Zypl.ai стартапы 2021 жылы пайда болды. Оны құрған — Тәжікстан кәсіпкері Азизжон Азими. Компания банктер мен микроқаржы ұйымдарына кредиттік тәуекелдерді азайтуға көмектесетін технологияларды әзірлейді. Стартаптың моделі кімнің несиені қайтаратынын, ал кімге ақша бермеу керегін анықтай алады. Бүгінде zypl.ai 20 елде, соның ішінде Қазақстанда да жұмыс істейді, 60 қаржы ұйымымен серіктестік орнатқан. Компанияның соңғы расталған бағасы — $40 млн.
Digital Business пен Astana Hub-тың бірлескен «Орталық Азияның 100 стартап тарихы» жобасы аясында zypl.ai компаниясының өнім жөніндегі вице-президенті Шухрат Халилбеков Душанбеде құрылған AI академиясы қалай халықаралық финтех-стартапқа айналғанын және банктерге синтетикалық деректер не үшін қажет екенін айтып берді. Компания алгоритмдері сенімді қарыз алушыларды 98% дәлдікпен қалай анықтайтыны туралы да сөйлестік.
«Мені ІТ саласына Dota 2-ге деген махаббат алып келді»
— Өзіңіз жайлы айтып беріңізші: қай жерде өстіңіз, ІТ-ге қалай келдіңіз?
— Мен Тәжікстанның солтүстігіндегі Худжанд қаласында дүниеге келдім. 18 жасымда Ресейдің «Жоғары экономика мектебі» университетіне оқуға түстім. Мамандығым — экономист. Бірақ екінші курста қосымша ІТ бағытын таңдадым. Бұл салаға келуіме, шын мәнінде, Dota 2 ойыны түрткі болды деуге болады. Бір күні университетте Data Science мамандығын таныстырды. Мысал ретінде сол ойынды алып, заттар арасындағы байланыс графтарын, ойыншылар арасындағы транзакцияларды көрсетіп берді. Сол кезде қатты әсер алдым. Осылайша деректер ғылымын оқуға кірістім.
— zypl.ai-ға келмес бұрын қай жерде жұмыс істедіңіз?
— Университетті бітірген соң Ernst & Young компаниясына аудитор болып жұмысқа тұрдым. Кейін Oliver Wyman консалтинг компаниясына ауыстым. Онда ашық деректер негізінде шағын және орта бизнеске арналған скоринг жүйесін жасаумен айналысатын ішкі шағын стартап болды. Сол жерде алғаш рет қаржы саласындағы машиналық оқытумен тереңірек таныстым, заңды тұлғаның салық идентификаторы бойынша тәуекелдерді бағалап, компанияның төлем қабілетін болжай алатын модельдер құрдық.
Бірнеше басқа компанияда да істедім, бір кезде өз ісім туралы ойлай бастадым. Сол шамада Азизжон Азимимен таныстым. Бір күні ол сторисіне zypl.ai-да өнім жөніндегі жетекші керек екенін жазды, бизнес пен технологияны қатар түсінетін, өнім мен әзірлеу тобын басқаратын адам іздеп жатыр екен.
Оны көріп, «мен бұл орынға сай келетін сияқтымын» деп ойладым. Азизжонға жазып, сөйлесейік дедім. Сөйлестік, сөйтіп кейін командаға қосылдым.
— Ол кезде компания немен айналысып жатқан еді?
— Сол кезде стартаптың құрылғанына екі жылдай болған. zypl.ai идеясы Азизжонның Стэнфордта оқып жүрген кезінде пайда болған, ол сол кезде жасанды интеллект арқылы несие тәуекелін бағалайтын платформа концепциясын ойлап тапқан. Кейін Тәжікстанға оралғанда мұндай жобаны жүзеге асыра алатын мамандардың жоқтығын түсінген. Сол себепті инженерлер мен дата-сайентистерді дайындайтын AI академиясын құрды. Академия әлі де жұмыс істейді, ал оның түлектерінен zypl.ai-дың алғашқы командасы қалыптасты.
Бастапқыда компания банктердің әлеуетті клиенттерінің төлем қабілетін бағалау — скоринг технологиясына басымдық берді. Мысалы, адам қосымша арқылы несиеге өтініш бергенде, жүйе оның деректерін талдап, бірнеше секунд ішінде несиені мақұлдау, не бас тарту туралы шешім шығарады. Біз осындай алгоритмдерді — деректерді өңдеп, шешім шығаратын технологияларды жасаумен айналыстық.
«Қайтарылмаған несиелердің үлесін 30%-ға азайтамыз»
— Сіз келгеннен кейін zypl.ai-да не өзгерді?
— Мен қосылған кезде құрылым кәдімгі стартаптағыдай болатын, яғни нақты процестер мен рөлдер анықталмаған. Тіпті әркім өзіне ыңғайлы технологиялық стекпен жұмыс істейтін. Алдымен, осының бәрін реттедім: команданы бағыттар бойынша бөлдім, жауапкершілік аймақтарын нақтыладым және өнімдік roadmap енгіздім (яғни, команда қандай өнімді қашан әзірлейтінін көрсететін құжат немесе визуалды жоспар — Digital Business еск.).
Бұл қадам жүйесіз әрекеттен арылып, негізгі өнімдерге — ең алдымен, синтетикалық деректерді генерациялайтын zGAN технологиясы мен техникалық білімі жоқ мамандарға ML-модельдер құруға мүмкіндік беретін Lucid платформасына назар аударуға жағдай жасады.
— zGAN не үшін қажет екенін қарапайым тілмен түсіндіріп беріңізші.
— Мысалы, шағын банк бар делік. Күн сайын қызметкерлерге кімге несие беріп, кімге бас тарту керектігін шешуге тура келеді. Мұны қолмен немесе қарапайым ережелермен, мысалы, «егер табысы $1000-нан аз болса — бас тарту» қағидатымен істеу дәл емес, әрі қауіпті. Сондықтан банктер жүздеген көрсеткішті талдап, адамның несиені қайтара ала ма, жоқ па, соны болжайтын машиналық оқыту модельдерін пайдаланады.
Бірақ мұндай модельдің дұрыс жұмыс істеуі үшін көп, әрі сапалы деректер қажет. Ал шағын банктерде ондай деректер жоқ: клиент аз, несиелердің тарихы да жеткіліксіз. Біз осы мәселені шешеміз: біздің құрал жетіспейтін деректерді синтетикалық түрде толықтырып, модельді банк көп деректерге ие секілді етіп үйретуге мүмкіндік береді. Соның арқасында модель кім несиені қайтарады, ал кім қайтара алмауы мүмкін екенін дәлірек анықтайды.
— Ал ірі банктерге ше? Оларда деректер жетіспеу проблемасы жоқ қой.
— Иә, бірақ синтетикалық деректер тек жетіспейтінді толықтыру үшін емес, шынайы деректермен араластырып қолдануға да болады, бұл модельдің тұрақтылығын арттырады. zGAN сирек кездесетін немесе әлі болмаған макроэкономикалық сценарийлерді, мысалы, инфляцияның күрт өсуі немесе шикізат нарығының құлдырауы сияқты жағдайларды имитациялайтын «аномалды» деректерді де жасай алады.
Бірден айтайын, біз нақты жағдайларды, мысалы COVID-19 сияқты оқиғаларды болжай алмаймыз, бірақ соған ұқсас сценарийлерді жасап, модельге осындай ауытқулар болуы мүмкін екенін және оларға қалай жауап беру керектігін үйретеміз.
Егер ертең экономикалық құлдырау, валютаның әлсіреуі немесе жұмыссыздық белең алса, модель скорингте қателікке көп ұрынбайды, өйткені ол осындай жағдайларды оқыту кезінде «көріп» үйренген.
Кәдімгі модельдердің дәлдігі ай сайын өзгеріп тұруы мүмкін: бірде 95%, бірде 70%. Ал синтетикалық стресс-сценарийлермен үйретілген модельдің нәтижесі тұрақты, бұл реттеушілер үшін өте маңызды.
— Екінші ірі өніміңіз — Lucid. Ол қандай мәселені шешеді?
— Банк немесе микроқаржы ұйымының қызметкері платформаға өз деректерін жүктейді, мысалы, скоринг немесе алаяқтықты анықтау (антифрод) тапсырмасын таңдайды. Lucid автоматты түрде модель құрып, оның метрикасын тексереді және нәтижені визуалдайды. Содан кейін пайдаланушы оны нақты деректерде сынап, қазіргі көрсеткіштермен салыстырып, қажет болса бизнес-процестеріне енгізе алады.
Бұл — код жазуды қажет етпейтін құрал, яғни ЖИ-технологияларын өз ML-мамандары жоқ шағын ұйымдар да қолдана алады.
— Ал өнімдеріңіздің тиімділігі қалай өлшенеді?
— Негізгі метрикалар арқылы. Скорингте бұл — non-performing loan rate (проблемалық несиелердің үлесі). Егер бұл көрсеткіш төмендесе, модель дұрыс жұмыс істейді деген сөз. Ал антифродта — анықталған алаяқтық жағдайларының саны және жалған оң нәтижелердің азаюы.
Біздің шешімдер орта есеппен қайтарылмаған несиелердің үлесін 30%-ға төмендетеді. Бұл банктерге елеулі экономикалық пайда әкеледі. Себебі несие берген кезде банк белгілі бір соманы резервте ұстайды, яғни, қайтарылмай қалу қаупіне қарсы «қауіпсіздік жастығы». Ал ондай «тоңазытылған» ақша — бұл жіберіп алған пайда.
Әдетте болжам мен нақты нәтиже арасындағы айырма — 2%-дан төмен, көбіне шамамен 1,5% болады. Кейбір өңірлерде бұл көрсеткіш одан да жақсы.
«Алғашқы реакция: AI? Скоринг? Өтінеміз, кетіңіздерші»
— Клиенттеріңіз туралы айтайықшы: олардың саны қанша және қай елдерден?
— Қазір біз 20-дан астам елде жұмыс істейміз. Географиямыз кең: Таяу Шығыс, Африка, Оңтүстік-Шығыс Азия, АҚШ, Латын Америкасы. Мысалы, Қазақстанда бірнеше микрокаржы ұйымымен серіктестігіміз бар және бір ірі банкпен келісімшартқа қол қоюды аяқтап жатырмыз.
Біз банктер мен микроқаржы компаниялары сияқты 60 шақты ұйыммен жұмыс істейміз. zypl.ai технологиясының көмегімен әлем бойынша банктер $400 миллионнан астам сомаға несие берді.
Жақында біз үшін жаңа сала — шикізат саудасы (коммодити-трейдинг) бойынша қызықты жоба пайда болды. Клиенттеріміз — астық, мұнай, металл сияқты шикізат тауарларын саудалайтын компаниялар. Былайша айтқанда, олар тауардың өзін емес, сол активтермен қамтамасыз етілген бағалы қағаздарды сатып алады. Біз олар үшін тарихи және синтетикалық деректерге сүйене отырып, мәмілелердің тәуекелін бағалайтын модельдер әзірледік.
— Клиенттерді қалай табасыздар? Банктер әдетте жаңа технологияларға сақтықпен қарайды ғой.
— Иә, банктік салада ешкім тәуекелге баруды ұнатпайды, сондықтан алғашқы екі жыл қиын болды. Жігіттер Тәжікстан банктеріне алғаш рет скоринг пен машиналық оқыту жайлы айтып бастағанда, олардың реакциясы шамамен мынадай еді: «AI? Скоринг? Не айтып тұрсыздар өзі? Өтінеміз, кетіңіздерші» дейтін.
Алғашқы екі клиентпен келісімге келу үшін бірнеше ай бойы келіссөздер жүргіздік. Бірақ жарты жылдан соң олар нақты нәтижелерді: несие портфелі өсіп, тәуекелдер азайғанын көргенде, бізге деген көзқарасы өзгерді. Өніміміз өңірде тез тарай бастады.
Алғашқы жетістіктен кейін біз жаңа клиенттермен жұмыс істеудің ашық әрі түсінікті тәсілін қалыптастырдық. Қазір ешкімді презентациямен иландыруға тырыспаймыз, бәрін іс жүзінде тексеруді ұсынамыз. Біз оларға: «Біздің сөзімізге сенбеңіздер. Одан да сіздердің тарихи деректеріңізде тест жасап көрейік. Қазір сіздерде дефолт деңгейі (несие қайтарылмау үлесі) 7%. Біздің алгоритм оны 30%-ға төмендететініне кепілдік береміз» дейміз. Банк бізге бұрынғы, яғни қай клиенттің несиені қайтарғаны немесе қайтармағаны белгілі ескі өтінімдерді жібереді. Біз оларды өз моделіміз арқылы өткізіп, болжамдарды нақты нәтижелермен салыстырамыз. Тесттен кейін банктер өз көзімен болжамдардың қаншалықты дәлірек болғанын көреді де, бізбен жұмыс істеу-істемеу туралы шешім қабылдайды.
— zypl.ai қалай табыс табады?
— Біздің үш негізгі монетизация форматы бар.
Біріншісі — сұраныс бойынша төлем. Жүйеге несиеге өтінім түскен сайын, біз оны өңдейміз және әрбір өтінім үшін белгіленген ақы аламыз. Баға портфель көлеміне байланысты: өтінім көп болған сайын, бір өтінімге шаққандағы құны төмендейді.
Екіншісі — тұрақты жазылым. Қаржы ұйымы ай сайын немесе жыл сайын белгілі бір соманы төлейді, ал өтінімдер санына шектеу қойылмайды. Баға клиенттің көлеміне қарай өзгереді: шағын компаниялар үшін бюджетке түсетін салмақты азайту мақсатында жеңілдіктер жасаймыз.
Үшіншісі — success fee-based ( нәтижеге қарай ақы төлеу). Бұл — біз биыл енгізген жаңа модель. Клиент тек операциялық шығындарды өтейді, ал белгілі бір мерзімнен кейін, әдетте жарты жылда бір рет біз нәтижелерді бірге талдаймыз. Егер алдын ала келісілген көрсеткіштерге (KPI) қол жеткізсек, біз үнемделген қаражаттың белгілі бір пайызын аламыз.
«Табыстылық шегіне жетуге аз қалды, жыл соңына дейін шығамыз деп жоспарлап отырмыз»
— Компания қазір табысқа шықты ма, әлде әлі жолда ма?
— Бізде жылдық тұрақты табыс көрсеткіші (ARR) өте жақсы. Табыстылық шегіне жетуге аз қалды, биылғы жылдың соңына дейін немесе келесі жылдың бірінші тоқсанында соған жетеміз деп жоспарлап отырмыз. Тіпті пайда таба бастауымыз да мүмкін.
— Жобаға қанша қаражат салынды? Қаншасы өз ақшаңыз, қаншасы венчурлық қордан?
— Компания әрдайым сыртқы инвестициялар есебінен дамып келеді. Жалпы тартылған қаражат көлемі — шамамен $9,4 миллион. Соңғы $6,3 млн раунд болғанда $40 млн-ға бағаландық, онда негізгі инвестор — еуропалық холдинг Prosus Ventures болды.
— 2025 жылғы раунд қандай мақсатта ашылды?
— Шын айтқанда, Prosus Ventures-пен мәміле жасаған сәтте компанияның есепшоттарында өз қаражатымыз жеткілікті еді, жаңа инвестициясыз-ақ бірнеше жыл бойы жұмыс істей алатындай жағдайда болдық. Тұрақты табыс та бар болатын. Бірақ біз жаңа деңгейге шығу үшін ақшадан да маңызды нәрсе — бедел мен байланыс керек екенін түсіндік. Әлеуетті серіктестермен сөйлесіп, инвесторларың арасында Prosus Ventures бар екенін айтсаң, олардың реакциясы бірден өзгереді. Олар мұндай стартаптың жай компания емес, сенімді әрі ірі ойыншы екенін түсінеді.
Дегенмен, қаржы кәдеге асты, екі негізгі бағытқа жұмсалды. Біріншісі — экспансия. Ол үшін мықты сату және серіктес командалар қажет. Бұған дейін сатумен топ-менеджерлер мен өнім командасы айналысты, ал басқаруды Азизжон, мен, біздің стратегия жөніндегі вице-президентіміз Михир Моди және операциялық директор өз мойнына алғанбыз. Әрқайсымыз бірнеше бағытты қадағаладық. Азизжон мен Михир халықаралық және ірі келісімдерге назар аударды, мен барлық өңірлердегі өнім бағытын командамен бірге жүргіздім. Қазір біз бірінші бизнес-даму жөніндегі вице-президентті (VP of Business Development) жалдадық, ол әлемнің түрлі елдеріндегі кредиттік бюроларда үлкен тәжірибесі бар маман. Енді оның айналасына толыққанды халықаралық сату командасын құрып жатырмыз.
Екіншісі — R&D, ғылыми-зерттеу және тәжірибе жұмыстары. Бізде жоғары деңгейлі техникалық сараптаманы қажет ететін бірнеше технологиялық идея бар. Мұндай бағыттарды жергілікті мамандардың күшімен іске асыру мүмкін емес, өйткені ондай инженерлер аз әрі еңбекақысы жоғары.
— Компанияның жақын уақыттағы жоспары қандай?
— Масштабты ұлғайтып, өнімді дамытамыз. Жасанды интеллекттің жаңа модельдерін енгізіп, кепілдендірілген несиелеу сияқты іргелес бағыттарды да игереміз.
Қысқа мерзімде басты назар — инвестиция тарту. 2026 жылдың бірінші жартысында Series A раундын аяқтауды жоспарлап отырмыз. Ұзақ мерзімде IPO-ға шығу мүмкіндігін қарастырып жатырмыз. Бірақ қазір негізгі басымдық — өсу, жаңа өнімдерді іске қосу және басты нарықтардағы позициямызды нығайту.