ВТБ: промышленный «Конвейер моделей» сократил вывод ML в прод с месяцев до дней и оценивает кредиты за секунды
Переход на промышленный «Конвейер моделей» сократил среднее время вывода новых ML-моделей в боевую эксплуатацию (Time-to-Market) с нескольких месяцев до нескольких дней, а трудозатраты на разработку и валидацию снизились более чем на 40%.
| Компания и отрасль | Банк ВТБ (VTB) — Banking & Finance |
|---|---|
| Стек моделей и ИИ | Enterprise MLOps Factory · Centralized Feature Store · Gradient Boosting / GNN · Automated Model Validation · Corporate Credit OCR/NLP · Speech Analytics LLM |
| Хронология внедрения | 2021–2022 — запуск единого Feature Store и промышленного «Конвейера моделей» ВТБ; 2023–2024 — масштабирование автоскоринга и графовых моделей транзакций, автоматизация проверки документов юрлиц; 2025–2026 — внедрение LLM-ассистентов для сотрудников отделений и контакт-центра. |
| Верификация | Проверено 2026-10 · 3 первоисточн. |
Контекст и масштаб бизнеса
Банк ВТБ — второй по величине финансовый институт России с более чем 20 миллионами активных розничных и сотнями тысяч корпоративных клиентов. В промышленной эксплуатации банка одновременно работают сотни моделей машинного обучения: от розничного и корпоративного кредитного скоринга до антифрода, управления наличностью в банкоматах и персональных офферов.
По мере роста числа Data Science-команд банк столкнулся с классической проблемой масштабирования: разработать хорошую модель в Jupyter-ноутбуке занимало две недели, а согласовать её с риск-менеджментом, переписать код под промышленный контур и вывести в продакшен — от 3 до 6 месяцев.
Чтобы устранить этот разрыв, ВТБ создал единую MLOps-платформу («Фабрику / Конвейер моделей») и единый Feature Store, стандартизировавший весь жизненный цикл ИИ в масштабе банковской группы.
Бизнес-проблема и узкие места
В жёстко регулируемом банковском секторе каждая модель оценки кредитного риска или резервов должна проходить независимую внутреннюю валидацию, проверку стабильности признаков (PSI) и аудит интерпретируемости для регулятора. Когда документация и тесты собираются вручную, релизный цикл растягивается на кварталы, и модель устаревает ещё до выхода в прод.
Вторая боль — дублирование витрин данных: разные команды заново считали одни и те же агрегаты транзакций по картам и кредитной истории, расходуя петабайты хранилища и создавая расхождения между обучением (offline) и боевым скорингом (online).
Третий вызов — обработка неструктурированных документов при кредитовании крупного и среднего бизнеса (финансовая отчётность, уставы, залоговая документация), на разбор которых у кредитных аналитиков уходили дни.
Архитектура и внедрение ИИ-решения
ВТБ запустил промышленный «Конвейер моделей» с единым каталогом проверенных признаков (Feature Store на тысячи переменных) и автоматизированным контуром валидации. Как только дата-сайентист завершает обучение, конвейер автоматически прогоняет батарею статистических тестов (Gini, KS, PSI, калибровка), генерирует отчёт для подразделения валидации и упаковывает модель в микросервис с гарантированным SLA.
В розничном и МСБ-кредитовании внедрены ансамбли градиентного бустинга и нейросетевые модели над графом транзакций и поведением клиента в цифровых каналах, принимающие решение по подавляющему большинству заявок за считанные секунды без участия андеррайтера.
В корпоративном блоке и контакт-центре банк развернул NLP/OCR-пайплайны извлечения сущностей из пакета кредитных документов и речевую аналитику с LLM-суммаризацией диалогов, автоматически контролирующую соблюдение скриптов и выявляющую причины обращений клиентов.
“«Одна гениальная модель в ноутбуке исследователя ничего не зарабатывает банку, пока она полгода ждёт внедрения. Настоящее конкурентное преимущество — это конвейер, который превращает гипотезу в защищённый промышленный сервис за несколько дней». — Департамент анализа данных и моделирования ВТБ
Измеримый результат и экономика
Переход на промышленный «Конвейер моделей» сократил среднее время вывода новых ML-моделей в боевую эксплуатацию (Time-to-Market) с нескольких месяцев до нескольких дней, а трудозатраты на разработку и валидацию снизились более чем на 40%.
В розничном кредитовании более 80–85% решений принимается полностью автоматически менее чем за 1–2 минуты, а время анализа пакета документов корпоративного заёмщика сократилось с нескольких дней до считанных часов.
Суммарный финансовый эффект от применения моделей машинного обучения и ИИ в рисках, продажах и операционном блоке ВТБ исчисляется десятками миллиардов рублей ежегодно.
Уроки для индустрии
При сотнях моделей главный рычаг ROI — не поиск экзотической архитектуры, а сокращение Time-to-Market через стандартизированный MLOps-конвейер.
Единый Feature Store устраняет расхождение между историческими данными на обучении и боевым расчётом признаков в онлайне.
Автоматическая генерация отчёта риск-валидации снимает главный конфликт между скоростью Data Science и консервативностью риск-менеджмента.
В корпоративном кредитовании связка OCR + NLP ускоряет сделку сильнее всего на этапе первичного разбора бухгалтерской и залоговой документации.
Верифицированные первоисточники
Вопросы и ответы по материалу
Почему в банках нельзя выкатить новую ML-модель в прод за час, как на сайте интернет-магазина?
Банковские модели напрямую влияют на выдачу миллиардов рублей и нормативный капитал по требованиям ЦБ. Любая ошибка калибровки может привести к кассовым убыткам, поэтому обязательна независимая риск-валидация, которую ВТБ автоматизировал внутри конвейера.
Что даёт банку единый каталог признаков (Feature Store)?
Проверенные агрегаты по поведению клиента рассчитываются один раз и переиспользуются десятками команд (риски, маркетинг, антифрод), что экономит вычислительные мощности и гарантирует идентичность формул на обучении и в бою.
Как система следит, чтобы модели не деградировали при изменении экономики?
Мониторинг в реальном времени отслеживает индексы стабильности популяции (PSI) и разделяющей способности (Gini); при выходе метрик за зелёный коридор автоматически инициируется переобучение.
Соберите рабочего ИИ-агента или сервис своими руками без ручного кода
В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.