Как лидеры рынка осваивают AI-тренд уже сегодня: резюме BY DATA CONF 2025

Сегодня во многих компаниях обсуждают ценность данных и всемогущество искусственного интеллекта. Но одно дело — говорить о перспективах, и совсем другое — выстраивать на практике процессы, которые превращают данные и AI в реальный актив. Настоящая AI-трансформация — это не игра с промптами, а серьёзные изменения и немалые усилия. Для того чтобы искусственный интеллект действительно стал частью ДНК компании, необходимо перестраивать внутренние процессы, развивать инфраструктуру, обеспечивать качество и безопасность данных и постоянно тестировать AI-решения в различных бизнес-сценариях.

18 сентября в Минске прошла кейс‑конференция BY DATA, посвященная практическим аспектам работы с данными и внедрения искусственного интеллекта. В мероприятии приняло участие 280 человек.

На конференции выступили практики из А1, Альфа Банк, Белгазпромбанк, Купер, МТС, Т2 Мобайл, Х5 Group и других компаний, которые рассказали о своем пути трансформации — от стратегии до конкретных бизнес-кейсов.

Подробнее некоторые выступления описаны в этой статье.

Стратегия и инфраструктура работы с AI и данными

В первой части конференции участники ознакомились с фундаментальными темами, которые составляют основу для построения data-driven подхода в компании и старта AI-трансформации.

AI-трансформация и мультиагентное будущее в Альфа-Банк

Руководитель Группы развития среды машинного обучения Олег Гичан и

руководитель Группы машинного обучения и искусственного интеллекта Альберт Чуев рассказали на конференции о том, какие инструменты Альфа Банк использует для AI-трансформации и каким видит будущее бизнеса.

В технологическом развитии Альфа Банк руководствуется концепцией Native AI, которая подразумевает, что каждый клиент и сотрудник ежедневно взаимодействует с сервисами на базе искусственного интеллекта.

Путь Альфа Банк в этом направлении начался с внедрения ML‑моделей. К настоящему моменту IT-команда разработала множество решений — от системы распознавания кодировок валютных платежей до платформы, которая анализирует обратную связь клиентов. Следующим этапом развития в сторону Native AI стала разработка генеративных решений: AI‑чат‑бота для поддержки клиентов и внутреннего ассистента для сотрудников. Оба инструмента работают на собственной инфраструктуре с RAG‑системой и векторной базой знаний.

В будущем банк планирует расширять список ассистентов, которые будут закрывать рутинные задачи как сотрудников, так и клиентов, высвобождая время для более важных дел.

Для того чтобы все решения и инструменты работали корректно и максимально эффективно, банк построил собственную AIOps-платформу. АльТ.AI интегрирована в производственную систему, гарантируя отказоустойчивость и стабильную работу AI‑решений для клиентов и внутренних сервисов.

Путь к in-house ML-платформе. Тернистый ли он?

Более детально опытом построения ML-платформы поделился тимлид MLOps-команды Купер Юрий Классен.

Онлайн-сервис доставки из магазинов и ресторанов «Купер» принял стратегическое решение разрабатывать собственную ML‑платформу, отказавшись от готовых предложений. Такой выбор был продиктован желанием сохранить полный контроль над данными и встроить новый функционал в уже существующие бизнес‑процессы. Также весомым поводом для собственного решения стала возможность развивать платформу поэтапно, добавляя необходимые элементы тогда, когда они действительно нужны командам.

Разработка заняла почти два года и потребовала нескольких переездов со старых решений, но результат оправдал усилия: единая система с двумя точками входа, которая упрощает работу с ML даже для новичков, продолжает развиваться и уже сегодня позволяет командам быстрее создавать, тестировать и внедрять модели. Платформа дала компании контроль над всеми ML‑проектами, усилила информационную безопасность и обеспечила более эффективное использование как вычислительных, так и человеческих ресурсов.

Качество данных как основа доверия

Для эффективного функционирования алгоритмов машинного обучения, точности и надежности аналитических выводов необходимо обеспечить высокий уровень доверия к качеству данных. Руководитель Офиса данных Белгазпромбанка Снежана Осипик в своем выступлении рассказала участникам конференции, как банк повысил надежность данных в корпоративном хранилище данных (КХД).

«Качество данных как здоровье — о нем вспоминают только тогда, когда возникают проблемы. Некачественные и устаревшие данные могут привести к значительным финансовым потерям, и чем раньше ошибка будет обнаружена, тем меньше будут последствия для бизнеса» — отметила спикер.

Белгазпромбанк внедрил КХД уже давно, но по мере развития хранилища, реализации дашбордов и других аналитических проектов возникла необходимость повышать и поддерживать качество данных. Ошибки возникали как на стороне систем-источников, так и на стороне КХД. Сбои и неточности вызывали вопросы бизнес-заказчиков и снижали доверие к данным.

Для того чтобы решить эти проблемы, Белгазпромбанк внедрил процесс обеспечения качества данных, придерживаясь парадигмы, что все данные некачественные, пока не доказано обратное. Банк разработал собственный инструмент авто-тестирования, который позволил специалистам по качеству данных ежедневно проводить мониторинг тестов и разбор инцидентов, чтобы формулировать требования на исправление данных или доработки систем.

Такой подход позволил повысить доверие к данным, быстрее находить и устранять ошибки, а также упростил разработку дашбордов, сделав аналитику более надежной и прозрачной.

Как сохранить аналитическую ценность персональных данных

Но качество данных — это не только достоверность. Сегодня, в контексте принятия закона «О защите персональных данных», в это понятие можно включить и аналитическую пригодность. Теперь, когда организация работает с внешним подрядчиком, закон требует, чтобы он стал оператором персональных данных. Юридически — это очень трудоемкий процесс, поэтому многие компании предпочитают обезличивать данные с сохранением их аналитической ценности.

Об эффективных методах обезличивания данных и кейсах их использования на конференции рассказал Евгений Шишков, заместитель директора по продажам и маркетингу, Invento Labs.

Выбор метода всегда должен опираться на конкретные цели и этапы проекта. Например, агрегация и генерализация снижают точность, но обеспечивает высокую степень конфиденциальности. Шум применяют на этапе тестирования функционала системы, а псевдонимизацию на любом уровне — от разработки до эксплуатации. Причем подход сохраняет полную аналитическую ценность и позволяет восстановить исходные данные с помощью ключа.

Кроме того, важно понимать, что обезличивание — это не разовая задача, а часть системного подхода к работе с данными, особенно если компания рассматривает их как стратегический актив и внедряет практики Data Management. При таком подходе выработанные механизмы можно тиражировать на разные процессы и системы, создавая непрерывный цикл внедрения новых решений без задержек для команды и подрядчиков.

Суверенный AI: быстрее, качественнее, безопаснее

Об ухудшении качества данных, рисках утечек чувствительной информации при работе со сторонними AI-платформами и альтернативном решении рассказал Дмитрий Баровик, заместитель директора Центра банковских технологий.

Обращение к зарубежным сервисам приводит к потере контроля над данными, снижению их качества и точности, а также замедлению работы из-за ожидания ответов от API. Для устранения этих проблем на базе Центра банковских технологий по инициативе Национального банка Республики Беларусь создан Центр искусственного интеллекта. Он разрабатывает суверенную AI-платформу, используя собственное серверное оборудование и большие языковые модели. Благодаря универсальным коннекторам платформа позволяет компаниям легко интегрировать существующие системы, базы данных и ML-модели любых поставщиков. Платформа может выполнять как аналитические задачи, так и действовать как виртуальный помощник, взаимодействуя с почтой и документами.

AI, остающийся внутри корпоративного контура, обеспечивает более высокую скорость работы, безопасность и качество данных с учетом бизнес-контекста организации.

Практические кейсы применения AI

Во втором блоке программы BY DATA CONF участники услышали реальные примеры того, какие AI-инструменты действительно работают и какой результат уже принесли бизнесу.

Внедрение AI-аналитики разговоров в контакт-центре А1

Компания А1 разработала собственное AI-решение для аналитики разговоров в контакт-центре, которое позволяет анализировать 99% звонков абонентов вместо привычных 5%. Об этом участникам BY DATA CONF рассказал Павел Беленький, начальник Управления обслуживания клиентов, А1.

Система анализирует каждое взаимодействие клиента с оператором: проверяет соблюдение скрипта, определяет тему обращения и выявляет корневую причину. Используя большие объемы данных, она позволяет заметить отклонения в работе отдельных сотрудников и выявить общие тренды. Также решение освобождает руководителей от прослушивания длинных записей: теперь, чтобы понять суть проблемы, достаточно прочесть краткое резюме разговора. Такой подход ускорил анализ звонков в несколько раз.

Какой результат получил бизнес? Система повысила эффективность контакт-центра и качество обслуживания клиентов. За счёт автоматической проверки и последующей работы с операторами, количество предложений дополнительных услуг выросло в два раза, а процент удержания клиентов увеличился с 77% до 84%. Кроме того, решение позволило выявлять тренды в запросах абонентов и действовать проактивно, чтобы разгрузить колл-центр.

AI/ML в процессах и продуктах МТС

Ведущий инженер-программист отдела анализа качества и телеком-разработок МТС Алексей Алдошин презентовал на конференции AI/ML-проекты, которые решают не только задачи компании, но и будут полезны рынку.

Один из таких проектов — виртуальный помощник «Мия», который может подключать или отключать услуги, менять тарифные планы, консультировать по движению средств, сверять данные в биллинговой системе. Сейчас виртуальный помощник покрывает более 50 сценариев, что значительно снижает нагрузку на операторов и ускоряет обслуживание клиентов.

Также МТС применила AI в системе таргетинговой СМС-рассылки. Инструмент анализирует каждое сообщение перед отправкой с точностью распознавания более 97% и автоматически блокирует СМС на запрещенные темы. Решение освобождает сотрудников от рутинной работы и сокращает время проверки контента с часов до 4 секунд.

Еще одним примером стало внедрение AI в ПО «Окно оператора». Инструмент в реальном времени анализирует метрики качества связи и формирует выводы для специалистов первой линии. Благодаря ему количество устных запросов к техническим службам снизилось на 70%, а среднее время ответа клиенту сократилось на 60%.

Кроме того, спикер рассказал о разработке нового продукта на базе решения «Hot office». Инструмент поможет определять прибыльные локации для открытия точек продаж, используя карты покрытия, трафика и маркетинговые данные. Модель прогнозирует потенциальную выручку и количество подключений с высокой точностью (R² > 0,7).

Новая парадигма автоматизации: от крупных систем к точечным решениям

Эксперты компании «Международный деловой альянс» — заместитель начальника отдела Юрий Миронов и начальник отдела разработки высоконагруженных систем Андрей Гончаренко — отметили, что спрос на рынке меняется: вместо тяжелых корпоративных систем компании всё чаще ищут «маленькие умные коробочки» — компактные интеллектуальные инструменты, которые можно быстро внедрить под конкретную задачу. Но чтобы такие решения работали эффективно, необходимо подготовить данные для искусственного интеллекта.

На примере платформы Darium спикеры показали, как подход AI-Ready Data позволяет за считанные недели запускать прикладные сценарии. Платформа с модульной архитектурой помогает компаниям организовать качественное хранилище данных и на его основе внедрять AI-инструменты.

Среди кейсов, уже опробованных на практике:

• автоматизация HR-процессов: система может обрабатывать тысячи резюме, формировать выборки под конкретные запросы («нужны специалисты с опытом X и навыками Y») и оперативно поднимать подходящие CV в момент массового найма;
• обработка входящих запросов от клиентов: платформа помогает выявить ключевые потребности и автоматически проверять доступность специалистов под запрос, а также прогнозировать их загрузку, чтобы оценить возможность воплощения проекта;
• управление знаниями: Darium позволяет создать базу знаний, которая служит «единой точкой правды» для корпоративных документов и маркетинговых материалов, что облегчает доступ сотрудников к информации.

Эти примеры демонстрируют, что малые и прикладные кейсы на базе AI-агентов дают быстрый результат и при этом могут масштабироваться на другие задачи, где поиск и использование информации играют ключевую роль.

Насколько эффективен AI в разработке?

О кейсах применения AI в разработке рассказали представители компании «ИКСПЭЙ» — директор Виктор Каленкович и Product Owner Андрей Пиневич.

Компания стремилась повысить качество и ускорить ревью кода и генерации test case с минимальными рисками для безопасности. Именно поэтому ИКСПЭЙ предпочла разработать собственные решения — AIst‑CodeReviewer и AIst‑TestWriter.

AIst‑CodeReviewer проводит глубокий анализ кода на соответствие стандартам оформления и принципам SOLID, а также при необходимости улучшает безопасность, производительность, архитектуру проекта и предлагает более оптимальные варианты кода. И все это за одну-две минуты. AIst‑TestWriter генерирует все основные виды сценариев тестирования — API‑тесты, UI‑тесты, e2e‑тесты — и создает отчеты, что ускоряет работу тестировщиков и помогает бизнес‑аналитикам формировать качественные входные данные.

Однако это еще не финальные версии продуктов — специалисты ИКСПЭЙ еще дорабатывают проверку соответствия кода бизнес‑контексту и оптимизируют настройку решений под разные команды и технологии. Несмотря на это, бизнес уже получил значимые результаты: время лидов разработки на ревью кода сократилось в 10 раз, время жизни pull‑request — в 2 раза, подготовка тест‑кейсов — в 2 раза, а контроль качества кода стал комплексным и централизованным, что снизило количество ошибок и ускорило поставку фич.

Исследования и анализ данных

В завершающем блоке программы BY DATA CONF спикеры рассказали об инновациях в анализе данных, перспективных подходах и ошибках в исследованиях.

Графовые подходы: вызовы и перспективы

Руководитель департамента машинного обучения и искусственного интеллекта Т2 Мобайл Алексей Глотов рассказал о возможностях графовых подходов.

Графы — это способ представления данных, который применяют в тех случаях, когда связи между объектами важнее, чем их характеристики. На практике к графовым методам прибегают для построения эмбеддингов, которые становятся новой витриной признаков и используются в кредитном и антифрод‐скоринге, рекламе, лидогенерации и геоанализе. Кроме того, графы можно применять в MLOps процессах для анализа связей между признаками в Feature Store, а также при построении lineage‑графов, позволяющих быстро выявлять влияние инцидентов на модели.

Главные преимущества этого метода — более информативное представление данных и возможность находить скрытые закономерности. Однако графы с точки зрения хранения и вычислений значительно более дорогие. На практике более 90% задач можно решать более простыми моделями, а графы использовать для извлечения дополнительной, более сложной информации или для обработки специфичных данных (графы знаний, материаловедение, биоинформатика и пр.).

LLM поверх SQL: что работает в проде, а что нет. И как сделать, чтобы заработало

Алексей Чернобровов, консультант по Data Science, рассказал, как построить систему LLM‑аналитики поверх SQL, чтобы она могла давать быстрые и корректные ответы на типовые бизнес‑вопросы.

Главная идея — максимально упростить контекст для модели: выделить узкий домен (например, CRM), собрать список самых популярных запросов и подготовить несколько плоских таблиц вместо сложных схем с JOIN. Такой подход резко снижает вероятность ошибок и поднимает качество ответов LLM с ~77,5% до уровня, сопоставимого с аналитиками — около 93%.

Дальнейшие шаги включают продуманное построение промтов: добавление примеров реальных SQL‑запросов, описание диалекта конкретной базы данных, использование говорящих названий колонок и документации. Кроме того, важно настроить самопроверку — LLM должна сверять свой результат с ответом базы и при необходимости перегенерировать запрос. В итоге, при аккуратной архитектуре и пошаговом внедрении, можно увеличить точность до 97–98% на отдельных доменах.

Кроме того, участники BY DATA услышали от Дмитрия Кудасова из Х5 Group, как оценивать финансовую эффективность LLM на примере их рекомендательной системы. А также узнали о том, как избежать ошибок в исследованиях и не попасться на манипуляции из выступления Тамары Кулинкович, co-owner Sorokin & Kulinkovich Studio.

Настоящая AI‑трансформация уже стала реальностью в ряде компаний. Выступления на BY DATA CONF подтвердили — про искусственный интеллект сегодня не только говорят, его делают основой развития. AI становится партнером, который ускоряет процессы, снимает рутинную нагрузку и улучшает как клиентский опыт, так и опыт сотрудников. Компании проходят этот путь по-разному: одни разрабатывают платформы и внедряют инструменты самостоятельно, другие опираются на готовые решения, которые предлагают IT-компании.

Практика спикеров показала, что наибольший эффект при минимальных затратах достигается там, где компании начинают с малого: тестируют конкретные сценарии, закрепляют результат и только затем масштабируют AI на всю организацию. Такой пошаговый подход позволяет снизить риски, быстрее увидеть эффект и превратить AI в инструмент устойчивого роста.

Конференцию организовала команда Digital Line. Мероприятие поддержали:

Генеральный партнер: Альфа Банк.

Партнеры: Invento Labs, Международный деловой альянс, Центр банковских технологий, Cotvec.

Официальный звуковой партнер: FONMIX.

Поделиться в социальных сетях: