Как InfinBANK строит собственные AI-решения: от дата-центра до голографического ассистента

Сервер Абдураимов и Азиз Сияев из команды InfinBANK рассказали нам, как они строят собственные ИИ-решения вместо того, чтобы полагаться на сторонние платформы — от собственного дата-центра и систем оценки клиентов до Telegram-бота и даже голографического ассистента в отделении.

Что изменилось

После обновления модели оценки клиентов точность прогнозов выросла на 10%, при этом скорость обработки заявок увеличилась — система лучше анализирует данные и принимает решения. Это значит, что клиенты получают быстрый ответ на свои запросы, а банк работает эффективнее.

ЦОД построен на гиперконвергентной платформе, что обеспечивает независимость и масштабируемость: все узлы и каналы продублированы, система выдерживает пиковые нагрузки без простоев. Наш Telegram-бот и виртуальный ассистент обслуживают пользователей на узбекском и русском 24/7, постепенно сокращая нагрузку на операторов. А в отделениях голографический аватар помогает посетителям ориентироваться и получать информацию о банковских услугах.

Зачем мы строили всё сами?

В типичном банке региона оценку клиентов делают через сторонние сервисы, основные системы работают на устаревших платформах, а чат-боты используют внешние решения. У таких подходов три проблемы:

Данные утекают. Это чувствительные сведения о клиентах, и передача их внешним провайдерам создаёт риски для безопасности и соответствия регуляторным требованиям.

Нет контроля над технологией. Модель — чёрный ящик, её сложно адаптировать под локальный контекст. А когда платформа внезапно поднимает цены, вы становитесь заложником ситуации.

Сложно масштабировать. Арендуемые ЦОДы и облака в Узбекистане ограничены: задержки большие, закупка новых мощностей занимает месяцы.

Мы решили «собрать» свой банк заново: построить ЦОД, разработать собственные системы оценки, написать микросервисную архитектуру и чат-бот с нуля. Это оказалось дороже и сложнее в начале, но дало полный контроль над данными, архитектурой и продуктом.

Почему собственный ЦОД, а не аренда?

Для создания собственного ЦОД банк привлек специализированные компании, обладающие экспертизой. Проектирование, монтаж и пуско-наладка выполнялись с участием технических партнеров и вендоров решений, которые обеспечили соответствие международным стандартам по надёжности и энергоэффективности.

Первый вопрос, который возникает: зачем строить свой дата-центр, если можно арендовать мощности?

Во-первых, это независимость. Банк самостоятельно управляет вычислительными ресурсами и не зависит от подрядчика. Во-вторых, требования по хранению персональных данных клиентов. В-третьих, вопрос экспертизы: банк стремится к тому, чтобы знания оставались внутри команды.

Да, строительство ЦОД требует значительных инвестиций на старте. Но в долгосрочной перспективе аренда выходит дороже, а собственная инфраструктура остаётся в активах банка.

Как устроен ЦОД

Мы подошли к ЦОД не как к «комнате с серверами», а как к инженерной платформе, от которой зависит устойчивость всех банковских сервисов.

Гиперконвергенция. Вычислительные ресурсы, хранение данных и виртуализация объединены в единую систему управления. Это упрощает масштабирование — новые узлы добавляются без простоев и узких мест. Всей инфраструктурой можно управлять через один интерфейс, как единым организмом.

Отказоустойчивость. Все узлы продублированы: если один выходит из строя, система автоматически перераспределяет нагрузку на другие. Питание и охлаждение построены с резервированием — есть запасные контуры на случай сбоя. Мониторинг непрерывно измеряет температуру, влажность и энергопотребление.

Хранение данных. Данные размещаются в распределённой системе хранения, где вычислительные и сторейдж-ресурсы объединены. С ростом числа серверов увеличивается общая производительность и устойчивость. Система автоматически создаёт копии данных и распределяет нагрузку между серверными нодами хранения. Ключевые сервисы и базы данных реплицируются между площадками банка — репликация обеспечивает доступность данных даже при сбоях одной из площадок.

Все сетевые, вычислительные и инженерные метрики отображаются на единой панели. На их основе строятся прогнозы нагрузки и сценарии реакции — система не просто выдерживает сбои, но и предотвращает их заранее.

Как работает обработка заявок клиентов

Когда мы переписывали систему обработки заявок, важно было не просто ускорить процесс, но и обеспечить безопасность на каждом этапе.

Как клиент отправляет заявку. Клиент может подать заявку из мобильного приложения, интернет-банка, банкомата, POS-терминала или через партнёрский API. Все запросы попадают в зону приёма трафика, где данные шифруются, а балансировщики распределяют нагрузку между серверами и проверяют каждый запрос.

Обработка внутри банка. Трафик направляется в виртуализированную среду, где работают банковские сервисы: автоматизированная банковская система, CRM, системы обработки заявок. Каждый сервис развёрнут на отдельном кластере, чтобы обновления или ошибки не влияли друг на друга.

Цепочка микросервисов. Упрощённо систему можно представить так:

1.  Сервис приёма принимает и проверяет заявку.

2.  Сервис верификации запрашивает необходимые данные из внешних источников.

3.  Сервис оценки вызывает ML-модели для анализа.

4.  Сервис расчётов определяет параметры услуги.

5.  Сервисы документов формируют необходимые документы и подтверждают их через OTP.

6.  Сервис исполнения завершает операцию.

Для обмена данными между микросервисами используется брокеры сообщений, что обеспечивает надёжную коммуникацию. Масштабирование достигается просто: добавили больше серверных мощностей — получили больше пропускной способности.

Защита от сбоев. При сбоях внешних систем работает механизм защиты: сервис временно прекращает обращения к недоступному провайдеру и ставит заявки в очередь, чтобы не остановить всю систему. Такой механизм реализован по принципу «circuit breaker pattern», что позволяет локализовать сбой и не перегружать зависимые сервисы. На каждом этапе работает мониторинг, который анализирует потоки данных в реальном времени и помогает обнаруживать аномалии и перегрузки.

Как работает система оценки клиентов

Мы строим оценку на кредитной истории так и на альтернативных данных: транзакции, поступления, динамика баланса, анкетные данные.

Принцип объяснимости. Для нас ключевой принцип — прозрачность решений. Вместо «чёрных ящиков» мы используем интерпретируемые модели, такие как логистическая регрессия. Они позволяют не только делать прогнозы, но и объяснять вклад каждого признака в итоговое решение.

Непрерывный цикл. Модельный цикл у нас не останавливается. Мы постоянно анализируем распределение признаков и метрики качества. Если какая-то характеристика перестаёт быть информативной — например, потому что изменились потребительские привычки или экономическая ситуация, — она уходит из модели, а вместо неё добавляются новые факторы.

Что мы отслеживаем. Мы мониторим бизнес-метрики: точность прогнозов, пропускную способность, различные временные интервалы. И технические метрики: показатели качества разделения клиентов, долю ошибок, стабильность распределения данных.

Как обновляется модель. Когда производительность падает, модель проходит переобучение. Процесс выглядит так:

1.  Новая версия сначала работает в фоновом режиме, обрабатывая заявки, но не влияя на решение.

2.  Затем на неё переводят небольшую долю заявок — это A/B-тест.

3.  Мы сравниваем показатели качества работы.

4.  Если всё в порядке, модель выходит в продакшн. Если нет — возвращается на доработку.

Такой подход обеспечивает баланс между скоростью обработки заявок и качеством принимаемых решений.

Как новые факторы улучшили точность на 10%

В одном из обновлений мы обнаружили, что прежняя модель стала хуже анализировать клиентов. Клиенты изменились, их поведение стало другим, а модель продолжала оценивать их по старым критериям.

Мы пересмотрели факторы: исключили устаревшие и добавили новые, относящиеся к актуальному поведению клиентов. Результат: точность прогнозов выросла на 10%, а пропускная способность увеличилась.

Другими словами, новая модель лучше понимает клиентов и их потребности. Это позволяет обрабатывать больше заявок с более высоким качеством — выигрывают и клиенты, и банк.

Что с AI-ассистентами

Мы принципиально не используем генеративный ИИ в системах оценки, потому что не хотим доверять важные решения «чёрному ящику». Зато используем его в сервисах, где важна естественность общения.

Голографический ассистент в отделении. Наш AI-аватар — это голографический виртуальный сотрудник, который встречает вас в отделении. Он «видит» клиента благодаря моделям компьютерного зрения, «слышит» и понимает речь, а говорит естественным голосом.

Ответ формируется через специальную архитектуру: сначала система преобразует вопрос клиента, затем ищет информацию во внутренней базе знаний и только потом генерирует текст. Для генерации мы используем открытые модели вроде Gemma и Llama, переобучая их под наши задачи. Прежде чем выдать ответ, проверяем его на отсутствие галлюцинаций, после чего синтезируем речь и анимацию.

Telegram-бот. Такой же «мозг» стоит за нашим Telegram-ботом: он доступен 24/7, поддерживает узбекский и русский языки и помогает подобрать услугу или ответить на вопрос клиента.

Аналитика обращений. Помимо общения, мы анализируем сами обращения. Мы собираем данные из чат-платформы, где клиенты общаются с операторами, и при помощи ML-моделей находим тренды: какие темы волнуют клиентов, по каким услугам возникают вопросы, где есть проблемы. Это позволяет оперативно реагировать на запросы пользователей и улучшать сервисы.

Что мы поняли на собственном опыте

Стройте то, что даёт конкурентное преимущество. Ключевые вещи — системы оценки, микросервисы, чат-бот — мы разрабатываем сами. Так мы можем адаптироваться к местному рынку и не зависеть от внешних поставщиков.

Фокус на данных, а не только на модели. Очистка данных, настройка процессов и мониторинг дают отличные результаты, нежели расчет только на работу сложных алгоритмов.

Для нас искусственный интеллект — это не замена людям, а инструмент, который делает банк ближе к клиенту. Мы строим технологии, чтобы общение с банком было таким же естественным, как разговор с человеком.

Если вы хотите глубже погрузиться в ML в продакшн, микросервисы или построение собственных AI-ассистентов на узбекском языке, задавайте вопросы в комментариях. Надеемся, наш опыт будет вам полезен.