AI-transformation.ru

ИИ в финансах и страховании — кейсы внедрения — страница 7

Кейсов внедрения: 274. Как компании применяют искусственный интеллект, какие задачи решают и какие результаты публикуют.

Бизнес-процессы

Кейсы компаний

Альфа-Банк

ИИ-система профилирования кандидатов и прогноза прохождения испытательного срока

ИИ формирует профиль идеального сотрудника на основе действующих специалистов, сопоставляет с ним профили кандидатов и оценивает вероятность прохождения испытательного срока по взаимодействию с командой.

Количественный эффект не раскрыт.

Сбер

ИИ-инструменты для рекрутмента

В HR используются более 15 ИИ-инструментов, включая парсинг резюме, распознавание документов, планирование подбора и поиск похожих сотрудников среди внутренних кандидатов.

Используется более 15 ИИ-инструментов; эффект не раскрыт.

Точка

LLM-ассистент в поиске банковских сервисов и клиентских действий

Развили поиск по банковским сервисам до текстового интерфейса на базе LLM: система ищет релевантные статьи, формирует контекстный запрос и возвращает клиенту ответ со ссылками; диалоговая система поддерживает сценарии банковских действий.

Эксперимент с ChatGPT дал около 2К запросов и 1К клиентов в неделю. Исходный поиск после запуска достиг 150K запросов и 40K пользователей в неделю при среднем времени ответа не более 1 секунды; эти показатели относятся к поиску в целом.

ВТБ

Прогнозирование будущих остатков по сберегательным и инвестиционным продуктам

Внедрённый алгоритм прогнозирует остатки на вкладах, накопительных, металлических и инвестиционных счетах с учётом потенциального открытия новых продуктов.

Количественный эффект не раскрыт.

ВТБ

ИИ-модели для CRM-кампаний по сберегательным и инвестиционным продуктам

Пул моделей используется в CRM-кампаниях на основе социально-демографических, транзакционных данных, кредитной истории, коммуникаций и продуктового владения клиента.

Количественный эффект не раскрыт.

Российские банки — заказчики FIS, названия не раскрыты

LLM анализирует документы во взыскании

Система типизирует и проверяет документы при подготовке исков, анализирует входящую печатную корреспонденцию, а также ответы судов и приставов.

Результат не раскрыт.

Российские банки — заказчики FIS, названия не раскрыты

LLM-сценарии автоматизируют работу контакт-центра взыскания

В контакт-центры интегрированы голосовые помощники для персонализированного обслуживания клиентов, речевая аналитика для контроля работы операторов и база знаний.

Результат не раскрыт.

Крупные российские банки — заказчики FIS, названия не раскрыты

ML выбирает стратегию взаимодействия с должником

ML-модели анализируют поведение и сегментируют должников, выбирают эффективный вид коммуникации, динамически распределяют каналы и определяют следующее наилучшее действие.

Результат не раскрыт.

Росгосстрах

Компьютерное зрение для детекции повреждений автомобилей

Активно развивает сервисы распознавания повреждений по фотографиям осмотра с помощью моделей компьютерного зрения.

Модели определяют количество и степень тяжести повреждений и помогают точнее оценивать необходимые резервы.

Росгосстрах

ML-модели для расчёта страхового риска и тарифов

Использует ML-модели, включая градиентный бустинг и трансформеры, для анализа геоданных, страховой истории и последовательностей событий клиентов при расчёте риска.

Модели позволяют учитывать нелинейные зависимости и детальнее оценивать риск.

Точка банк

24AI создаёт изображения для карточек товаров

Генеративный ИИ редактирует изображения, меняет фон, добавляет детали, улучшает качество и создаёт контент для карточек товаров по требованиям маркетплейсов.

Эффект использования не раскрыт.

ОТП Банк

ОТП Банк применяет AI-персонализацию в цифровом банковском канале

AI-персонализация цифрового банковского канала: выбор сценариев, измерение эффекта и дальнейшая оптимизация объединены в управляемый контур.

Персонализация работала как управляемый контур выбора сценариев, измерения эффекта и дальнейшей оптимизации.

ПАО МФК «Займер»

Проверка паспортов и предотвращение займов по поддельным документам

Система Smart Engines автоматически распознаёт паспорта, проверяет документы на подлинность и действительность, сопоставляет фотографию паспорта с селфи и выявляет признаки модификаций и дипфейков.

В 2024 году предотвращено 10 тыс. попыток оформить займы по чужим документам; обработано более 2 млн изображений. Данные из паспорта вводятся в заявку за 0,15 секунды, сервер обрабатывает 55 изображений в секунду.

Росгосстрах

ИИ для распознавания голосовых обращений клиентов

В Единый контакт-центр внедрены распознавание речи, маршрутизация обращений по типу запроса, нейросетевая саммаризация разговоров и категоризация обратной связи.

Среднее время диалога с клиентами сократилось на 7%; показатель FCR повысился, но величина повышения не раскрыта.

«Росгосстрах»

ИИ-ассистент подбирает полис для квартиры на RGS.online

ИИ-ассистент задаёт клиенту вопросы, подбирает персонализированный полис и сопровождает взаимодействие до покупки.

В пилотном проекте 85% диалогов были связаны с подбором полиса, 15% — с консультациями; отказы от покупки снизились более чем на 11%, продажи увеличились на 8%.

МТС Банк

OCR-распознавание паспортов в онлайн-оформлении кредитов и банковских карт

Smart Passport Reader и Smart Engines OCR SDK распознают данные паспорта и заменяют ручной ввод при онлайн-оформлении клиента, кредита или банковской карты.

Процесс онлайн-заявки упрощён для более чем 3 млн клиентов МТС Банка.

СПАО «Ингосстрах»

Прогнозирование убытков, страховых случаев и мошеннических операций

Классическое машинное обучение применяется для прогнозирования убытков, вероятности страхового случая и мошеннических операций; feature store используется для обучения моделей оценки убыточности клиентов.

Результаты используются для аналитики политики перестрахования с целью уменьшения убыточности.

СПАО «Ингосстрах»

Оценка ущерба по фотографиям с места ДТП

Нейросети оценивают ущерб по фотографиям с места ДТП на этапе урегулирования.

Применение помогает обновлять данные, улучшать качество финальных моделей и ускорять оценку и принятие решений.

Газпромбанк

ML-триаж отчётов безопасности SAST и DAST

В практическом исследовании применены модели машинного обучения для автоматизированного разбора, классификации и приоритизации результатов статического и динамического анализа безопасности ПО.

Для классификатора DAST указаны Precision 0.99, Recall 0.98, F1 score 0.991 и ROC AUC score 0.99; экспертная оценка подтвердила точность определения нестандартных ответов на уровне 96.7%; в некоторых случаях время анализа сократилось на порядок.

Ведущий российский страховщик (название не раскрыто)

ML-модели оценивают вероятность страхового случая и помогают назначать премии

Страховщик применяет модели машинного обучения для оценки вероятности страхового случая по данным о клиентах, их поведении, истории страховых случаев и внешних факторах.

Количественный эффект не раскрыт.

Т-Банк

AI-агент для автоматизации контроля качества данных

11 длительных ручных шагов в работе с данными автоматизированы через AI-агента; используется распознавание intent и агентская архитектура.

11 длительных ручных шагов заменены автоматизацией через AI-агента.

Открыть отрасль с фильтрами