Преодоление фрагментации данных и ограничений ИИ в прибыльности транзакций

На специальной сессии FF News Virtual Arena отраслевые специалисты собрались, чтобы обсудить критическое узкое место в банковских операциях: как фрагментация данных и устаревшая архитектура напрямую приводят к потере прибыльности финансовыми учреждениями в рамках транзакционных потоков.

В дискуссии приняли участие:

• Иэн Хорн, ведущий FF News

• Мария Комиссарова, руководитель направления данных и ИИ в розничном бизнесе Raiffeisen Bank International

• Брено Алвес Де Оливейра, директор по продуктам PAYABL

• Кирилл Лисицын, сооснователь и генеральный директор Torus

Участники панели изучили скрытые операционные расходы, связанные с невостребованными массивами данных, ограничения недетерминированного искусственного интеллекта, а также стратегии, которые финансовые учреждения должны применять для преобразования необработанных данных в ключевую основу для выживания на рынке.

Корень утечки прибыли: устаревшие системы и препятствия структурированных данных

Для многолетних финансовых учреждений, таких как Raiffeisen Bank International, устаревшая инфраструктура является главным внутренним барьером для оптимизации. Мария Комиссарова пояснила, что ключевая проблема, из-за которой банки теряют прибыльность в транзакционных потоках, — это по сути проблема данных.

Поскольку исторические банковские приложения функционируют в изолированных хранилищах, сбор и структурирование корпоративных транзакционных данных в прозрачном и организованном формате крайне затруднены. Без структурированной основы точный расчёт рентабельности отдельной финансовой транзакции практически невозможен.

Эта проблема обусловлена историческим управлением данными и отсутствием внедрения современных архитектурных подходов. Передовые организационные парадигмы, такие как концепция «data mesh», появились на рынке, однако по-прежнему слабо распространены в крупных банковских организациях.

По мере того как мировой финансовый сектор переживает масштабные ИИ-преобразования в области верификации KYC и обработки транзакций, решение проблемы уровня данных перестало быть роскошью. Создание чистой основы данных превратилось в абсолютное требование для долгосрочного корпоративного выживания.

Скрытая сетка затрат при массовом сборе данных

Распространённая ошибка устаревших учреждений — предположение о том, что сбор больших объёмов данных автоматически приводит к более высокой бизнес-ценности. Пять-семь лет назад традиционные отраслевые стратегии были сосредоточены на сборе как можно большего числа разнообразных точек данных, в том числе на загрузке данных из социальных сетей на корпоративные серверы.

Современная транзакционная экосистема переросла это мышление. Финансовые учреждения обнаруживают, что простое хранение и поддержание огромных массивов неструктурированной информации влечёт за собой колоссальные расходы на серверы и инженерию данных.

«Такой объём данных, большой объём данных для их сбора и хранения — это довольно затратно, и если вы не используете их, вы начинаете проигрывать в этой ценовой игре…»

Когда компания несёт высокие операционные расходы на хранение данных, не извлекая из них коммерческой ценности, она отстаёт в конкурентной ценовой игре. Она не может предлагать оптимальные тарифы своим торговым партнёрам, поскольку базовые расходы на инфраструктуру искусственно завышены.

Как подчеркнул Кирилл Лисицын, современная стратегия работы с данными должна в первую очередь быть сосредоточена на извлечении реальной ценности из существующих активов данных. Лишь после того, как определён конкретный бизнес-кейс, учреждению следует инвестировать капитал в приобретение дополнительных потоков данных, избегая тем самым ненужных операционных сложностей и накопления затрат.

Ловушка недетерминизма: почему LLM не могут исправить плохие данные

По мере того как учреждения работают над объединением устаревших систем, использующих совершенно разные языки программирования и нестандартизированные форматы данных, многие обращаются к искусственному интеллекту и большим языковым моделям (LLM) для автоматизации преобразования кода и данных. Брено Алвес Де Оливейра отметил, что финтехи умело справляются со сложными данными и реорганизуют их в легко воспринимаемые форматы — этот процесс значительно ускоряется с помощью инструментов ИИ.

Однако Комиссарова выразила серьёзное техническое предостережение относительно чрезмерной зависимости от генеративных алгоритмов для ключевой транзакционной инфраструктуры. LLM по своей природе недетерминированы: их результаты основаны на вероятностях, а не на абсолютных значениях, что подвергает их системному риску алгоритмических галлюцинаций.

В транзакционном мире, где ошибки напрямую влияют на финансовые книги, снижение точности ниже абсолютного уровня недопустимо. Передача неточных или неструктурированных данных в LLM значительно повышает вероятность получения неверных расчётов, что может обойтись финансовым учреждениям в миллионы долларов.

Участники панели согласились, что не существует универсального технологического решения; компании не могут просто загружать неорганизованные наборы данных в генеративную модель и ожидать безупречной бизнес-логики. Создание надёжного уровня данных требует дисциплинированных вложений времени и капитала, а также квалифицированных внутренних специалистов, способных правильно выстроить конвейер данных.

Баланс уравнения: детерминированное гибридное ядро

Чтобы безопасно использовать скорость современного ИИ, не жертвуя абсолютной финансовой точностью, участники панели предложили гибридную структурную архитектуру. Эта модель сочетает детерминированные механизмы обработки с гибкими языковыми интерфейсами для упрощения рабочего процесса конечного пользователя:

• Детерминированная основа: Базовый уровень данных должен оставаться строго детерминированным. Специализированные интеллектуальные платформы, такие как Torus, намеренно выстраивают свою серверную логику с акцентом на полную математическую точность, а не на модель «80% вероятности», обеспечивая идеальное согласование схемных комиссий и записей транзакций.

• Интерфейс диалогового взаимодействия: После установления базового уровня проверенной целостности данных учреждения могут надстроить LLM поверх него для интерпретации данных, упрощая взаимодействие с пользователями и ускоряя аналитические задачи.

Эта структурированная основа позволяет учреждениям использовать такие концепции, как озёра данных, для формулировки и тестирования коммерческих гипотез. Исторически выявление тенденции обработки или оценка переменной ценообразования требовали масштабных запросов к базам данных вручную.

С единым гибридным ядром продуктовые команды могут быстро тестировать гипотезы для оценки вероятности их успеха. В конечном счёте эта структура позволяет банкам одновременно анализировать внутреннюю статистику, конкурентную среду и макроэкономические рыночные изменения. Такой подход, основанный на данных, направляет целевые корректировки в конверсионных потоках, маршрутизации транзакций и пользовательском опыте, превращая необходимые капиталовложения в предсказуемые драйверы корпоративной прибыльности.

Ключевые тезисы панели Virtual Arena:

• Узкое место в структуре данных: Сбор данных из устаревших систем, использующих разные форматы, делает точное отслеживание рентабельности транзакций крайне сложным.

• Высокая стоимость стагнации данных: Хранение больших объёмов данных без чётких сценариев использования раздувает операционные накладные расходы, снижая конкурентоспособность банков в ценообразовании для торговых партнёров.

• Ценность важнее объёма: Современная интеллектуальная обработка данных ставит во главу угла максимальное использование существующих активов, прежде чем приобретать внешние потоки данных.

• Опасность недетерминированного ИИ: Поскольку генеративные модели ИИ основаны на вероятностях, их применение к неструктурированным базовым данным создаёт риск ошибок в финансовых расчётах.

• Схема гибридной системы: Успешные архитектуры сочетают 100% точный детерминированный уровень данных с диалоговыми инструментами LLM поверх него для интерпретации пользователями.

• Инновации на основе гипотез: Переработка базовых структур данных позволяет командам быстро валидировать изменения в обработке, снижая риски капиталовложений.

Материал «Преодоление фрагментации данных и ограничений ИИ в прибыльности транзакций» впервые опубликован на FF News | Fintech Finance.