Закроем позавчерашний дедлайн уже сегодня

Построили систему онлайн-скоринга транзакций для процессинговой компании, обслуживающей 200+ мерчантов.

Собрали ансамбль градиентного бустинга на поведенческих и графовых признаках, добавили инкрементальное дообучение на свежих метках и калибровку порогов под риск-аппетит каждого мерчанта.

Выявили организованные группы мошенников в клиентской базе B2B-платформы кредитования.

Построили граф связей по устройствам, реквизитам и адресам, применили community detection и GNN-классификатор на подграфах, добавили LLM-агент для сборки объяснимого досье по каждой группе.

Автоматизировали проверку подлинности документов при онбординге корпоративных клиентов.

Внедрили мультимодальный пайплайн: CV-модель на артефакты редактирования, OCR с кросс-проверкой полей по внешним реестрам и LLM-агент для сверки логической согласованности данных.

Автоматизировали подготовку кредитных заключений по корпоративным заёмщикам.

Построили пайплайн: извлечение показателей из отчётности и выписок, расчёт финансовых коэффициентов, генерация разделов заключения через LLM с обязательными ссылками на источник каждой цифры.

Ускорили комплаенс-проверку контрагентов для корпоративного блока.

Внедрили нечёткий мэтчинг по санкционным и PEP-спискам с учётом транслитерации, реранкер для отсева ложных совпадений и LLM-агента, готовящего справку по каждому реальному совпадению.

Автоматизировали массовые обращения розничных клиентов с доступом к данным по счетам и картам.

Собрали агента с RAG по продуктовым условиям и регламентам, дополненного function calling к системам карт, платежей и заявок. Мутирующие операции защищены идемпотентными ключами, лимитами и обязательным подтверждением клиента; при низкой уверенности диалог передаётся оператору с готовым саммари. Поверх работают guardrails на разглашение персональных данных и на обещания, не предусмотренные тарифом.

Привели модельный ландшафт банка в соответствие требованиям к валидации и документированию моделей.

Внедрили реестр моделей с полным происхождением артефактов: версии данных, кода, гиперпараметров и метрик. Автоматизировали сборку валидационного пакета, регулярные тесты на стабильность и дискриминационную способность, контроль справедливости по защищённым признакам и объяснимость на SHAP с выгрузкой в формате, принимаемом валидацией и регулятором.

Перевели признаки для скоринга и антифрода на потоковый расчёт вместо ночных витрин.

Построили потоковую обработку событий с оконными агрегатами по клиенту, устройству и контрагенту, идемпотентной обработкой и восстановлением состояния после сбоя. Синхронизировали онлайн- и офлайн-представления через общий реестр определений, добавили деградацию на резервные значения при недоступности источника.

Закрыли слепую зону между валидациями: скоринговые и антифрод-модели деградировали незаметно.

Развернули мониторинг распределений входных признаков и предсказаний через PSI и KL-дивергенцию, отслеживание разрыва между прогнозной и фактической дефолтностью с поправкой на созревание портфеля, контроль стабильности по сегментам. Настроили алерты дежурной команде и трассировку каждого решения до версии модели и снапшота признаков.

Сделали систему раннего предупреждения о рисковых мерчантах для эквайрингового провайдера.

Собрали модель прогноза чарджбэков на 30 дней вперёд по динамике оборотов, структуре платежей и текстам отзывов, настроили алерты и автоматическое понижение лимитов.

Отсекли заявочный фрод на входе в кредитный конвейер розницы.

Собрали модель на признаках заполнения анкеты, поведения в форме, устройства и связей заявителя с ранее отклонёнными заявками. Добавили проверку согласованности заявленного дохода с транзакционным профилем и графовые признаки по общим реквизитам, телефонам и работодателям. Пороги калибруются отдельно по каналам привлечения.

Выявили перехваты доступа к счетам в мобильном и интернет-банке до вывода средств.

Построили поведенческую биометрию по динамике набора и жестам, профилирование устройства и сети, детекцию аномалий сессии относительно исторического профиля клиента. Рискованные сессии получают ступенчатое подтверждение вместо жёсткой блокировки, модель дообучается на подтверждённых инцидентах.

Перевели мониторинг отмывания с жёстких правил на риск-ориентированную модель.

Дополнили сценарные правила моделью аномальности транзакционного поведения относительно сегмента клиента и графовым анализом цепочек переводов для выявления транзита и дробления. Каждое срабатывание сопровождается объяснимым досье со связями и вкладом факторов, очередь расследования ранжируется по ожидаемому риску.

Дали сотрудникам отделений и бэк-офиса поиск по тысячам страниц внутренних нормативных документов.

Реализовали разбор нормативной базы с сохранением иерархии пунктов и приложений, семантический чанкинг, гибридный retrieval с реранкером и обязательное цитирование пункта документа. Отдельно отслеживаются редакции: ассистент отвечает по действующей версии и предупреждает, если пункт изменился за последний квартал.

Автоматизировали извлечение условий и контроль обеспечения по портфелю корпоративных договоров.

Построили пайплайн извлечения существенных условий: ставки, ковенанты, сроки, залоги и поручительства, с нормализацией формулировок к внутреннему справочнику. Агент сверяет условия договора с решением кредитного комитета, находит расхождения и формирует календарь контроля ковенантов с автоматическими напоминаниями.

Ускорили претензионную работу по спорным операциям и обращениям клиентов.

Собрали классификацию обращений по типу спора и применимому регламенту, извлечение фактов из вложений и истории операций, автоматическую сборку проекта ответа со ссылками на нормативные основания. Спорные и репутационно чувствительные случаи маршрутизируются юристу с приоритетом по сроку регуляторного ответа.

Перевели переобучение скоринговых моделей с ручных релизов на управляемый цикл.

Оформили переобучение как воспроизводимый пайплайн с версионированием данных и артефактов, point-in-time сборкой выборок, автоматической валидацией на отложенном периоде и гейтами, блокирующими выкатку при просадке Gini или росте нестабильности. Добавили теневой прогон на живом потоке и канареечную выкатку на долю заявок.

Построили скоринговую модель для кредитования малого и среднего бизнеса без длинной кредитной истории.

Добавили к традиционным признакам транзакционную активность, отраслевые бенчмарки и текстовые сигналы из открытых источников; обеспечили объяснимость решений через SHAP для регуляторных требований.

Проанализировали переписку и звонки корпоративных менеджеров для выявления рисков оттока.

Собрали пайплайн ASR + классификация тем и тональности, выделили сигналы неудовлетворённости и построили модель вероятности оттока с рекомендациями по действию для менеджера.

Перестроили работу с просроченной задолженностью на приоритизацию по вероятности возврата.

Собрали модели вероятности выхода в просрочку и вероятности погашения при разных стратегиях контакта, дополнив их uplift-моделированием отклика на канал и тональность коммуникации. Стратегия подбирается оптимизатором под ограничение на нагрузку операторов и регуляторные лимиты на число контактов.

Заменили массовые кампании персональными предложениями по продуктам банка.

Реализовали кандидатогенерацию по схожести транзакционных профилей и ранжирование бустингом на признаках потребления, жизненного события и истории отказов. Эксплорация построена на Thompson sampling, частота контактов ограничена политикой давления, эффект измеряется инкрементально через постоянную holdout-группу.

Сократили стоимость инкассации за счёт прогноза спроса на наличные по каждому устройству.

Построили прогноз снятий по каждому банкомату с учётом дня недели, праздников, зарплатных циклов, локальной специфики и погоды. Прогноз связан с оптимизатором маршрутов и объёмов загрузки при ограничениях на лимит кассеты, стоимость выезда и допустимую вероятность опустошения.