Как мы путешествовали по Data Science: от стажерских побед до вулканов выгорания

Калининград: как стажеры за девять месяцев стали частью команды

Газпромбанк серьезно инвестирует в развитие молодых специалистов: стажерам дают не учебные, а реальные задачи с измеримым результатом. Программа GPB Lab Data Science длится 9 месяцев и часто становится стартом карьеры в банке. Вот как это работает на примере трех выпускников.

Денис Смолянинов, Никита Ширнин и Василий Ясипенко год назад были студентами. Сейчас — штатные аналитики, которые выступают на митапах. Денис и Никита автоматизировали мониторинг моделей: процесс, который растягивался на целый день, теперь отрабатывает за 1-2 часа. Василий создал VLM-модель для распознавания бухгалтерской отчетности — обученную полностью на синтетических данных, без единого реального документа. Она распознает 84% документов без ошибок и превосходит вендорское решение.

А на HighLoad++ ребята собрали генератор фото в стиле Хогвартса — он обрабатывал фото и печатал результат за минуту прямо на стенде.

Антарктида: как ИИ меняет управление рисками

Кредитные риски — одна из важных областей для банка. Здесь нужна точность оценки: недооценишь риск — получишь убытки, переоценишь — потеряешь клиентов. ИИ помогает находить баланс, оценивая вероятность дефолта, выявляя мошенничество и банкротство. Игорь Вахламов и Евгений Костюк рассказали, как это работает и куда движется.

В банке работают несколько ML-моделей для оценки различных рисков. Одни определяют вероятность дефолта, другие выявляют признаки банкротства, третьи ловят мошенничество.

Но модели нужно постоянно улучшать. И тут возникает вопрос: на что направить ресурсы в первую очередь? Разработчики говорят про метрики, бизнес — про деньги. Команда создала инструмент-переводчик: он показывает, сколько компания сэкономит или заработает, если улучшить модель, к примеру, на 1%. Цифры разные — от сотен до тысяч рублей на клиента в зависимости от продукта. Теперь можно объективно выбирать, над чем работать в первую очередь, и обсуждать приоритеты на понятном языке.

Что дальше? ИИ-методолог — система, которая анализирует регуляторные документы и находит противоречия в методологии. «АИ-портфельщик» — виртуальный аналитик, который ищет аномалии в данных и создает умные дашборды. И «хакинг стратегии» — система имитирует поведение мошенников, чтобы выявить уязвимости в правилах до того, как проблема появится в реальности.

Все эти концепты выглядят фантастикой. Но десять лет назад и автоматическое рассмотрение заявок казалось чем-то нереальным. Сегодня же 99% потока идет через автоматику, и все этому доверяют. ИИ-инструменты в управлении рисками, скорее всего, пройдут похожий путь — от экспериментов к повседневной практике.

Галапагосы: как uplift-модель вернула 3 миллиарда за месяц

Взыскание задолженности — это не только про возврат денег. В первую очередь, это забота о клиентах и репутация банка. Кому-то нужно напомнить, кому-то предложить реструктуризацию, а кого-то лучше вообще не беспокоить — он заплатит сам. Персонализация в коммуникациях снижает стресс для клиентов и нагрузку на колл-центр. Ольга Кравченко рассказала, как это реализовали с помощью uplift-модели.

Первая проблема: данные о просрочке доходили до моделей на третий день. Команда построила «мостик» к системе Collection, и данные стали доступны в реальном времени.

Вторая проблема — моделирование. Стандартный подход: больше звонков тем, у кого выше риск. Но это неоптимально. Ольга применила uplift-моделирование из маркетинга. Модель находит «убеждаемых» — тех, кто погасит долг только после взаимодействия, и игнорирует тех, кто заплатит сам или не заплатит в любом случае.

Результаты пилота: доля урегулирования выросла на 25%, нагрузка на колл-центр упала на 73%, затраты на коммуникацию сократились до 10%. Финансовый эффект за первый месяц — более 3 миллиардов рублей сохраненных балансов.

Камчатка: почему мы горим

Выгорание в ИТ стало настолько массовым явлением, что о нем невозможно молчать. Это не просто усталость — это системная проблема, которая влияет на продуктивность, здоровье и карьеру специалистов. На панельной дискуссии с участием психолога-консультанта Екатерины Грибковой команда обсудила, откуда берется выгорание и как с ним справляться.

По опросам, 38% респондентов из банка показали высокий уровень выгорания. Если добавить среднее — за 80%. По данным Хабра, в целом по рынку почти 90%. У сеньоров и тимлидов шансы не выгореть стремятся к нулю.

Екатерина Грибкова рассказала про три маркера выгорания: эмоциональное истощение, деперсонализация (когда коллеги начинают бесить) и редукция достижений (кажется, что то, что делаешь, неважно). Простой тест: если каждое утро все бесит в рабочие дни, а в выходные нет — возможно, это выгорание.

Главные причины: неадекватный руководитель, постоянный прессинг, частое переключение между задачами (исследование показало, что за 10 лет это снизило продуктивность на 42%), размытые границы между работой и личной жизнью.

Что помогает? Спорт с видимым результатом — скалолазание, бег, музыка. Физическая активность утилизирует гормоны стресса. На уровне компании важна роль руководителя: осмысленная обратная связь, признание достижений, отсутствие бессмысленных совещаний. И культура: не писать по работе после семи вечера.

Описали коротко, много упустили, но можно найти в записи. Посмотрите обязательно: получилась одна из самых интересных и важных дискуссий экспедиции.

Что в итоге

Работа с данными и ИИ — это не только про алгоритмы и метрики. Это про людей, которые решают нестандартные задачи, экспериментируют, иногда ошибаются, учатся на этих ошибках и устают. Но продолжают двигаться вперед, потому что видят результат своей работы.

Участники нашей экспедиции за три часа прошли путь от знакомства с молодыми специалистами до разговора о выгорании. Это не случайная последовательность: сначала вдохновляющие истории роста, потом сложные технические решения, а в конце — напоминание о том, что забота о себе не менее важна, чем забота о метриках.

Кстати, об отдыхе. На Data Science Expedition были не только доклады. Зрители могли попытать счастье в викторине (правильные ответы прятались в словах спикеров и на слайдах), а между докладами поиграть в настолки. После официальной части митап плавно перетек в фуршет и нетворкинг — возможность поговорить с коллегами, обменяться контактами, обсудить детали докладов напрямую со спикерами.

Что делать, если пропустили митап или хотите пересмотреть понравившийся доклад? Вот полная запись Data Science Expedition. И не забывайте, что Газпромбанк.Тех регулярно проводит открытые мероприятия, где делится опытом и экспериментами из реальной практики. Следите за анонсами в нашем канале, впереди много интересного.