BY DATA

Три спикера. Три взгляда. Один практический опыт внедрения корпоративного ИИ в МТбанке — от идеи до ИИ-ассистентов

Как запустить корпоративный ИИ без миллионных бюджетов и дорогих лицензий. Почему главный вызов — не технологии, а сотрудники. Реальные кейсы МТбанка с измеримым бизнес-эффектом и ошибки, которые помогут не наступить на те же грабли.

Переход от AI-пилотов к единой AI-платформе на базе open-source. Почему отказ от облаков и проприетарных решений стал не ограничением, а преимуществом для развития корпоративного ИИ в закрытом контуре банка.

Почему корпоративный AI-чат — это не просто чат, а платформа. Как сократить запуск новых AI-ассистентов с месяцев до недели и автоматизировать рутинные процессы без разработки новых приложений.

Рассказываем без прикрас про свой опыт построения платформы данных и тех уроках, которые мы выучили.

Ключевые инсайты:

• Debezium CDC выглядит красиво на бумаге, но начинает «чудить» в высоконагруженной среде — и это не лечится по инструкции
• DR-план на бумаге vs DR в реальности: где ломается data platform при failover
• когда занимаешься миграцией legacy — будь готов на один ожидаемый «прикол» увидеть пять неожиданных
• культурные изменения важнее технологических — и намного медленнее

Автоматизация процесса управления данными приводит к неочевидному парадоксу: количество выявляемых инцидентов не уменьшается, а кратно растет. Как масштабировать процессы контроля не раздувая штат и не утонуть в рутинных задачах? Мы разберем переход от ручного контроля к разделению потоков инцидентов и внедрению продуктивной ИИ-модели, которая позволила сократить время обработки инцидентов в разы. Уделим внимание рискам безопасности при работе с агентами в корпоративном периметре.

Большинство историй про AI в аналитике — это платформенные команды, собственные агенты и месяцы разработки. Но что делать аналитику, у которого есть только спринт, десяток задач от бизнеса и доступ к данным?

• Как встроить AI в ежедневную работу аналитика: от написания SQL и подготовки отчетов до A/B-тестов, ad-hoc запросов и исследования данных.
• Где AI действительно экономит часы работы, а где его возможности пока сильно переоценивают
• «Нам надо всё пересчитать» — реальный кейс о том, почему быстро получить расчеты недостаточно и как работа аналитика повлияла на метрики, взаимодействие команд и принятие решений.

Какие требования к данным действительно критичны для AI, какие проблемы можно решать уже по ходу внедрения и кто должен отвечать за качество данных.

Результат: совместный чек-лист готовности данных к запуску AI-сценария.

Сотрудники уже используют внешние AI-инструменты, даже если формально они остаются «в тени». Как перевести их в управляемый контур? Какие технологические, организационные и юридические вопросы придется решить и где провести границу между безопасностью и удобством использования?

Результат: набор практик и правил для легализации AI-инструментов в компании.

Что значит, что AI-сервис действительно «готов», и каким должен быть его Definition of Done? Как масштабировать производительность, что изменится с ростом числа пользователей, что произойдет, когда сервисом начнут пользоваться не только те, кто его придумывал и тестировал, и как пережить неизбежную смену или обновление модели?

Результат: чек-лист готовности AI-сервиса к промышленному запуску и масштабированию.

AI дает бизнесу возможность самостоятельно работать с данными: формулировать запросы, писать SQL, считать метрики и искать ответы без постоянного участия аналитиков. Но где должна проходить граница self-service, чтобы скорость не привела к ошибочным расчетам, разным версиям одних и тех же метрик и неверным решениям?

Результат: набор принципов и правил для организации self-service аналитики с AI.