Искусственный интеллект сегодня стремительно развивается. На смену чат-ботам и моделям, которые лишь анализируют информацию, приходят технологии, способные выполнять сложные задачи, такие как: самостоятельно искать информацию, использовать внешние инструменты, действовать по заданным правилам и выполнять последовательность необходимых действий. В сфере финтеха такие изменения особенно важны. ИИ-агенты уже могут анализировать кредитные заявки, проверять данные, взаимодействовать с внутренними системами и помогать принимать финансовые решения.
О том, как такие системы работают на практике, в каких случаях ИИ-агентам уже можно поручать часть финансовых операций и какие риски при этом остаются, рассказывает старший разработчик программного обеспечения Тарас Нагай.
Нагай с 2018 года работает в сфере IT + FinTech + ИИ. В 2018–2021 годах он занимал должность Full-Stack-разработчика на неполной занятости. В 2019–2021 годах — Full-Stack Developer. С 2021 по 2022 год — Backend Laravel Developer. С 2022 года работает Senior Software Developer. Сейчас он занимается технической реализацией финтех-решений — от архитектуры и серверной части до интеграции ИИ-агентов и обеспечения надежности таких систем.
Тарас объясняет, чем автономные системы принятия решений принципиально отличаются от классических моделей, с которыми он работал ранее. Традиционная модель ИИ обычно анализирует данные и выдает результат — например, один числовой скор (это числовая оценка, которую система использует, чтобы определить, например, насколько клиент соответствует определенным критериям. В кредитовании кредитный скор — это число, которое показывает вероятность того, что клиент вернет кредит). Автономные системы принятия решений работают иначе: они сами определяют, какие инструменты нужно использовать, в какой последовательности, и на основе полученных данных принимают решение и объясняют его.
Разработчик рассказывает, что работал над сценариями автономных ИИ-агентов. Один из них — агент по андеррайтингу. Он получает только номер заявки, самостоятельно определяет, какие данные и внутренние системы необходимо проверить, и в результате принимает решение и объясняет его причину.
Для разработки финтех-продуктов Тарас Нагай использует стандартный современный стек (набор технологий, на которых построен цифровой продукт): PHP и Laravel для серверной части, MySQL для работы с данными, Redis для быстрых операций и очередей, а также Vue.js для интерфейса. Для сложных процессов, которые должны выполняться последовательно и надежно, он применяет Temporal.
"Что касается ИИ, я работаю с моделями OpenAI и Anthropic через API. Промпты сохраняю и версионирую в базе данных, чтобы можно было сравнивать разные варианты и выбирать тот, который лучше всего работает на практике. То есть я не привязан к одной модели ИИ — могу тестировать разные решения и выбирать оптимальное для конкретной задачи", — говорит эксперт.
Как агент принимает решение о выдаче кредита
AI-агент не должен самостоятельно определять сумму кредита, ставку или другие финансовые параметры. Его задача — собрать необходимую информацию, обратиться к проверенным системам и на основе их результатов принять решение в соответствии с установленными правилами.
"С архитектурной точки зрения мы разделяем эти процессы. Агент получает только идентификатор заявки, а далее сам определяет, какие внутренние инструменты необходимо задействовать и в какой последовательности. При этом сами расчеты выполняются детерминированными системами. Например, доступная сумма определяется на основе реальной платежеспособности клиента — с учётом его дохода и уже имеющихся платежей. Ставка выбирается из заранее определённого диапазона, который также учитывает законодательные ограничения конкретной страны", — объясняет эксперт.
Это важный принцип: ИИ может принимать решения, но не может выходить за рамки правил, заложенных в систему. То есть агент физически не имеет возможности сгенерировать сумму или ставку, не соответствующую установленным ограничениям.
Отдельный вопрос — обоснование решения. При кредитовании недостаточно просто сказать "одобрено" или "отказано". Если клиенту отказывают, кредитор должен объяснить конкретную причину. Поэтому каждое решение сохраняется вместе с обоснованием, версией промпта и информацией о том, какие именно данные и инструменты были использованы. Это позволяет воспроизвести логику решения даже спустя некоторое время.
"Я вижу несколько основных рисков. Первый и, на мой взгляд, самый серьезный — невозможность объяснить решение. Если система выдает только число или итоговый результат без понятной причины, — это проблема для клиента и для самого кредитора с точки зрения регуляторных требований", — рассказывает Нагай.
Второй риск, по мнению специалиста, — недостаточное количество данных. Проще всего ошибиться в случае с клиентом с так называемой "тонкой" кредитной историей, когда о нем мало информации. Отсутствие определенного сигнала не должно автоматически трактоваться как отрицательный сигнал.
Третье — изменения со временем. Данные, модели и правила могут меняться, поэтому необходимо постоянно отслеживать качество работы системы, изменения в данных и стабильность результатов.
Также важно контролировать сам процесс работы агента. Он не должен принимать решения на основе неполных или устаревших данных. Поэтому готовность заявки к андеррайтингу проверяется на системном уровне, а все ключевые действия и данные фиксируются.
"В результате мы создаем систему, в которой ИИ обладает достаточной автономностью, чтобы самостоятельно выполнять сложный процесс, но при этом работает в четких рамках, не позволяющих ему нарушать установленные правила", — говорит Нагай.
Эксперт считает, что сейчас ИИ-агентам уже можно поручать оценку кредитных заявок и определение условий кредита, если они работают в четко заданных рамках. Например, система может определить уровень риска и предложить ставку или сумму кредита. В то же время нестандартные случаи должен проверять человек.
А вот сложные и нестандартные заявки пока лучше не оставлять полностью на усмотрение ИИ. Речь идет, в частности, о клиентах с очень небольшой кредитной историей, нестандартными финансовыми ситуациями или случаях, когда системе сложно найти понятное и подтвержденное данными обоснование для отказа. Искусственный интеллект сегодня лучше всего работает там, где есть четкие правила, достаточно качественных данных и возможность передать нестандартный случай на проверку человеку.
Нагай отмечает, что с технической точки зрения агентские системы уже готовы к применению в сфере кредитования. Он считает, что в течение 1–2 лет ИИ-агенты, помогающие принимать кредитные решения, но оставляющие право последнего слова за человеком, станут обычной практикой. А еще через 2–3 года часть решений по кредитной заявке агенты смогут принимать самостоятельно — там, где риски и правила четко определены.
"Но скорость этого перехода будет зависеть не только от того, насколько хорошо работают ИИ-модели. Важным моментом станет первая серьезная проверка со стороны регулирующих органов компании, использующей ИИ-агента для принятия кредитных решений. Поэтому мы с самого начала строим такие системы не только по принципу "максимальная точность", но и так, чтобы каждый вывод можно было понятно объяснить и проверить", — поясняет специалист.
С 2023 года Тарас Нагай проживает в США. Свой следующий профессиональный шаг он планирует связать с развитием собственного финтех-направления. Эксперт хочет использовать накопленный опыт в разработке финансовых систем, автоматизации процессов и интеграции агентного ИИ в собственных продуктах, а также основать компанию, которая будет работать в сегменте payday loans — микрокредитования.
Технологии, с которыми работает Нагай, находят широкое применение. Автономные системы принятия решений могут использоваться также для выявления мошенничества, проверки клиентов и документов, мониторинга транзакций, контроля качества лидов, обслуживания пользователей и автоматизации внутренних операций. Они способны самостоятельно собирать информацию из различных систем, анализировать её и запускать необходимые проверки. Автономные системы принятия решений могут использоваться в широком спектре финансовых продуктов, где требуется работа с большими объемами данных и принятие решений по четко определенным правилам, в электронной коммерции для обработки заказов и возвратов, в логистике — для координации доставок, в страховании — для анализа заявок и оценки рисков, в кибербезопасности — для мониторинга событий и реагирования на типичные инциденты, а также в других сферах.