Как работает отдел иследований искусственного интеллекта в “Тинькофф”
В 2020 году Тинькофф начал активно развивать концепцию AI-банкинга — банкинга на основе искусственного интеллекта. Вся существующая в банке экспертиза была объединена в Центре технологий искусственного интеллекта, который занимается разработкой новых сервисов. Одним из подразделений Центра стал отдел исследований — Tinkoff Research, в чьи задачи входит исследовать возможности искусственного интеллекта с научной точки зрения. О том, как удалось с нуля создать отдел, который публикует исследования на NeurIPS — главной мировой конференции в области AI (Artificial Intelligence), и базу для новых прорывных технологий и продуктов, рассказывает руководитель отдела Сергей Колесников.
Как появился Tinkoff Research
Разработками в сфере искусственного интеллекта Тинькофф занимается давно. Например, без машинного обучения не появились бы финансовый ассистент Олег, технологии распознавания и синтеза речи Tinkoff VoiceKit или система фрод-мониторинга, анализирующая нетипичные транзакции клиентов и защищающая их от мошенников. Созданием этих сервисов занимались продуктовые команды — они разрабатывают и улучшают продукты для наших пользователей.
Если компания успешно делает продукты, то зачем ей научные исследования? Чтобы ответить на этот вопрос, вспомним, как появились голосовые помощники. Сегодня они рассказывают пользователям о погоде, отвечают на звонки спамеров и составляют список покупок. Раньше компьютер с трудом мог определить тему статьи по ее содержанию, сейчас уже существует чат-бот (ChatGPT от OpenAI), который может не только поддержать диалог с человеком, но и самостоятельно написать подобную статью. Однако такого результата вряд ли можно было бы достичь без научных исследований в этой области — например, таких работ, как Word2Vec (2013), BytePairEncoding (2015), Attention Is All You Need (2017) и GPT-2/3 (2019, 2020).
Кроме этого мы совместно с отделом персонализации активно занимаемся исследованиями в области RecSys — рекомендательных систем. В основном исследуем применимость графовых нейронных сетей для рекомендаций, корректность оценки RecSys-систем и методы учета времени для повышения качества рекомендаций. Сейчас такие системы позволяют предлагать пользователям категории кэшбэка и персонализированные предложения от партнеров в мобильном приложении. О том, какие исследования получаются у наших студентов, можно узнать из записи Tlab-ивента. А о том, как мы внедряем исследовательские наработки в продукты, рассказывал на примере умной ленты в социальной сети для инвесторов «Пульс» мой коллега.