ИИ в кибербезопасности Своего Банка: интервью с руководителем ИБ
Алексей Ахмеева рассказал, как группа СВОЙ модернизировала регламентную и техническую базу, внедрила централизованный мониторинг и запустила AI‑проекты против утечек данных.
Что произошло?
В интервью для Habr AI руководитель Управления информационной безопасности Своего Банка – Алексей Ахмеева – поделился результатами двухлетней трансформации киберзащиты в финтех‑группе СВОЙ. С 2023 года под его руководством была проведена полная модернизация регламентной и технической базы системы обеспечения информационной безопасности (ИБ) во всех компаниях группы.
Ключевые инициативы
- Централизованная система мониторинга инцидентов – единый дашборд, собирающий события из более чем 30 сервисов, с автоматическим приоритизацией и эскалацией.
- AI‑поддержка в обнаружении аномалий – модели машинного обучения анализируют сетевой трафик и логи, выявляя подозрительные паттерны в режиме реального времени.
- Проекты противодействия утечкам данных (DLP) – внедрены решения, использующие нейронные сети для классификации конфиденциальных документов и автоматической блокировки несанкционированных передач.
- Обновление регламентов – новые политики соответствия GDPR и локальным требованиям, подкреплённые автоматизированными проверками соответствия.
Цифры и результаты
- За первый год работы централизованного мониторинга количество обнаруженных инцидентов выросло на 45 %, а время реакции сократилось с 4 ч до 45 мин.
- AI‑модели снижают количество ложных срабатываний на 30 % по сравнению с традиционными правилами.
- В рамках DLP за полугодие удалось предотвратить более 200 мб утечки конфиденциальных данных.
Что дальше?
Алексей отметил планировать расширение AI‑платформы на предиктивный анализ угроз и интеграцию с внешними threat‑intelligence источниками. Группа также рассматривает публичный открытый API для обмена анонимизированными данными о инцидентах с другими финансовыми институтами.
Для разработчиков AI‑решений в кибербезопасности интервью показывает, что крупные финтех‑игроки уже активно внедряют машинное обучение в мониторинг и DLP. Это открывает спрос на кастомные модели аномалий и инструменты автоматизации регламентов, но одновременно повышает требования к объяснимости и соответствию нормативам.
