Ключевым результатом проекта стало кратное сокращение сроков вывода продуктов на рынок (Time-to-Market).
В «Ингосстрахе» создана единая корпоративная среда для разработки, внедрения и сопровождения моделей машинного обучения и искусственного интеллекта. Процесс перехода модели от стадии гипотезы к промышленной эксплуатации существенно ускорился благодаря унификации и автоматизации конвейеров данных (пайплайнов). Интегратором выступил GlowByte. Проект позволил устранить разрыв между специалистами по исследованию данных и инженерами данных, объединив их в общем цифровом пространстве на базе платформы Kolmogorov AI и Lakehouse-платформы Data Ocean Nova вендора Data Sapience.
До старта проекта разработка моделей оставалась неунифицированной. Так как внутренняя платформа была закрытой, специалисты вынужденно внедряли собственные разрозненные подходы, что делало поддержку и развитие продуктов трудозатратными. Версионирование наборов данных (датасетов) отсутствовало, а использование персональных данных создавало риски нарушения нормативных требований и сдерживало масштабирование. Кроме того, специалисты конкурировали за вычислительные мощности: высокая загрузка замедляла эксперименты, а горизонтальное масштабирование было фактически недоступно. При этом число моделей и нагрузка на команду продолжали расти.
Трансформация подходов к науке о данных (Data Science) началась со стандартизации инструментов разработки и обеспечения гибкого доступа к вычислительным ресурсам. Для прекращения обособленной работы на локальном оборудовании команда проекта внедрила масштабируемую архитектуру. Это позволило не только типизировать поддержку существующих решений, но и подготовить фундамент для быстрого запуска новых ИИ-сервисов. Автоматизация рутинных задач инженеров при развертывании и эксплуатации моделей сократила издержки на ИТ-инфраструктуру. Убытки минимизировались благодаря быстрому переносу моделей (скоринг, оценка рисков, персонализация) в исполнительную среду. Бизнес стал быстрее зарабатывать на аналитике.
Открытая архитектура позволяет наращивать мощности без потери производительности, что критически важно для обработки растущих объемов больших данных (Big Data) и развития направления больших языковых моделей (LLM). Платформа закладывает основу для новых потоков выручки за счет расширения предиктивной аналитики и сверхточной персонализации. В основе новой ИТ-архитектуры лежит тесная интеграция платформы аналитики данных, сопровождения моделей машинного обучения (MLOps) Kolmogorov AI и универсальной Lakehouse-платформы Data Ocean Nova вендора Data Sapience. Это создает бесшовную среду для всех этапов работы с данными и моделями.
Продукт Kolmogorov Continuity выступает «дирижером», автоматизируя сквозной процесс: от запроса бизнес-пользователя до вывода модели из эксплуатации (model management). Это обеспечивает полную прозрачность жизненного цикла моделей. Kolmogorov A2P автоматизирует продуктивизацию моделей. Если раньше это требовало глубокого участия ИТ-специалистов, то теперь процесс происходит в стандартизированном конвейере, что и дает основной прирост в скорости. Модуль Kolmogorov Axiom позволил создать единый каталог переменных (фичей). Команды теперь могут повторно использовать наработанные параметры вместо создания с нуля, что ускоряет разработку и повышает качество продуктов.
Благодаря синергии Lakehouse-платформы Data Ocean Nova и среды оркестрации Kubernetes инженеры могут мгновенно переключаться между тяжелой пакетной обработкой данных (Spark) и интерактивными экспериментами в JupyterLab, не теряя времени на миграцию данных между средами.
Проект решает системную проблему «разрыва» между наукой о данных и продуктивной средой, характерную для многих крупных компаний. Теперь бизнес получает работающие инструменты (например, модели скоринга или расчет ожидаемых убытков) не через месяцы, а в максимально сжатые сроки, что повышает оперативность принятия решений. Разработчики и аналитики могут сосредоточиться на разработке и улучшении алгоритмов, а не на решении инфраструктурных задач, работая с данными в едином контуре. Вместо разрозненного набора инструментов и теневых ИИ-сервисов компания получила единое окно, соответствующее требованиям информационной безопасности и реестру отечественного ПО.
Команда уже переводит действующие модели на современный технологический стек — данные, артефакты и конвейеры переносятся в единую управляемую среду с полноценным контролем версий и мониторингом. Время развертывания новых сервисов машинного обучения сократилось в несколько раз. Обеспечена бесперебойная работа десятков моделей в промышленной среде, охватывающих ключевые направления: от расчета финансовых показателей до маркетинговой персонализации и страхового скоринга.
По итогам проекта был создан центр компетенций. Совместная работа «Ингосстраха» с интегратором GlowByte и вендором Data Sapience переросла в передачу экспертизы, что позволило компании взять под полный контроль жизненный цикл своего ландшафта машинного обучения (ML) и заложить фундамент для будущего масштабирования.
Следующим этапом станет расширение интеграции с Azure DevOps для автоматизации сопровождающих процессов. Это позволит связать систему управления жизненным циклом моделей (ЖЦМ) с корпоративным трекером задач: система будет автоматически создавать задачи, контролировать их исполнение и привязывать к ним артефакты разработки. Такой подход обеспечит сквозной контроль и прозрачность на всех этапах работы. Кроме того, планируется внедрить инструменты разметки данных, что позволит командам проводить полный цикл подготовки в рамках единого контура, не переключаясь между внешними сервисами.
«Для страхового бизнеса скорость принятия решений и точность оценки рисков – определяющие факторы конкурентоспособности. Проект позволил перейти от разрозненных прикладных задач к применению промышленного инструмента на основе ИИ. Это означает более точную персонализацию, оптимизацию убыточности и возможность оперативно реагировать на изменения рынка, опираясь на глубокую аналитику данных», — говорит Сергей Багно, директор департамента искусственного интеллекта и развития отношений с клиентами, «Ингосстрах».
«Data Ocean Nova и Kolmogorov AI создают единую среду для работы с искусственным интеллектом. Мы автоматизировали весь цикл: от подготовки данных до вывода моделей из эксплуатации. Использование каталога признаков и средств координации алгоритмов превращает разработку в отлаженный конвейер. Наши продукты обеспечивают надежный фундамент для масштабирования аналитики и работы с языковыми моделями», — отмечает Алексей Рундасов, коммерческий директор, Data Sapience.
«Проект в “Ингосстрахе” уникален своей комплексностью: мы не просто внедряли софт, а выстраивали методологию взаимодействия десятков команд внутри единого процесса операционализации моделей машинного обучения (MLOps). Важнейшим этапом стала глубокая проработка безопасности — мы создали доверенную среду, где проприетарные решения Data Sapience и компоненты с открытым исходным кодом (Open Source) работают как единое целое, полностью соответствуя требованиям ИБ. Платформа интегрирована более чем с 10 ключевыми ИТ-системами заказчика, включая хранилище данных (DWH) и инструментарий непрерывной разработки и эксплуатации (DevOps). Это позволило создать промышленный конвейер, рассчитанный на поддержку сотен моделей, что даёт компании принципиально иной масштаб работы с искусственным интеллектом», — подчеркивает Александр Ефимов, директор практики искусственного интеллекта и машинного обучения, GlowByte. Блокировки интернета становятся риском для цифровой экономики Корпоративная ИТ-система после запуска Что скрывается за зелеными показателями SLA
Источник: www.it-world.ru