ИИ развивается так быстро, что тексты про него устаревают быстрее, чем смартфоны. То, что казалось фантастикой в марте, становится банальностью в июне. Поэтому говорим о том, что ИИ делает с профессией разработчика.
Рассказываем, что сейчас происходит на стыке финтеха и ИИ, как модели меняют процессы.
Искусственный интеллект все чаще становится частью повседневной работы — особенно в сферах, где много данных, процессов и рутины. В этом смысле банки оказались на передовой, потому что сегодня они — не просто финансовые организации, а полноценные IT-компании с большими штатами разработчиков и огромным количеством IT-задач.
ИИ помогает программистам писать и проверять код, быстрее его понимать, тестировать идеи. Но пока он не заменяет человека — и вряд ли заменит в ближайшее время. Зато становится мощным инструментом, который меняет подход к разработке.
Разбираемся, где именно он полезен, почему Python — язык номер один в ИИ-задачах и какое будущее ждет айтишников с развитием технологии.
Как ИИ влияет на разработчиков
ИИ-ассистенты уже стали стандартом в продвинутых командах. Они помогают не только быстрее писать свой код, но и лучше разбираться в чужом: объясняют сложные участки, упрощают навигацию, подсказывают решения.
По данным GitHub, искусственный интеллект повышает производительность разработчика на 30%.
Что ИИ уже умеет хорошо: написать пинг-понг на JavaScript, быстро собрать функцию на Python, которая считает числа Фибоначчи через матрицы, или решить олимпиадную задачу средней сложности.
Повышение эффективности
ИИ встраивается в каждый этап разработки — от первой строчки до деплоя. Автодополнение экономит часы на рутинных операциях, а инструменты для анализа кодовой базы помогают быстро разобраться в архитектуре проекта, которую писала команда три года назад.
На «код-ревью» с ИИ-помощником быстрее находятся потенциальные баги. Автотесты генерируются в разы быстрее — модели понимают логику и создают осмысленные проверки.
В итоге техдолг сокращается, бэклог разгребается быстрее, фичи выкатываются в продакшн с меньшими задержками. Сокращается Time-to-market, а главное — на выходе получается более качественный продукт. Команды успевают не только больше делать, но и лучше думать над архитектурой.
Лифт для экспертизы
Один из самых заметных эффектов от ИИ — размывание границы между джуном и мидлом. Начинающие разработчики с ИИ-инструментами быстрее проверяют гипотезы, собирают MVP, разбираются в незнакомых технологиях. Джуны с ассистентами решают задачи уровня мидлов, мидлы — тянутся к сеньорским вызовам.
Самый впечатляющий скачок происходит именно на стыке джуна и мидла: новички с ИИ могут за месяцы освоить то, на что раньше уходили годы. Они быстрее понимают best practices, изучают паттерны, экспериментируют с технологиями.
Мидлы тоже выигрывают: освобождаясь от рутины, они больше времени тратят на сложные архитектурные решения. ИИ становится ускорителем профессионального роста на всех уровнях.
Но синьором стать все еще сложно: архитектурное мышление, способность видеть систему целиком, ответственность за технические решения и их последствия — это пока остается исключительно человеческой задачей.
Тут важно понимать: полностью автоматизировать разработку нельзя. ИИ может написать функцию, но не понимает контекста бизнеса. Может сгенерировать тесты, но не знает, какие граничные случаи действительно критичны. Модели делают ошибки, иногда очень изящные и незаметные.
…а иногда не очень изящные
Поэтому правильное видение такое: ИИ — это не замена разработчика, а усилитель его возможностей. Инструмент, который позволяет быстрее писать, тестировать, анализировать, но не освобождает от необходимости думать, проверять и нести ответственность за результат.
Разработчик будущего — не обязательно тот, кто пишет код вручную. Это скорее человек, способный формулировать задачи, управлять ассистентами и оценивать результат. Раньше путь в профессию был длинным: институт, стажировки...
С ИИ можно почувствовать себя мидлом достаточно быстро — пусть и без глубинных знаний. Профессия не исчезает, она эволюционирует: теперь умение работать с ИИ становится таким же важным, как и знание языков программирования.
Хороший разработчик с ИИ становится дирижером: он использует инструменты как оркестр, но отвечает за звучание.
Чтобы понять, заменит ли ИИ программистов, можно их условно разделить на два типа:
- те, кто понимает все тонкости предметной области и может делать сложные инновационные вещи;
- и те, кто знаком с несколькими высокоуровневыми фреймворками и делает работу, не требующую особых глубоких знаний, кроме этого.
И те, и другие называют себя программистами и пишут код. Но первым не стоит бояться, что в ближайшем будущем их заменит искусственный интеллект.
Как ИИ используется в финтехе уже сейчас
ИИ в банковской сфере — уже не эксперимент, а устойчивая практика. В Газпромбанке, например, разработана и реализовывается внутренняя AI-стратегия по внедрению искусственного интеллекта во все ключевые процессы. Вот пять направлений, где ИИ приносит ощутимую пользу уже сегодня:
1. Риски
Принятие решений по кредитным заявкам — одна из самых чувствительных задач для банка. Даже +1% точности модели в кредитном скоринге при огромном потоке заявок дают огромные, миллиардные экономические эффекты для бизнеса. ИИ-модели также могут прогнозировать доходы клиента, вероятность досрочного погашения, риски просрочек и т. д.
2. Борьба с мошенничеством
Здесь есть несколько направлений: внутренний антифрод (выявление подозрительных действий сотрудников) и внешний (защита клиентов от мошенничества). Модели отслеживают аномалии в данных и предсказывают различные риски.
3. Клиентский сервис
Одно из ключевых направлений — все, что связано с повышением качества обслуживания клиентов. Сюда входят задачи на данных из чатов оператора с клиентом, аудиозаписей телефонных разговоров, обращений и отзывов, которые поступают в банк. На основе этих данных можно выявлять слабые места, повышать качество поддержки и точнее понимать поведение клиентов.
4. Персонализация и продажи
Направление связано с персонализированными предложениями для клиентов. Здесь работают модели, которые прогнозируют отклик клиента на предложение банковского продукта по различным каналам коммуникаций, происходит оптимизация с учетом доходности продукта, политики коммуникации и т. д.
Модели помогают оптимизировать маркетинговую воронку: в первую очередь сделать клиентам наиболее интересные предложения, а во вторую — максимизировать прибыль банка.
5. Автоматизация
Задачи, связанные с автоматизацией внутренних бизнес-процессов. Например, одна из таких задач: разработать внутреннего ассистента для сотрудников банка, чтобы у каждого из них был помощник на основе чат-бота, которому можно задать любой вопрос и оперативно получить ответ.
Также полезен ИИ для задач, где нужно работать с огромным количеством документов: распознать их и ответить на основе этих документов на определенные вопросы, подсветить юридические риски.
Что ИИ пока не умеет
Модели еще не так хорошо справляются с нестандартным, сложным кодом, написанным на внутренних библиотеках. А еще ИИ не чувствует неуверенности, когда что-то идет не так. Он не может просто «сходить выпить кофе» и поразмыслить над задачей.
Модель сразу выдает результат — даже если он с багами. Так что в эту сторону юному «скайнету» еще расти и расти.
Интеллект в ИИ — название пока условное. Модель отвечает на поставленный вопрос, у нее нет ни мотивации, ни желания, ни способности ставить цели и достигать их. Это не выполняющая осознанные действия система, а мощный, но ограниченный инструмент.
Есть и другая проблема: галлюцинации языковых моделей. ИИ может уверенно выдать неверную информацию, например фейковую ссылку, отправить клиента к несуществующему банкомату или сослаться на статью, которой никогда не было.
Банки (и не только они) для решения внутренних задач широко используют технологию RAG (Retrieval-augmented generation): сначала модель достает нужные данные из внутренней базы знаний, а потом на их основе формирует ответ.
Решения на RAG можно использовать в виде «суфлера» — модель подсказывает, человек проверяет информацию и принимает решение. Такой подход позволяет сохранить скорость и удобство, которые дает ИИ, но добавляет к ним проверку фактов.
Один из самых популярных сценариев использования RAG в банках — помощь операторам поддержки. Есть внутренние базы знаний, есть информация по продуктам и есть вопросы клиентов. Задача — быстро дать точный релевантный ответ, опираясь на всю эту информацию. Языковая модель в таком случае выступает как «общий мозг»: она понимает формулировку, подставляет нужные факты и помогает оператору.
В современном банке таких баз — десятки: внутренние нормативные документы, тарифы, инструкции, продуктовые особенности. В каждом бизнес-направлении — свои источники. И именно RAG позволяет с помощью всех этих данных обогатить ИИ и превратить его в полноценную систему поддержки решений.
Как начать разрабатывать в направлении ИИ (на волне хайпа)
Главный язык, который открывает дверь в ИИ-разработку, — Python. Почему?
- Во-первых, конечно, богатая экосистема — огромное количество библиотек и фреймворков для машинного обучения и ИИ созданы на Python.
- Во-вторых, скорость разработки — одна и та же логика может занимать одну строчку на Python и пять — на C++.
- В-третьих, простой и лаконичный синтаксис. Кроме того, язык имеет большое и активное сообщество разработчиков.
При этом у языка хороший баланс: низкий порог входа — можно прочитать код на Python, не зная программирования, и понять, что происходит. Конечно, он не такой простой, как может показаться в самом начале, и в любой момент легко занырнуть в какие-то специфические вещи. Как с океаном: можно ножки помочить, а можно погрузиться в Марианскую впадину.
Однако Python — это только начало. Чтобы решать задачи, нужно еще:
- понимать алгоритмы: от базовых ML до обучения с подкреплением (RL);
- иметь опыт работы с данными;
- знать предметную область, в случае банков — финансы;
- уметь проектировать ИТ-системы.
Кто-то идет в разработку через Python, а кто-то — через «путь воина»: изучая Паскаль, разбираясь, как работают указатели и как работать с памятью. Это, конечно, не про ML, а про возможность по-настоящему понять, как работает компьютер.
Этот опыт тоже важен: он дает насмотренность, понимание, где под капотом происходит магия. Да, писать на Python приятно и получается быстро. Но в реальности, если у вас высоконагруженный сервис, — возможно, необходимо будет переписывать логику на C++.
Что даст нам ИИ в ближайшие годы
Если смотреть в масштабе человечества, то искусственный интеллект пока помогает людям лишь в очень узком сегменте профессий — и то лишь как инструмент, не заменяющий самих специалистов. Например, ИИ — помощник в разработке, в работе с текстом и дизайном.
Среди ожидаемых трендов:
- Распространение агентов для повседневных задач, умеющих не только отвечать, но и действовать — заказывать еду или бронировать столик в кафе. Уже сейчас существуют агентские платформы-конструкторы, на которых можно собрать решение из готовых компонентов.
- Развитие беспилотного транспорта и роботов, способных выполнять физические задачи.
Когда все эти тренды начнут воплощаться в реальность, люди смогут получать все больше удовольствия от жизни и не тратить время на рутинные задачи.
ИИ — это инструмент. Все зависит от того, в чьих он руках. Модели помогают быстрее работать и глубже разбираться в данных. Но не избавляют от ответственности, от необходимости думать и добиваться высокого качества.
И это хорошая новость: в мире, где ИИ умеет все больше, людям остается самое интересное: разбираться в системах, находить причинно-следственные связи и ставить цели.
Если хотите больше узнать о том, с какими задачами разработчики Газпромбанка сталкиваются на практике, слушайте и смотрите наш подкаст «Техно.Логично» — там регулярно обсуждаем самое актуальное в IT-сфере.
Читать первым в Telegram-канале «Код Дурова»
