026, серебряная медаль, топ-4%) Задача — разработать бота для стратегии в реальном времени по захвату планет.

«Основной идеей стала оптимизация начальной фазы расширения с учетом полезности планет и добавление возможности ожидания при захвате нейтральных планет».

А вы делитесь, если тоже участвовали в соревнованиях Kaggle 🔽 #aaa_experts

Как рекомендовать задания миллионам пользователей? 🎮 В играх Альфа-Банка пользователи выполняют задания ради игровых бонусов, а для банка это реальные действия: оплата ЖКУ, бронирование отелей, заказ карты и другие продуктовые сценарии.

Когда таких заданий стало много, появилась задача рекомендовать каждому пользователю именно те, которые он с большей вероятностью выполнит. Казалось, что логичным решением станет одна модель для всех заданий. Но на практике всё оказалось сложнее: единая архитектура плохо работала с разными типами продуктов. В итоге лучшим решением оказался совсем другой подход.

🔗 Почему простая архитектура победила более сложные варианты, рассказал Сергей Валин, старший специалист по интеллектуальному анализу данных. Главное собрали в карточках, а полная история экспериментов уже на Хабре. #aaa_hardposting

Как научить LLM писать SQL для банка? ⚡ На Saint HighLoad++ наш коллега Никита Круглов, DS-разработчик, рассказал, как команда Альфы создавала сервис Text2SQL, который переводит запросы на естественном языке в SQL-запросы к данным банка. Сегодня сервис помогает аналитикам работать с данными без знания SQL. В нём уже описано 200+ таблиц, а спрос со стороны команд растёт. В докладе Никита подробно рассказал: ▶️ Какую актуальность представляет Text2SQL для банка ▶️ Как устроена архитектура сервиса, выделив ключевые компоненты влияющие на генерацию SQL ▶️ Как команда контролирует качество сервиса, оценивает работу tool calling, поиска документов и генерации SQL на «золотом» датасете ▶️ Почему успех Text2SQL зависит не только от архитектуры модели, но и от пользователей ▶️ Поделился, какие шишки команда успела набить по пути создания собственного Text2SQL А подробнее про сервис узнавайте из презентации с выступления 🔽 #aaa_event

Взяли Generation AI Awards 2026 в номинации «Лучшее применение генеративного AI для разработки и тестирования» 🏆 Победу нам принес AgenticML — система AI-агентов, которая автоматизирует жизненный цикл ML-моделей. Проект помогает сократить рутинную работу сотрудников, ускоряет вывод моделей в прод и снижает модельные риски.

«Победа Agentic ML в премии Generation AI Awards подтверждает правильность стратегического движения банка в области ИИ. Мы начинаем применять агентов там, где раньше требовалась значительная ручная экспертная работа: анализ артефактов, подготовка документации, проверка качества кода и сопровождение моделей. Это позволяет дата-сайентистам меньше времени тратить на повторяющиеся операции и больше фокусироваться на исследовательской работе. Для банка это шаг к повышению операционной эффективности ML-разработки. Экспертиза DS/ML-команд масштабируется и стандартизируется, time-to-market моделей сокращается, а качество решений растет при снижении модельных рисков»,

— Константин Четин, начальник управления по разработке инструментов автоматизации моделирования. В карточках рассказываем, как устроен AgenticML, что происходит под капотом и каких результатов удалось добиться благодаря AI-агентам 🔼 #aaa_hardposting

Хотели заменить RNN трансформерами Не всё пошло по плану, но без важных открытий не остались 💡 В новой статье команда прикладных исследований и разработки моделей глубокого обучения делится актуальными разработках в области нейросетевого кредитного скоринга физических лиц. На карточках рассказываем коротко, как менялась архитектура моделей, что дало максимальный аплифт и почему некоторые идеи оказались не такими эффективными, как ожидалось. А полностью про эксперименты команды читайте в статье 🔗

На связи Ольга Кравченко, начальник управления оценки продуктовых изменений и развития А/В тестирования, а ещё модератор на Saint HighLoad++. Показываем закулисье конференции, скорее смотрите 🔽

ИИ внедряют многие. А считать его эффект умеют единицы 📊 В офисе Альфа-Банка вместе с Альянсом ИИ собрали представителей крупнейших компаний страны, чтобы обсудить важный вопрос для рынка: какую реальную пользу приносит ИИ бизнесу. Эксперты из 20+ компаний больше года работали над единой методикой оценки финансового эффекта от ИИ, а на митапе поделились своими кейсами и подходами. 👨‍💼 Михаил Васильев, руководитель департамента внедрения, развития и контроля ИИ-решений Альфа-Банка, рассказал, почему эффект от ИИ зависит не только от запуска модели, но и от её дальнейшей работы:

«Искусственный интеллект уже стал частью бизнес-процессов, и теперь ключевой вопрос, какой результат он приносит. Для рынка важно вырабатывать общую логику оценки и учитывать не только вклад технологии, но и устойчивость результата после запуска»

Три ключевые мысли встречи: ➡️ Запуск модели не гарантирует результата. Важно, как она работает после внедрения ➡️ Если модель ошибается или даёт нестабильный результат, финансовый эффект тоже может уменьшиться ➡️ Бизнесу нужно не только внедрять ИИ-решения, но и управлять ими после запуска Методика уже прошла экспертную валидацию и опубликована, теперь её могут использовать компании по всему рынку. #aaa_event

ИИ тоже стареет 👀 И чем умнее модели становятся, тем сложнее поддерживать их точность. Данные устаревают, а LLM всё чаще начинают галлюцинировать. Поэтому внедрить ИИ один раз и забыть о нём не получится, моделям нужно регулярное «техобслуживание». В новой статье разбираем, почему ИИ деградирует, как это проявляется на практике и какие инструменты помогают держать качество моделей под контролем.

«Если проводить аналогию с добычей золота, то раньше у отрасли была золотая руда, которую можно брать — и сразу выплавлять чистый металл. Теперь же для качественного обучения ИИ нужно работать с золотым песком: промывать всё больший объем данных, чтобы намыть что-то ценное»,

— Дмитрий Рузанов, директор департамента по разработке моделей в Альфа-Банке А ещё рассказываем, как в Альфе борются с деградацией моделей с помощью мониторинга, AutoML, стресс-тестов и работы с качеством данных. Читать статью #aaa_habr

🏆 Сразу два наших проекта стали победителями премии «Лидеры цифровизации». Один помогает новым клиентам малого бизнеса быстрее разобраться с продуктами банка и начать ими пользоваться. А второй с помощью AI подбирает продукт, контент и момент коммуникаций для миллионов клиентов. Показываем, как работают оба решения и каких результатов достигли 🔼 #aaa_hardposting

Остаётся несколько дней 🔥 Захотите на Яндекс Контест и решайте задачу до 3 июня.

Что стоит за быстрыми AI-сервисами, аналитикой и отчётностью в банке? Обычно все говорят про модели и алгоритмы, но без сильной data-платформы масштабировать это просто невозможно. Рассказываем про Big Data Platform 2.0, единую платформу данных Альфы, которая помогает быстрее запускать дата-решения, интегрировать новые системы и работать с данными почти в реальном времени. Кстати, этот проект недавно получил TECH & AI Awards 2026 в номинации «Платформа года» 🏆 А на карточках читайте, как устроена платформа и чум она помогает бизнесу 🔼 #aaa_experts #aaa_hardposting

Все говорят про AI, LLM и агентов 🧠 Но что происходит, когда нейросеть все-такие решили попробовать? В новой статье разбираем, как компании переходят от AI-экспериментов к промышленному внедрению, зачем бизнесу AI-платформы и почему без Feature Store уже никуда, как считают эффект от AI и где всё ещё выигрывает классический ML. А самое главное, почему главный фактор AI-трансформации — люди, а не модели. Cобрали ключевые мысли из материала на карточках 🔼 Читайте статью на РБК или Компьютерре. #aaa_hardposting