От офферов до документооборота: как Halyk внедряет ИИ

ИИ помогает сотрудникам банков в ключевых бизнес-процессах – от предиктивной аналитики и персонализации офферов до автоматизации документооборота. На финальном митапе Halyk Tech Sprints, прошедшем в Алматы 11 декабря, ведущие специалисты Halyk Bank поделились опытом внедрения AI-решений для разных прикладных задач. 

«Ежемесячно запускаем по 50 экспериментов с AI»

По традиции митап начался с приветственного слова, с которым выступил заместитель председателя правления, глава риск менеджмента Halyk Роман Машчык. 

«Я занимаюсь нейросетями, наверное, больше 30 лет – еще с тех времен, когда про big data и AI не говорили в современном понимании. Сам практически не выхожу из Claude – 99% моего рабочего времени проходит в генеративных нейросетях, и эффект от их применения сегодня уже легко оценить. Я этим живу и считаю, что в ближайшие пять лет ИИ приведет к масштабным изменениям в банковской сфере и бизнесе в целом», — отметил Роман Машчык.

Роман Машчык

Программу митапа с докладом о Predictive AI открыл директор Office Chief Data Scientist Halyk Алмас Нұрдәулетов. Он рассказал, как ИИ-модели используют в прогнозировании поведения клиентов. Только для предиктивной аналитики в банке используют более 175 разных моделей в пяти областях:

• Customer Value Management (CVM) – модели определяют, к какому клиенту, когда и с каким предложением лучше выходить. Также они рассчитывают LTV (Lifetime Value – показатель, который отражает общую прибыль или доход, приносимый одним клиентом за все время его взаимодействия с компанией – прим. Digital Business), GNI (Gross National Income – валовой национальный доход – прим. Digital Business) и другие метрики, влияющие на доходность клиентских продуктов.
• Управление рисками и антифрод – ИИ дает прогноз по просрочкам, предлагает стратегии для collection (работа с клиентом после того, как возникла просрочка – прим. Digital Business) и pre-collection (работа с клиентом до возникновения фактической просрочки, когда растет риск неуплаты – прим. Digital Business), а также сценарии коммуникаций с проблемными клиентами. 
• Активная аналитика и финансы – оценка маржинальности, анализ спроса и факторов, от которых зависят финансовые показатели банка.
• HR-аналитика – помощь в найме и оценке компетенций кандидатов и сотрудников, плюс рекомендации по развитию навыков. 

Отдельное внимание спикер уделил CVM-сценариям (управление ценностью клиента). В них используется многоуровневая система моделей: сначала ИИ выявляет интерес к продукту, подбирает выгодный банку оффер и находит идеальное время для связи с клиентом. В финале система сама генерирует персонализированный текст с оффером под конкретного человека. 

Алмас Нұрдәулетов

«Использование ИИ в предиктивной аналитике уже дает ощутимый бизнес-эффект. За счет AI выхлоп от персонализированных предложений вырос в три раза по сравнению с базовыми сценариями. В прошлом году мы также разработали собственную платформу для A/B-тестирования: ежемесячно запускаем порядка 50 экспериментов с AI-моделями и масштабируем решения, которые показывают наилучший результат. Для нас принципиально, чтобы ИИ был не просто технологией, а измеримым инструментом роста», — отметил Алмас Нұрдәулетов.

Как Halyk Bank автоматизирует документооборот и онбординг с помощью ИИ

Следующий докладчик – начальник Центра ИИ Halyk Bank Бибарыс Мұсағалиев – поделился опытом внедрения AI-решений для обработки неструктурированных данных, распознавания лиц и многоагентных систем. 

Основу банковского документооборота сегодня составляют цифровые документы – сканы, PDF-файлы, изображения и другие неструктурированные данные. Для их автоматической обработки сотрудники банка используют технологию оптического распознавания символов (OCR), построенную на базе open-source LLM-моделей. Решение извлекает из документов структурированную информацию – например, контактные данные или реквизиты – и встраивается в цифровые процессы без участия человека. Точность распознавания достигает порядка 93%, что позволяет применять модель в промышленных сценариях с высоким объемом данных.

Бибарыс Мұсағалиев (слева) с участником митапа

Второе направление – технологии распознавания лиц, необходимые для онбординга клиентов, подтверждения личности и в кредитных сценариях. Для этого банк использует решения на базе моделей Meta. Система сверяет внешность клиентов с их эталонными изображениями в базе, закодированные в виде векторов.

Также банк использует около 20 workflow-агентов (ИИ-модули, которые управляют и автоматизируют цепочки бизнес-процессов – прим. Digital Business), на базе которых работают 25 чат-ботов для разных прикладных задач. Кроме того, команда внедрила Git Copilot, ускорющий разработку, тестирование и онбординг IT-специалистов.

«Если говорить о более сложных сценариях, мы активно используем многоагентные системы. Например, при обработке документа на 100 страниц один VLM-агент распознает весь текст и выберет только нужные страницы. Затем гибридный агент проанализирует структуру и данные, а финальная LLM извлечет смысл и сгенерирует ответ. Мы видим экспоненциальный рост числа AI-моделей в банке и системно расширяем их применение в ключевых бизнес-процессах», — говорит Бибарыс Мұсағалиев.

Что помогает сделать устойчивый и предсказуемый ИИ

Далее выступил Team Lead Центра ИИ Halyk Bank Рамазан Айткалиев. Основной фокус он сделал на качестве, устойчивости и предсказуемости работы ИИ в реальных бизнес-процессах.

В AI-лаборатории банка команды постоянно тестируют новые модели и архитектуры, поскольку ИИ-системы подвержены рискам – от потери контекста до ошибок и галлюцинаций. Для их снижения используют несколько уровней контроля:

• RAG – когда модель работает в строго заданном контуре документов и регламентов. 
• Guardrails – логические ограничения, автоматические перепроверки и приписывание скриптов для операций, где модели чаще ошибаются.
• Ансамбли агентов – результат проверяют несколько ИИ с разными ролями, что снижает вероятность ошибок. 

Дополняют такой подход prompt-инжиниринг (системная настройка запросов и инструкций для ИИ-моделей – прим. Digital Business) и постоянное тестирование границ моделей, чтобы понимать, где ИИ стабилен, а в чем нужен контроль.

Рамазан Айткалиев

«По сути, ИИ – это очень умный помощник, но ему нужно предельно четко объяснять задачу и проверять результат. Если процесс выстроен правильно, дальше все масштабируется почти автоматически – ограничения остаются только в вычислительных ресурсах и в том, насколько точно мы задали правила. При этом критически важно иметь бенчмарки и критерии оценки. В целом роль AI-инженера все больше смещается в сторону архитектора процессов – человека, который знает, что можно оптимизировать, от чего отказаться и как избежать повторений», — считает Рамазан Айткалиев.

Почему банк иногда предлагает «странные» продукты

О том, как меняется логика персонализации в банке и почему классические рекомендательные модели уже не всегда работают, подробно рассказал Chief Data Scientist Halyk Данияр Муса. Его доклад был посвящен подходу Explore vs Exploit и применению «многоруких бандитов» (класс алгоритмов машинного обучения и теории вероятностей) для определения подходящего предложения (Next best offer).

Суть подхода заключается в балансе между двумя режимами: exploitation, когда система показывает офферы, эффективные в прошлом, и exploration – тестировании новых вариантов. Причем второй обучает модель лучше понимать клиента и его меняющиеся потребности.

Данияр Муса

В отличие от классического A/B-тестирования, где группы фиксируются заранее, bandit-алгоритмы перераспределяют трафик динамически в каждом новом «раунде» коммуникаций. Они опираются на реальные отклики клиентов и учитывают десятки параметров: поведение, транзакции, социально-демографические признаки и историю взаимодействий.

«Если постоянно работать только в режиме exploitation и показывать один и тот же самый конверсионный оффер, система быстро перестает учиться. Exploration – это управляемый риск, который позволяет собрать новые сигналы и улучшить рекомендации в будущем. Иногда клиенту может прийти не самый очевидный продукт, но именно его реакция помогает модели стать точнее для миллионов других пользователей», — объясняет Данияр Муса.

«Задачи, на которые раньше уходило 10–15 дней, теперь можно закрывать за один день»

Завершал программу митапа Senior Data Scientist Halyk Мухтар Бимұрат. Он выступил с докладом на казахском языке о повышении точности RAG-решений. В банке RAG-подход активно используют в чат-ботах и агентных системах, работающих с большими массивами внутренней документации. Они помогают сотрудникам быстро находить нужную информацию по десяткам документов и нормативных актов.

Мухтар Бимұрат

«Если раньше мы автоматизировали в основном ручной труд с помощью роботов, то с появлением LLM стало понятно: можно автоматизировать и интеллектуальную работу. Агент с RAG и инструментами поиска сам проверит все нужные источники и найдет нужный ответ. В сочетании с агентными-workflow они открывают большие возможности. Задачи, на которые раньше уходило 10–15 дней, теперь можно закрывать за один день. По сути, мы переходим к автоматизации интеллектуального труда внутри компании», — говорит Мухтар Бимұрат.

Награждение участников Halyk Tech Sprints

В завершение митапа организаторы провели розыгрыш призов среди участников всей серии Halyk Tech Sprints. Победителей определили через рандомное голосование. Несколько человек получили умные колонки, еще трое – наушники AirPods, а самому удачливому участнику достался главный приз – MacBook Air. Награды победителям вручили заместитель председателя правления банка Роман Машчык и HRD Halyk Индира Аширова.

Индира Аширова

«В новом году я искренне желаю каждому реализовать свой профессиональный потенциал – в IT, аналитике, ИИ и не только. Мы в Halyk обязательно продолжим нашу серию профессиональных митапов и охватим новые карьерные направления», — резюмировала Индира Аширова.