Sber AI Lab обучил LLM читать банковские транзакции и создать базу знаний
Команда Sber AI Lab разработала систему, позволяющую большим языковым моделям анализировать историю платежей и автоматически формировать клиентскую базу знаний, заменяя разрозненные пайплайны.
В статье на Habr ML Дмитрий Валов, тимлид проекта «Инструменты для банка (агенты)» в Sber AI Lab, рассказывает о новом подходе к использованию больших языковых моделей (LLM) в банковском деле. Традиционно каждый бизнес‑кейс – отток клиентов, кредитный риск, оценка NBA‑показателей – требовал отдельного пайплайна с набором специализированных фичей. Это приводило к фрагментации инфраструктуры и росту затрат.
Команда Sber AI Lab создала единую архитектуру, где история платежей загружается в «транзакционный слой», автоматически парсится и преобразуется в структурированные события. Затем LLM, дообученный на банковском корпусе, читает эти события, формирует ответы и генерирует записи в клиентской базе знаний. Внутри решения используется гибридный подход: предварительная обработка (ETL‑pipeline), извлечение сущностей, а затем prompting LLM для построения семантической графовой модели.
Результаты показали сокращение времени обработки запросов с нескольких минут до нескольких секунд, а также повышение точности оценки кредитного риска на 12 % по сравнению с традиционными моделями. Система уже интегрирована в несколько внутренних сервисов Сбера и планируется к масштабированию на остальные бизнес‑юниты.
Подробности и технические детали доступны в оригинальном материале: https://habr.com/ru/companies/sberbank/articles/1049018/
Для разработчиков AI в финансовом секторе это демонстрирует, как LLM могут стать «универсальными» аналитиками, заменяя набор узкоспециализированных решений. Экономия ресурсов и ускорение процессов – очевидные плюсы, но необходимо обеспечить строгий контроль доступа к чувствительным данным и мониторинг качества генерируемой информации.
