0: Бигдата мертва. Да, я правильно понимаю, что вообще все идёт к тому, что взаимодействие клиентов с людьми, это, скорее всего, будет какой-то платной опцией. Знаешь, там бывает такое-то кино для вас. Вот я смотрю, ну, не для меня.

1: Ой, и это я не буду. Наверное, 2025 год назван годом агентов. Было бы круто. Какой нейросетью вы чаще всего пользуетесь всем привет, это подкаст МТС и insight. Здесь мы обсуждаем искусственный интеллект в самом широком смысле разработку и

2: Исследования, инвестиции, а также новые профессии. Этот подкаст выходит в аудио видеоформате. И в этом выпуске ведущим буду я. Никита Крайко, руководитель группы поиска МТС иай. И темой нашего выпуска будет технология искусственного интеллекта.

3: В банковской сфере.

4: Хочу рассказать вам о новой традиции. Вы, дорогие слушатели и зрители, можете стать частью этого обсуждения, переходите в комментарии и пишите вопросы к следующему бизнес спикеру с хэштегом инсайд автор лучшего вопроса.

5: Получит фирменный мерч от нашей команды. Со мной сегодня в студии Павел Сварник, исполнительный директор по технологической стратегии МТС банка. Паша, привет, привет. Расскажи, пожалуйста, подробнее о себе. Как ты вообще пришёл в банковскую сферу и как познакомился с искусственным интеллектом в команде?

6: МТС банка. Я 2 года. До этого мой карьерный путь был связан во многом с областью системной интеграции. Системный интегратор это компании проектные, которые реализуют проекты в интересах внешних заказчиков. Мне посчастливилось поработать.

7: Работать с компаниями из различных отраслей, из различных сфер. И проекты тоже были разноплановые, в основном я занимался проектами, связанными с консалтингом, проектами, связанными с внутренним развитием, с трансформа.

8: И, в общем, эта тема мне была близка. Вот. И этот бэкграунд, этот опыт помог мне показывать результат в МТС банке, потому что все, что связано с технологической стратегией, это довольно-таки нетривиально.

9: Интересные по своему амбициозные задачи. Укрупнённое ли говорить про задачи в МТС банке, то я занимаюсь всем, что связано с технологической стратегией, все, что связано с импортозамещением и

10: И все, что связано с искусственным интеллектом, с искусственным интеллектом, как обыватель. Я знаком, наверное, с тех пор, как он стал на слуху у всех. Это, наверное, по моим воспоминаниям, 2000.

11: 15, 2016 год. Ну, видимо, ещё с биг датой, с рассветом и хайпом. Да, да, да. Регатной аналитикой был такой период. И, кажется, уже в 2014 году гартнер сказал, что big data мертва. Угу.

12: Намекая на то, что тренд, который они сами создали, он куда-то там ушёл в туман. И на 1 место вышла, вышла протективная аналитика. Вроде как это там тренд, тренд. Вот, и, наверное, году в 2000

13: Надцатом мне посчастливилось пройти большой курс в вышке по искусственному интеллекту, где вообще рассказали все от печки, про все современные модели, про все, все, все, что было.

14: В тренде. И, в общем то, картинка сложилась. Угу. Ну вот, если так, с высоты, там, текущего опыта, из 2025 года, это все было вокруг Эмеля. Угу. Вот. Если совсем грубо, вот.

15: Никаких там mov не прочего, я понимаю, да, да, но надо сказать, что там параллельно в рамках там профессиональных задач я очень часто сталкивался с темой поддержки принятия решений, но не банковская такая она.

16: Это довольно специализированный отраслевой термин не в этом контексте, а в контексте различных систем, которые помогают принимать решения в компаниях, в организациях. Я сейчас намекаю на какие-то государственные там организации, ну и в различных

17: Других там форматах работы. И тут на самом деле идёт микс из технологий. Это там начиная от бизнес аналитики, системы визуализации и заканчивая экспертными системами, системами

18: Интеллектуальными, там, различными другими системами. То есть это такое прям, ну, что-то такое очень сложное. И, конечно, искусственный интеллект там в том или Ином виде появлялся, но, повторюсь, тогда речь была про, ну, классическое машинное обучение, да, про структурированные

19: Данные и данные числовые, да, да. Вот речь про это была. Угу. Ну, то есть это какие-то задачи кредитного скоринга, наверное. А, нет, не связанные с банком, да, то есть, понял. Тема экспертных систем, она, ну, там, из

20: Сколько она на рынке, наверное, лет 35 40 точно есть. Да, да, да. Я вот сейчас хотел бы сказать то, что, наверное, 2025 год назван годом агентов. И по факту агентная система это новый глоток воздуха для всех этих риск.

21: Менеджмент экспертных систем. Мне кажется, что они могут очень сильно повысить планку всему тому, что было вот разработано за последние 30 лет. Кажется это называется по моему rps и я не ошибаюсь, эрпи это роботизация. Да, да.

22: Этой теме, мне кажется, ну, не 10 лет, но лет 8 точно есть. Угу. И, кажется, она сейчас идёт уже, ну, не то, что к закату она уже стала таким коммодити, что она прям всем известна. Угу. Вот. Если мы говорим про агент,

23: Может быть речь про какое-то там мультиагентное моделирование, не знаю, может, да, да, это да, но как раз вот как бы, чтобы лмб, сервисы, да, у которых гораздо выше бейзлайн по огромному количеству задач.

24: Чтобы они перенесли условно эрпи системы на вот новый уровень развития, скажем так, либо хотя бы не может быть. Просто заняли нишу их в каких-то бизнес процессах, там компаний. Вот кажется, что это вполне себе

25: Нормально, совершенно точно. Потенциал для интеграции технологий искусственного интеллекта в arpi есть. И кажется, что что-то на этом рынке будет происходить, пока эрпи такие, ну, довольно уверенные, кондовые. Угу. Наверное.

26: Не поменяются, действительно, но это уже кухня вендоров разработчиков. Да, мы как компания заказчик, мы наблюдаем и готовимся лучшие технологии, лучшие решения на рынке интегрировать для своих

27: Задач. Павел, как ты считаешь, насколько российские компании, которые так или иначе используют какие-либо it инструменты в своём бизнесе, в разработке, они прошли прошлую ступень? Вот по внедрению предиктивной аналитики.

28: Прессивных моделей, да, о которых ты говорил, потому что мне кажется, что надо все сделать поэтапно. Сначала как раз внедрить, условно какие-то модели оттока предсказания, там, абонентской базы, какую-то категоризацию, кредитный скоринг, да, для банков, а потом

29: Уже переходить к ллм, к агентам, к автоматизации работы колл центра условно и так далее. Как ты считаешь, вот какое количество компаний, как вообще обстоят дела с 1 этапом сейчас в России? Ну, кажется, что

30: Предиктивная аналитика и различные там другие, скажем так, инструменты аналитик внедряются, должны внедряться тогда, когда они приносят пользу. Угу. Если они при внедрении демонстрируют свою эффективность, значит, компа,

31: Они их внедряют, развивают, инвестируют, думают, как там докрутить модели, инструменты. Если у них таких задач по внедрению продвинутых инструментов нету, они живут так.

32: Им хочется, че то внедрили там и хорошо. И если совершенно случайно у них там гринфилд ничего не внедрено, но им хочется внедрить условно ллм, почему нет? Ну да, там не будет предыдущего слоя, но вот они будут классные смски условно.

33: Своим клиентам направлять здорово. То есть ты считаешь, что это не блокер? Нет, нет, нет. Я думаю, что любая технология должна решать конкретную прагматичную бизнес задачу. Если работа, скажем так, больших

34: Языковых моделей основывается на каких-то данных и необходимо с этими данными эффективно работать. Круто, да, но я думаю, что есть кейсы, где ллм может быть внедрён просто там, ну, не

35: Вакууме. Ну, скажем так, без привязки к предыдущим слоям, да, и без подготовки почвы какой-то. Да, да, да. Может быть, это не совсем там звучит правильно, с методологической точки зрения, с точки зрения стратегии. Угу. Но иногда надо показывать результат

36: На короткой дистанции иногда это тоже работает. Да, да, в целом я согласен точно. Есть какие-то эдж кейсы, да, которые позволяют это делать без каких-либо отклонений от методологии той же самой. Мне кажется, что даже методология, она может адаптироваться, когда

37: Таким динамическим изменениям, которые сейчас на рынке происходят. Как ты считаешь, как по твоему взгляду выглядит банк будущего? Идеальная история, когда персонал, люди, профессионалы, специалисты, которые в банке работают, они свой интеллектуаль?

38: Потенциал расходуют на задачи креативные и на задачи, связанные с принятием решений. Вот, а вся, ну, скажем так, рутина, операционка, бюрократия это все реалии.

39: Зуется средствами автоматизации, в том числе с использованием искусственного интеллекта, в том числе с помощью роботов, в том числе с помощью роботов, которые используют искусственный интеллект. Вот, ну то есть идеаль.

40: Картина, когда человек думает головой, вот это, наверное, банк будущего. Угу. А ты мог бы назвать, может быть, какие-то банки, не обязательно российские, которые, по твоему мнению, являются прямо, ну, не знаю, технологическими лидерами этой

41: Отрасли. Могу сказать лишь 1. МТС банк цифровой продвинутый банк. Правильно? Правильно? Павел, подскажи, пожалуйста, мы вот много говорим про внедрение искусственного интеллекта. А почему в таких сферах, как

42: Вот банкинг, или, как телеком кажется, что мбс решения и ii решения внедряют чаще всего, и эти 2 сферы прям стали настоящим пруфов, концептом различных гипотез, идей.

43: Связанных с ii. Банки, операторы связи очень много внимания уделяют вопросам, связанным с повышением своей эффективности, и любое решение, которое по

44: Способствует этому. Оно, конечно, банками и операторами связи очень востребовано. Соответственно, банки для того, чтобы показывать себя хорошо в конкурентной борьбе, они готовы инвестировать в самые передовые технологии.

45: Для того, чтобы быть впереди, ну, чтобы меньше тратить своих средств на там.

46: Операционную деятельность, с тем, чтобы на коротком горизонте добиваться лояльности клиентов и снижать свои риски. Угу. Вот. Кажется, что на такой большой

47: Клиентской базе можно очень быстро понять, эффективный инструмент или нет, и не ждать для этого там несколько лет и не сидеть в растерянности. Нам это подходит или нет. То есть на наших объёмах это понятно. Дополни.

48: Что в целом ещё подобную активность проявляют часто ритейлеры. У них также клиентские базы, особенно, если там клиент идентифицирован и теперь уже маркетплейс. Угу. Слушай, а мне

49: Казалось, что банковская сфера, в особенности банковская сфера, это очень бюрократизированная область, в которой любые какие-то новые системы, которые принципиально могут там поменять бизнес процессы, игру.

50: Сказать, на рынке воспринимаются, внедряются, ну, с большим недоверием, с опаской. Вот как у вас обстоят с этим дела? Мы на рынке более 30 лет, и там последние несколько лет мы переживаем этап такого активного развития, мы

51: Очень цифровые, продвинутые, инновационные. И кажется, мы нащупали вот тот формат, когда, с 1 стороны, мы соблюдаем требования регулятора, а с другой стороны умеем внедрять передовые решения. Мы и

52: Внедряем там, ну, есть специфика вообще финансовой сферы, то, что она очень, ну, скажем так, активно регулируется. Это связано с тем, что в этой сфере существуют определённые риски, и там

53: Надзором за ней. Ну, надзору за ней уделяют большое внимание. Вот это правильно, мы это поддерживаем. Вот. Но, тем не менее, там не все так плохо, не все так жёстко. И там, на самом деле, большой потенциал для внедрения новых технологий. Расскажи.

54: Какие у вас есть продукты, может быть решения в МТС банке, которые используют технологию искусственного интеллекта? Наиболее такие, ну, скажем так, области функциональные в банковской сфере, в которых искусственный

55: Вообще там, можно сказать, теперь уже традиционно присутствует это рекомендательные системы, это скоринг клиентский, это антифрод. Вот, наверное, все такие, ну, скажем так, технологии искусственного интеллекта предыдущей генерации.

56: Теперь уже. Угу. Вот они там в полный рост существуют, они активно вообще внедрены и прям развиваются. А если мы говорим про текущую генерацию и про языковые модели, наверное,

57: То ближе к взаимодействию с клиентами, да, потому что эти системы отвечают на естественном языке. То есть это, наверное, автоматизация техподдержки, может быть, или что-то другое. Абсолютно точно, что все, что связано с ллм, это

58: Связано с коммуникациями, коммуникациями внутри компании, коммуникациями компании с клиентом. Причём двусторонней. Вот. Но все-таки, там, ллм, это про генерацию, да, и это персонализи.

59: Обращение, вот это взаимодействие с клиентом. Мы на самом деле там ищем такой тонкий баланс между взаимодействием с помощью роботов и взаимодействием с помощью операторо.

60: Все-таки, кто бы что не говорил, но клиенту ближе при обращении именно работать через оператора. Угу. Да, я правильно понимаю, что вообще все идёт к тому, что взаимодействие клиентов с людьми

61: С оператором людьми, это скорее всего будет какой-то платной опцией или для каких-то премиальных клиентов, да, потому что их количество, наверное, будет снижаться со степенью автоматизации всего этого процесса. Вот, и это останется только какой-то привилегированной части.

62: Я не думаю, я думаю, что все-таки банковские продукты, там дбо будет развиваться таким образом, что клиенту потребуется минимум взаимодействовать с банком, с техподдержкой. И если случайно у него все-таки такая

63: Необходимость появится, то он это будет делать там в 2 клика. Угу. Это не будет вызывать, у него стресс, это не будет вызывать, у него там какой-то там переживаний лишних, он будет просто нажимать 1, 2 кнопки и получать ответ на свой вопрос. К этому все идёт.

64: Рано или поздно, часто, когда клиент обращается в техподдержку, он настроен сразу пообщаться с человеком, поэтому он там прослушивает ivr меню дожидается.

65: Информация о том, какой номер кнопки у той кнопки, которая отвечает за работу с оператором, я никогда не знал, что это называется vr меню ivr, ivr, ivr, ivr называю по старинке ну.

66: Ок. И vr и в общем такой связаться с оператором и собственно дожидается и дальше оператору все рассказывает и 1 из подходов, который вообще рассматривается сейчас к массовому внедрению в массовом обслуживании.

67: Является то, что тот оператор, вот который придёт по этой кнопке, это все-таки будет искусственный оператор. Вот какой-то искусственный интеллект, какая-то голосовая генерация и клиент будет уверен, что он полу

68: Тот сервис того качества, который он хотел. Следующий вопрос это расскажи, пожалуйста, вы перешли уже к полноценному использованию ии в своих продуктах или все ещё находитесь на стадии экспериментов?

69: Условно в песочнице, ну, наверное, стадия полноценного использования искусственного интеллекта, она не наступит никогда. То есть участков функциональных много, задач много, и там можно внедрять, не перевнедрим. Вот, но

70: В тех областях, где нам казалось, искусственный интеллект может демонстрировать свою эффективность, там мы его используем как правило, это все-таки искусственный интеллект, связанный с обработкой.

71: Данных числовых. Вот, но сейчас уже активно работаем искусственным интеллектом следующих генераций. Ну то есть пока что вы с лмками не работаете, получается, это не про лмки. Да, да, работаем. Вот я как раз, да, я просто

72: Наверное, не понял, да, про искусственный интеллект. И у нас песочница. То есть на тех функциональных участках, тех областях, где там критичность не самая высокая, и мы пока изучаем вот насколько

73: Есть потенциал для масштабирования технологий. Угу. А чего не хватает для того, чтобы перейти из песочницы вот в хотя бы аб, тестирование на какой-то маленькой там, группе пользователей, клиентов. Аб, у нас уже есть. Угу. Вот на какой-то

74: Маленькой. Вот так на него мы и смотрим. Вот. Но пока это все, ну, как бы такая технология, которая, по нашему внутреннему ощущению, не дарит надежду на то, что можно людей

75: Область куда-то. Угу. Ну, то, что перенаправить на другие сферы, требующие больше креатива. Угу. Ну, то есть, потому что недостаток точности, да, потому что есть галлюцинации и прочее. Ну да, то есть, вот так вот ответишь пару раз клиенту, не то.

76: Клиент думает о, куда это я вообще забрёл, кому я доверил свои деньги в вопросах банкинга. Вот как будто там неточность непозволительна, скажем, да, потому что это вопрос денег.

77: Абсолютно точно. Если мы там чем-то попроще торговали, наверное, в целом такое позволить. Я слышал тоже самое от Сбербанка, потому что у них огромные ресерч центры, безумное количество.

78: Laboratories, однако, на производственном уровне они будут готовы внедрять ллм, ну, не в ближайший год точно, да, у них тоже проводятся какие-то песочницы, аб тестирования, но полноценно. То есть заменить там оператора условно.

79: Никто не готов. Вот я так понимаю, что это, в принципе, общемировая тенденция, потому что, ну, конечно, технология, она крутая и у неё понятно. То есть, что вы получите точно от внедрения, однако все ещё немножко сыровато, потому что, да, контекст

80: Денег это контекст, который не прощает ошибки. Вот в целом, ну мне тут импонирует позиция коллег, что нечестно рассказывать, что это эксперимент, потому что вот тот общий там хайп.

81: Скажем так, которая поднялась вокруг этой темы, что там уже у каждого везде стоит ядро ллм и своё собственное, и везде это все внедрено. Ну, конечно, некоторое лукавство. Вот потенциал есть лидеры рынка, и мы в том числе

82: Активно с этой технологией экспериментируют. Вот, но вот в промышленную эксплуатацию выводить массово, ну, пока технология требует доработки и в целом, там, изменения, отношения к этому вопросу. Угу. У клиентов в том числе. А как вообще

83: Пришли к тому, что это в принципе нужно внедрять. То есть это был запрос от пользователей или в целом по динамике рынка, то есть по какому-то общему течению или по тенденциям каким-то мировым. Ну мы в целом инновационные. То есть у нас это такая культура инновационная.

84: У банка. И нам интересно все то, что готово повышать нашу эффективность. Угу. Вот. В различных аспектах, когда появилась эта технология, когда про неё стали говорить ещё вот тогда давно, вот.

85: Стали к ней присматриваться и поняли, что в некоторых вопросах технология может быть нам полезна. Важный момент, что мы на внедрение технологий смотрим как на решение бизнес кейса. Угу. Вот.

86: У нас нету цели внедрить технологию ради технологии. Нам важно решить бизнес задачу, как она решается и как её эффективно решать. Вопрос, открытый руками, логарифмической линейкой, искусственным интеллектом. Вот мы подби,

87: Тот формат, который, ну, наиболее уместен в данном случае, и мы поняли, что есть ряд задач, где потенциально вот ллм, это там, или какая-то другая технология, она наиболее интерес.

88: Угу. Вот. И мы стали уже так присматривать. Мы несколько лет назад. Теперь, наверное, уже, да, лет мы сформулировали перечень бизнес задач, где применимы различные технологии искусственного интеллекта различных классо,

89: Различной направленности и проранжировали с учётом там нашей экспертизы, с учётом запроса бизнеса. В целом у нас сформировался такой, ну, paul, наиболее интересных, перспективных задач. И вот именно эти

90: Задачи мы держим в фокусе внимания, а какие-то сервисы, продукты вы разрабатываете собственными руками, то есть наращиваете компетенции, растите центры компетенции в области, в этой области, внутри компании или ходите

91: К вендорам различным покупаете какие-то готовые решения или какие-то коробочные решения, которые кастомизируются под вас. Ну у нас такие там, да, у нас сложная логистика, мы ходим к вендорам, вендоры ходят к нам, и, в общем, как-то мы так обмениваемся позициями.

92: И стараемся найти баланс в ответе на вопрос Мейко бай. Вот в силу того, что технология, ну, инновационная, если мы говорим про лм, и, в принципе, там не так

93: Много компаний полноценно её развивают. Мы сейчас склоняемся, что lamb нам интересен в формате бай, то есть создавать собственное ядро. Это, наверное, не очень интересно, да, и зачем вот можно взять

94: То, что есть на рынке. Посмотреть, сравнить, выбрать лучшее и использовать наш ресурс, наши, нашу экспертизу для того, чтобы правильно сформулировать задание на внедрение. Угу. Вот на это мы уделяем больше всего внимания. А как ты?

95: К тому, что подобные системы, они будут хоститься условно в облаках, да, потому что кажется, что вопрос ресурсов железки, на которой будет языковые модельки крутиться он очень остро стоит во всей текущей ситуации.

96: И много кто делегирует, да, конечно, в зашифрованном виде, но персональные данные клиентов в какие-то облака, да, где есть мощности, это какие-то сторонние компании, да, возможно даже не в группе компаний МТС, вот как-то.

97: К этому относишься, в общем, положительно. Угу. Тут есть там 2 момента, на которые хотел обратить внимание. 1, это то, что все-таки ресурсы вычислительные потребляются максимально именно при обучении, когда мы обучили

98: Модель все-таки ресурсов надо не так много. Наверное, он премис решение можно реализовать. Вот. То есть у себя в контуре и во всю пользоваться. Но там важный момент, на который ещё также стоит обратить внимани,

99: Нет, то, что у банка очень часто есть иная информация, это ПДн. Угу. Персональные данные, это банковская тайна. Вот. И если мы касаемся этих данных, мы не можем их передать куда-то во, вне, поэтому у банков

100: Часто может появляться потребность в развёртывании собственных систем. Если же это касается какой-то информации нечувствительной, не связанной с банковскими данными, персональными данными, это можно использовать в облаках, это будет, ну, удобно.

101: Угу. И кажется, что эффект масштаба может сыграть свою роль, и это будет, скажем так, дешевле, чем использовать свои собственные мощности, задачи ллм, то есть какие-то решения по анонимизации данных, по шифрованию персональных данных.

102: Они все-таки не устраивают там такой сектор, там как банкинг, да, для того, чтобы хоститься где-то во вне вопрос хороший, потому что если мы какие-то данные передаём во вне, то мы должны быть, ну если они уверены в безопасности этого контура, если они

103: Безличные. Ну, наверное, просто даже и данные никакие эти самые передавать не надо. Ни банковскую, ни ПДн, н, передавать та информация, которая окружает эти данные. Угу. Ну, скажем так, вот, что содержит суть. Угу. От того, что мы передадим дату рождения нашего.

104: Клиента в лм, модель нам как-то лучше не станет. Ну. Угу. Для чего это надо? Поэтому, в принципе, наверное, лм, лмки не предполагают работу с такой информацией. А расскажи, пожалуйста, вот как много у вас было

105: Инициатив по искусственному интеллекту за 2024 год. И сколько из этих инициатив переросли в mvp, у нас там на конец 24 года в воронке было.

106: 40 инициатив. Ого. Мы в целом, в принципе, ну, работаем с технологией искусственного интеллекта по принципу воронки, то есть, где на вход бизнес кейсы подаются там, которые мы видим перспективными для внедрения искусственно

107: Интеллекта и дальше уже это все там проходит по своему понятному пути, по своему треку. Вот мы порядка 7 пилотов реализовали в 24 году. Вот они находятся сейчас в стадии. И а как думаешь каки

108: Есть причины неуспеха остальных или причины успеха. Наоборот, вот этих конкретных. Я думаю, что где-то у нас были завышенные ожидания относительно зрелости технологии. Все-таки технология не волшебная и при столкновении с

109: Реальностью при получении реальных данных на вход. Она, конечно, ну, в некоторых моментах ведёт себя специфически. Угу. Вот, где-то, ну, недостаточно материала.

110: Для полноценного дообучения модели. Ну да, на самом деле я тоже часто люблю говорить то, что чудес не бывает и очень много всего зависит от данных, да, потому что так или иначе лмки тюнятся, либо у нас есть какие-то инъекции.

111: Prompt, модели, да, для того, чтобы она там лучше понимала личность, да, допустим, с которым она работает. Для этого всего нужны данные. Если данные плохие, то, несмотря на то, сильно у тебя технология используется или не сильно, результат будет тоже не очень хороший. Или данных мало, или данных мало, да, тоже.

112: Может быть, Паша, ты вот упомянул воронку, через которую вы прогоняете инициативы, фильтруете их и отбираете самые перспективные. Ты можешь про неё чуть подробнее рассказать? Да, смотри, такая, ну, наверное, классическая воронка работы с инновациями, наверное, классическая для нас. Мы к ней привыкл.

113: И она такая, ну, довольно кажется нам очень нативной, она состоит из 5 этапов. 1 этап это, собственно говоря, вообще сформировать перечень того, что мы делаем. Тут очень важна такая максимальная дивергенция, надо максимально

114: Широко посмотреть на возможности, на задачи, которые мы хотим решать на возможности технологии и какие-то сформировать кейсы. Там, повторюсь, у нас воронка формируется на принципах первенства бизнес кейса. То есть нам важно не там

115: Технологии привязываться к каким-то задачам по функциональным областям. Вот там понимая, что где-то здесь наверняка может быть та или иная группа технологий, допустим искусственный интеллект. 2 тема это экспертиза, то есть у нас очень круто

116: Команда в банке, очень крутые технари, айтишники очень крутые, там представители бизнеса. И вот если там проанализировать эту воронку уже там на входе. Понятно? Ага.

117: Вот это нам интересно. Это нам не интересно. 2 компаний на рынке одинаковых не бывает. Не бывает 2 стратегий, не бывает 2 одинаковых амбиций. Вот и то, что хорошо в 1 компании. Не факт, что

118: Будет хорошо в другой компании, то есть, может свою там эффективность не продемонстрировать. Тут очень важна такая интеллектуальная оценка. Вот это нам подходит, это нам не подходит, это делает человек сейчас и, наверное, дальше будет делать человек, потому что надо

119: Учитывать большое количество факторов разноплановых, выбрали такой топ Тёплых кейсов. Че, что дальше? Финансово экономическое обоснование. Вот очень важно, чтобы хотя бы в экселе, ну,

120: Все было похоже на плюс. Угу. Чтобы технология демонстрировала свою эффективность, если есть какая-то на рынке классная технология, но мы считаем, и она там, её внедрение, поддержка развития стоит дороже, чем она эффект демонстрирует. Ну,

121: Эту технологию мы откладываем на после следующий период. Внедрению прикинули экономику. Экономика положительная. Дальше необходимо, собственно говоря, делать пилот, смотреть как технологии.

122: Себя показывает в реальной жизни. Вот разные были примеры. Тоже там маркетинг бежит впереди продукта, можно во что-то поверить, окажется, что

123: Ни продукт, ни технология. Ну они вот заявленную эффективность демонстрировать не готовы. И здорово, что это мы поймём. Мы там потратим ресурс, потратим время на пробирование технологии, но вовремя поймём, что нам это. Не подходи.

124: И вот, собственно говоря, там те технологии, которые и в экселе показывают класс, и на пилоте продемонстрировали эффективность. Уже мы масштабируем вот такая воронка. Поэтому в целом

125: Стараемся наполнять кейсами, там вход в эту воронку. Вот дальше уже подготавливаем модели, чтобы экономику рассчитывать, чтобы экспертизу быстро проводить, чтоб пилоты разворачивать. А вы проводите какое-то изначальное, может быть.

126: Качество этой всей идеи, как она может потенциально работать или, может быть вы сравниваете прям этот потенциальный результат с тем, что вы именно хотите сделать. Вот это и есть та самая экспертиза, когда ты там на основе понимания специи

127: Рынка на основе там, описания технологий, понимаешь? Угу. Подходит тебе это или нет, да, но я имел ввиду, вот, может быть, вы предварительно заводите прямо лм, конкретно по этой задаче самостоятельно, да, и вот предварительно как-то сравниваете мы

128: Что это будет там какой-то, ну то есть оторванный от жизни пример, который мы не сможем потом использовать для реальной работы. Угу. И даже для оценки целесообразности технологий. Ну то есть это все, оно переходит на вендора и vendor, там, в принципе, сам уже переходит на наш

129: Там общую команду важно очень работать. Рука об руку. Угу. Вот. Чтобы и наши специалисты погружались в вопрос. И vendor понимал нашу специфику. Вот в обмене мы так к чему-то, да, приходим. А, ну то есть у вас есть

130: Группа специалистов экспертов в этой области, да, которые вендора условно контролируют, да, следят за тем, чтобы, да, да, да. Классическая проектная модель, где есть функциональный заказчик. Угу. Где есть технические специалисты.

131: Где есть? Ну, эксперты, специалисты по, по технологии. Как правило, это сейчас у вендоров. Паша, расскажи, пожалуйста, как часто ты сам используешь в своей жизни языковые модели искусственный интеллект, возможно, в каких-то Зада?

132: Не связанных с работой. Я использую искусственный интеллект несколько раз в неделю. Вот сказать, что это прям вошло в мои ежедневные какие-то там ритуалы, что это прям неотъемлемая часть моей

133: Жизни либо работы я не могу. Я иногда спрашиваю что-то у своего домашнего голосового помощника. Очень часто мне что-то отвечает очень часто это что-то мне бывает полезно, интересно, я согласен. Вот.

134: Ну, это прям, ну, не прям каждый день. Угу. Вот. Иногда пытаюсь работать с различными моделями в, скажем так, в формате текста. Вот. Но там уровень моей личной удовлетворённости не очень высокий. А может, у тебя есть какие-то фавориты или, может

135: Может быть, есть прямо фреймворки, да, которыми ты пользуешься, потому что пропользовался другими. Они тебе не понравились. Я часто получаю какой-то ответ на свой текстовый запрос от там помощника, который живёт в

136: В моём телефоне от 1 экосистемы, я там использую его для личных целей. Я смотрю на ответ и думаю а я бы сделал лучше и пока ещё по старинке что-то делаю, сам там нахожу, что-то пишу. Ну вот пока.

137: Прям, ну, я не очень удовлетворён. Угу. Вот. Я очень требователен в вопросах формирования интеллектуальных продуктов к себе, к своим коллегам. Угу. Ну, и почему-то к помощникам тоже.

138: Твои сотрудники, они пользуются как-то и в работе, уверен, я очень их прошу это делать. Вот иногда пользуются. То есть я прям всячески поддерживаю, я считаю, что надо все пробовать на себе. Вот. Но если ты пробуешь и там, ну,

139: Результат не тот. Ну, зачем? Не, ну, действительно есть области, да, в которых просто не подходит, не автоматизируется, да, быстрее и проще это сделать самостоятельно руками. Я писал недавно колонку. Угу. Там, в сми, вот. И

140: Когда получил от коллег редактированный вариант, я, ну, был просто уверен, что он редактировался с помощью

141: Ллм. Угу. У меня на письме очень сложный язык. Я очень тяжело изъясняю мысли. Может быть, час это заметно в разговоре. И, конечно, редакторы, когда переписывают за мной текст, они страдают. А теперь, я думаю, можно сделать

142: Перепиши текст простыми словами вкинуть вот эти вот листы, которые написал, и получить понятный, удобоваримый для читателя материал ну, кстати, есть сервисы, которые детектят текст, написан лмкой или нет, ты можешь

143: Проверить редакторов, что они сделали. Да, интересно, теперь у нас будет блиц для бонусного контента. Я задам тебе несколько вопросов. Ты можешь отвечать односложно, желательно то, что приходит 1 тебе.

144: Но если бы и мог взять на себя 1 вашу рабочую задачу, что бы это было? Я думаю, что это разбор почты и это формирование, ну, скажем так, выжимки кратких выводов из каких-то крупных веток.

145: Да, назовём её так, да, следующий вопрос. Какой нейросетью вы чаще всего пользуетесь? Я пользуюсь той нейросетью, которая установлена в моём телефоне. Какую домашнюю работу вы бы списали на и те редкие моменты, когда я решаю посмотреть кино или

146: Сериал, мне кажется, я трачу на его выбор. Ну, какое-то непозволительно большое время. Вот. И возможно, если бы искусственный интеллект мне давал рекомендации по тем рекомендациям, которые дают мне сервисы, было бы круто. Угу.

147: Кстати, знаешь, там бывает такое-то кино для вас. Вот я смотрю, ну, не для меня. Ой, и это я не буду. А вот если бы он сказал, это точно для вас, я такой, оно хочу. То есть рекомендательные системы следующего уровня, нек джен ещё 1.

148: Вопрос, кстати, в контексте того, что ты упоминал, что текущим решениям не хватает точности, да, для того, чтобы это внедрять в промышленную эксплуатацию, может быть, ты назовёшь, какой самый нелепый ответ лм. Ты получал?

149: Я регулярно на свой запрос получаю ссылку на поисковую систему. Дескать, я тебе ничего отвечать не буду. Иди смотри, сам меня это Ранит. Угу. Или нет. Есть 2 ответ тоже. Я пока ещё там не слишком.

150: Хороша, чтобы отвечать на эти вопросы. Знаем такого ассистента, который так отвечает. Не понимаю, о чем ты.

151: Скажи, пожалуйста, а нужен ли тебе дома человекоподобный робот? Нет, мне, честно говоря, тоже не нужен и заключительный вопрос блица. Как ты реагируешь на и ассистенты в техподдержке, когда звонишь, допустим, в какой т.

152: Банк или телеком компания не очень позитивно. Я, наверное, такой представитель старшей школы, и мне некомфортно, когда я вынужден взаимодействовать с роботом. Я поэтому сразу стараюсь узнать, нащупать ту кнопку.

153: Который отвечает за связь с оператором живым. Паша, большое тебе спасибо за подкаст. Было очень интересно. Мы желаем тебе успехов и желаем также МТС банку дальше продолжать развиваться, внедрять интересные технологии искусственного интеллекта и заво.

154: Рынок, спасибо большое, что пришёл. Спасибо на этом. Наш выпуск подошёл к концу. Надеемся, что вам было интересно и вы узнали что-то новое из области искусственного интеллекта. Если у вас есть вопросы или предложения, то пишите нам на почту инфо собака МТС точка иай с по

155: Подкаст напомню, что у нас есть для вас активность переходите в комментарии под это видео и пишите вопросы к следующему бизнес спикеру с хэштегом и insight автор лучшего вопроса получит мерч от нашей команды а ещё у нас есть чат a network, куда мы будем выкладывать бонусные эпизоды с подка.

156: Отвечать на ваши вопросы и в принципе, где вы можете общаться с бизнес спикерами? Подписывайтесь.