Alfa Advanced Analytics

Выпустили 49 новых AI-продактов 🎓

У нас прошёл выпускной второго потока Школы AI-продактов. В этом году программу завершили 49 сотрудников.

Роль AI-продакта появилась в банке в конце 2024 года. Это специалисты, которые помогают внедрять искусственный интеллект в бизнес-процессы. Подробно рассказывали про роль в посте.

Таких специалистов на рынке пока единицы, поэтому мы решили развивать их внутри банка.

Три месяца участники Школы работают с реальными бизнес-задачами: оценивают потенциал внедрения ИИ, рассчитывают экономический эффект, готовят требования для команд разработки и превращают идеи в проекты, готовые к постановке в бэклог.

Результаты первого потока показали, что такой подход работает:
🔴 28 из 32 проектов вошли в бэклог разработки
🔴 Прогнозируемый бизнес-эффект от их реализации — более 6 млрд рублей
🔴 Программа стала лауреатом премий Digital Learning и «Смарт Пирамида»

«До школы AI Product я был тем самым заказчиком, который приходил с идеей, просил сделать „красиво“ и ждал, что команда сама превратит её в результат. После школы я стал партнёром. Теперь я не просто прошу „прикрутить ML-модель“, а понимаю, какую проблему мы решаем, как проверить гипотезу и по каким метрикам оценить результат»,

— Денис Горлов, старший руководитель по развитию продукта, выпускник первого потока Школы ИИ-продактов

В течение года программа продолжит масштабироваться, чтобы ещё больше сотрудников могли запускать AI-проекты в своих направлениях.

#aaa_event

Чего вы боитесь от ИИ больше?
🤯 — Галлюцинаций
🙈 — Что не пойму, что это ИИ
😭 — Что станет умнее меня

Правила приличия для ИИ 🤖

В декабре 2025 года Банк России опубликовал Кодекс этики в сфере разработки и применения ИИ на финансовом рынке. К нему присоединился Альфа-Банк и другие крупнейшие банки страны.

Кодекс этики — набор принципов, которые помогают выстраивать безопасное и прозрачное взаимодействие человека с ИИ.

В его основе — пять принципов:
🤡 Человекоцентричность — ИИ должен улучшать качество и безопасность услуг
🤡 Справедливость — без дискриминации и использования данных без согласия
🤡 Прозрачность — человек должен понимать, когда взаимодействует с ИИ
🤡 Безопасность, надёжность и эффективность — качество работы моделей нужно постоянно контролировать
🤡 Ответственное управление рисками — возможные угрозы важно выявлять и снижать

«Если прочитать документ, становится понятно, что это не “свод этических заповедей для разработчиков”, а скорее руководство по комфортному и прозрачному взаимодействию банков с клиентом»,

— Михаил Васильев, руководитель Департамента развития и контроля ИИ-решений Альфа-Банка

Как эти принципы работают на практике, зачем нужен добровольный кодекс и почему ответственность за решения ИИ всё равно несёт человек, рассказываем в статье 🤡

#aaa_hardpostin

Как Kaggle помогает прокачивать навыки в Data Science? 🏆

Для многих Kaggle — это соревнования по машинному обучению. Но для наших специалистов ещё и возможность изучать новые предметные области, тестировать подходы и решать нестандартные задачи.

Поговорили с Кириллом Кривошеевым, старшим специалистом по интеллектуальному анализу данных, о том, как он пришел в Kaggle и какие решения помогли занять призовые места и звание Kaggle Master.

▶️ Как ты пришел в Kaggle?

«Про Kaggle я узнал во время обучения в институте. Участвую в соревнованиях, когда есть свободное время, для меня это хобби. Соревнования очень разнообразные, и часто это способ познакомиться с новой предметной областью, задачами и подходами к их решению».

В каких соревнованиях ты участвовал?

🥈 Optiver — Trading at the Close (декабрь 2023, серебряная медаль, топ-4%)

Задача — прогнозирование временных рядов на основе истории и текущих данных аукциона.

«Основная идея решения заключалась в том, чтобы автоматически дообучать модель каждые 20 дней на новых данных во время периода предсказаний».

🥇 Santa 2025 — Christmas Tree Packing Challenge (январь 2026, золотая медаль, 16 место)

Участникам нужно было найти оптимальный способ упаковать 2D-елки в квадрат минимального размера.

«Ключевыми стали использование специализированной библиотеки sparrow, идея регулярного прямоугольного шаблона и своевременное объединение в команду».

🥇 Predicting Irrigation Need (апрель 2026, 1 место)

Нерейтинговое соревнование по табличным данным.

«Основой решения стал стекинг сильнейших табличных моделей — бустингов (XGBoost, CatBoost) и современных нейросетей (TabM, RealMLP и других) с разнообразной генерацией признаков».

🥈 Orbit Wars (июнь 2026, серебряная медаль, топ-4%)

Задача — разработать бота для стратегии в реальном времени по захвату планет.

«Основной идеей стала оптимизация начальной фазы расширения с учетом полезности планет и добавление возможности ожидания при захвате нейтральных планет».

А вы делитесь, если тоже участвовали в соревнованиях Kaggle 🔽

#aaa_experts

Как рекомендовать задания миллионам пользователей? 🎮

В играх Альфа-Банка пользователи выполняют задания ради игровых бонусов, а для банка это реальные действия: оплата ЖКУ, бронирование отелей, заказ карты и другие продуктовые сценарии.

Когда таких заданий стало много, появилась задача рекомендовать каждому пользователю именно те, которые он с большей вероятностью выполнит. Казалось, что логичным решением станет одна модель для всех заданий. Но на практике всё оказалось сложнее: единая архитектура плохо работала с разными типами продуктов. В итоге лучшим решением оказался совсем другой подход.

🔗 Почему простая архитектура победила более сложные варианты, рассказал Сергей Валин, старший специалист по интеллектуальному анализу данных. Главное собрали в карточках, а полная история экспериментов уже на Хабре.

#aaa_hardposting

Как научить LLM писать SQL для банка? ⚡

На Saint HighLoad++ наш коллега Никита Круглов, DS-разработчик, рассказал, как команда Альфы создавала сервис Text2SQL, который переводит запросы на естественном языке в SQL-запросы к данным банка.

Сегодня сервис помогает аналитикам работать с данными без знания SQL. В нём уже описано 200+ таблиц, а спрос со стороны команд растёт.

В докладе Никита подробно рассказал:
▶️ Какую актуальность представляет Text2SQL для банка
▶️ Как устроена архитектура сервиса, выделив ключевые компоненты влияющие на генерацию SQL
▶️ Как команда контролирует качество сервиса, оценивает работу tool calling, поиска документов и генерации SQL на «золотом» датасете
▶️ Почему успех Text2SQL зависит не только от архитектуры модели, но и от пользователей
▶️ Поделился, какие шишки команда успела набить по пути создания собственного Text2SQL

А подробнее про сервис узнавайте из презентации с выступления 🔽

#aaa_event

Взяли Generation AI Awards 2026 в номинации «Лучшее применение генеративного AI для разработки и тестирования» 🏆

Победу нам принес AgenticML — система AI-агентов, которая автоматизирует жизненный цикл ML-моделей. Проект помогает сократить рутинную работу сотрудников, ускоряет вывод моделей в прод и снижает модельные риски.

«Победа Agentic ML в премии Generation AI Awards подтверждает правильность стратегического движения банка в области ИИ.

Мы начинаем применять агентов там, где раньше требовалась значительная ручная экспертная работа: анализ артефактов, подготовка документации, проверка качества кода и сопровождение моделей. Это позволяет дата-сайентистам меньше времени тратить на повторяющиеся операции и больше фокусироваться на исследовательской работе.

Для банка это шаг к повышению операционной эффективности ML-разработки. Экспертиза DS/ML-команд масштабируется и стандартизируется, time-to-market моделей сокращается, а качество решений растет при снижении модельных рисков»,

— Константин Четин, начальник управления по разработке инструментов автоматизации моделирования.

В карточках рассказываем, как устроен AgenticML, что происходит под капотом и каких результатов удалось добиться благодаря AI-агентам 🔼

#aaa_hardposting