Розробка AI-чат-бота для банків та фінансових організацій

Уявіть: клієнт банку втрачає картку о 3 годині ночі. Він телефонує в підтримку — голосове меню не розпізнає проблему. Оператор з'явиться через 15 хвилин. Клієнт у паніці. Наш AI-бот вирішує це за 20 секунд. Він розпізнає намір за першою фразою, запускає багатофакторну аутентифікацію за номером телефону та блокує картку. Всі дії протоколюються в незмінний аудиторський слід, що відповідає 152-ФЗ та 161-ФЗ. Ми побудували десятки таких рішень для банків з активами від 1 млрд доларів. Гарантуємо compliance з першого дня.

Типова проблема: банківські чат-боти на rule-based двигунах обробляють лише 30% запитів без участі оператора. Інші 70% — це повторювані дії з втратою контексту. Наш AI-бот на основі LLM розуміє контекст діалогу, зберігає історію та не вимагає повторного введення даних. Це дає self-service rate 75% і знижує Customer Effort Score на 30%.

Як AI-бот обробляє фінансові транзакції безпечно?

Банківський чат-бот працює в зоні максимальної відповідальності: фінансові операції, персональні дані, регуляторні вимоги. Архітектурні рішення диктуються compliance, а не тільки UX. Ключові принципи: бот ніколи не запитує CVV та повний номер картки у відкритому тексті, всі чутливі операції вимагають додаткової аутентифікації.

Регуляторний контекст: всі операції відповідають 152-ФЗ, 161-ФЗ, ПФД/ФТ та вимогам ЦБ РФ. Кожен діалог логується в незмінний audit trail зі зберіганням 5 років.

Функціональні блоки

Інформаційний блок (без аутентифікації):

• Тарифи, курси валют, адреси відділень
• Умови продуктів (вклади, кредити, картки)
• Статуси роботи систем

Операційний блок (після аутентифікації):

• Баланс та виписка
• Історія операцій з фільтрацією
• Поповнення картки, переказ
• Блокування/розблокування картки
• Заявка на продукти (кредит, вклад, картка)

Складні сценарії:

• Оскарження операції (chargeback initiation)
• Зміна параметрів продуктів
• Закриття рахунку/картки

Аутентифікація та авторизація операцій

Багаторівнева аутентифікація:

Рівень 1: Ідентифікація
    → Номер картки/телефону (частково) + SMS OTP

Рівень 2: Авторизація операції
    → Push-сповіщення в мобільному додатку
    → Або SMS з кодом підтвердження конкретної операції

Рівень 3: Великі операції (> X руб.)
    → Голосове підтвердження або біометрія

Будь-яка дія з грошима — строго через API банківського ядра, з незалежною авторизацією. Бот не зберігає жодних платіжних даних.

Як забезпечити compliance та регуляторну звітність?

Кожен діалог логується в незмінний audit trail з timestamp та ID користувача. Дані зберігаються мінімум 5 років (вимога регулятора). Записи доступні регулятору на запит. AI-рішення (не людські) явно позначаються в історії операцій.

Навіщо банку AI-бот з антифрод-інтеграцією?

Нетипові запити через бота флагуються антифрод-системою:

• Запит балансу з нестандартної геолокації
• Кілька невдалих спроб аутентифікації
• Операція в нетиповий час на нетипову суму

При флазі: додаткова верифікація або відмова в операції. За нашими даними, це запобігає до 90% спроб шахрайства.

Як працює персоналізація фінансових пропозицій?

Бот аналізує профіль клієнта: обороти, залишки, історія продуктів, життєві події (за патернами транзакцій). Релевантні пропозиції: «Ви регулярно переказуєте за оренду — хочете відкрити накопичувальний рахунок для початкового внеску на іпотеку?» Важливо: пропозиції продуктів строго на основі профілю, не тиск на продажі. Клієнт може відмовитися від рекомендацій однією командою.

Чому AI-бот вигідніший за rule-based рішення?

Rule-based боти обробляють до 30% запитів без оператора та ламаються при нестандартних формулюваннях. Наш AI-асистент розуміє контекст: якщо клієнт сказав «я загубив картку» в попередньому діалозі, система не питає заново. Self-service rate досягає 75% — у 2.5 рази більше, ніж у rule-based рішень. Customer Effort Score знижується на 30%.

Як ми впроваджуємо AI-бота?

Етапи впровадження:

1. Аналіз бізнес-вимог та регуляторних обмежень
2. Розробка інтент-моделі та NLP-пайплайну на базі LLM
3. Інтеграція з банківським API (REST/SOAP)
4. Налаштування антифрод-модуля та системи аутентифікації
5. Навчання на історичних діалогах (10 000+ записів)
6. Навантажувальне тестування (10 000 RPS)
7. Документація для регулятора
8. Підтримка 3 місяці після запуску

Строки реалізації

Оцінимо ваш проєкт безкоштовно. Зв'яжіться — обговоримо вимоги.

Отримайте консультацію щодо впровадження AI-бота у вашому банку.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.