Neoflex

Ранее в Fix Price не было системы, которая анализирует видеопоток, поступающий из уже оборудованных камерами видеонаблюдения в магазинах сети. Команда Neoflex реализовала решение на базе бессерверных вычислений Yandex Cloud, которое позволило оперативно выявлять очереди на кассах и информировать об этом персонал магазинов.

Для реализации проекта была разработана система, которая анализирует изображения, полученные с камер видеонаблюдения, установленных в магазинах с помощью модели компьютерного зрения. Решение позволяет в режиме, максимально приближенному к реальному времени, определять магазины, в которых очередь на кассу превышает установленный лимит по количеству покупателей. Кроме того, менеджер магазина получает уведомление о необходимости открытия дополнительной кассы. Разработка и эксплуатация системы реализована в Yandex Cloud на бессерверной архитектуре, что позволило существенно сократить время на реализацию проекта и снизить затраты, связанные с инфраструктурой на этапе пилотирования и тиражирования за счет подхода рay-as-you-go. Уже через 1,5 месяца удалось получить первую версию модели и начать пилотирование.

Замеры пилотного проекта видеоаналитики в декабре показали рост оборота точек на 2% в результате внедрения технологии по сравнению с сопоставимыми магазинами, где такая технология не использовалась. Помимо контроля очередей, планируется расширить функционал системы для мониторинга выкладки товаров и состояния торгового зала. Система будет отслеживать пустые полки, контролировать чистоту пола и отсутствие посторонних предметов в проходах, что поможет улучшить покупательский опыт.

В рамках проекта «Ренессанс Банк» совместно с Neoflex разработал архитектуру и реализовал микросервисные решения, которые обеспечивают сквозные процессы, объединяющие продуктовую банковскую систему, систему дистанционного банковского обслуживания, CRM и другие ключевые ИТ-системы.

В результате реализации проекта, в числе прочего, реализован доступ к интернет- и мобильному банку, автоматизирован онбординг клиентов через личный кабинет, запущены различные виды денежных переводов, процессы подключения новых продуктов и сервисов, AML и антифрод-проверки. Внедрены торговый и интернет-эквайринг, реализованы такие услуги, как предоставление кешбэка по бизнес-картам, прием платежей по QR-коду через систему быстрых платежей, курьерская доставка банковских карт.

Клиентам банка также доступны различные нефинансовые сервисы в электронном формате: регистрация бизнеса, онлайн-бухгалтерия, проверка контрагентов, привлечение клиентов, налоговое консультирование и юридическая поддержка. В ближайших планах – внедрение кредитного продукта в форме овердрафта.

Реализованный «Открытием» проект обеспечит непрерывность процесса разработки и внедрения моделей машинного обучения с последующей их интеграцией в бизнес-процессы банка. Развернутая при помощи Neoflex архитектура автоматизирует управление моделями, работа с ними ведется в отдельном безопасном тестовом окружении, осуществляется автоматический перенос изменений в промышленную среду.

Банку удалось выстроить процессы по развитию команд моделистов, обеспечив их передовыми технологиями. Для разработки моделей машинного обучения реализован доступ к корпоративным хранилищам данных, настроены готовые образы рабочих мест для команд с различным стеком библиотек машинного обучения.

Для создания платформы моделирования была применена методология и практика MLOps – объединение технологий разработки моделей (Dev) и эксплуатации моделей (Ops). Автоматизация и мониторинг данных, моделей, процессов на всех этапах эксплуатации платформы моделирования – прочный фундамент для дальнейшего развития процессов машинного обучения.

Автоматизированные процессы переноса моделей из контура разработки в контур применения позволят в будущем сократить time-to-market задач по внедрению машинного обучения в процессы принятия банком решений, а также снизить операционный риск ручного переноса логики моделей между системами.

Как отмечает Павел Николаев, управляющий директор департамента интегрированных рисков банка «Открытие», с внедрением промышленной платформы моделирования вопрос подключения нового специалиста к команде моделистов должен занимать не более одного дня. Каждая команда разработчиков работает в собственной среде с динамическим расширением ресурсов для обучения модели. Также появилась возможность оперативного переноса моделей из среды разработки в среду применения для различных команд. Именно за счет такой гибкости платформа была выбрана как основа для общебанковской платформы.

Процесс создания и внедрения системы проходил поэтапно: в первую очередь была автоматизирована процедура открытия счетов и процедуры проверки клиентов при открытии счета. Затем была разработана функциональность для проведения финансового мониторинга операций клиентов. Веб-интерфейс системы и автоматизация ключевых бизнес-процессов были реализованы на платформе SuiteCRM, а интеграционная часть проекта — с использованием ETL-средств Talend ETL.

Как отметила Елена Волкоедова, заместитель председателя правления СДМ-банка, благодаря запуску системы автоматического мониторинга банк получил возможность существенно снизить трудоемкость анализа деятельности клиентов и усилить контроль над финансовыми операциями в соответствии с требованиями 115-ФЗ. Как следствие, удалось значительно снизить риски открытия счетов клиентам, которые не прошли необходимый контроль. Кроме того, проведение проверки информации по клиентам, совершающим сомнительные или обязательные к контролю операции, в автоматическом режиме позволяет оперативно передавать информацию к исполнению в конечные ИТ-системы. Оперативное выявление подозрительных операций позволяет банку снизить риски, которые он несет в таких случаях.

В результате проекта, реализация которого заняла около полутора лет, в ИТ-ландшафте банка появилась совершенно новая система. Она позволяет комплексно решать вопросы автоматизации и контроля обязательных проверок клиентов, а также поддерживать в актуальном состоянии электронные досье клиентов в соответствии с требованиями процедуры KYC, обеспечивать их финансовый мониторинг и оперативно проводить совещания экспертного совета в электронном формате.

Центр управления перевозками — ИТ-решение, предназначенное для повышения эффективности планирования и прогнозирования перевозок, а также мониторинга остатков на складах. Центр управления перевозками компании ПЭК позволяет в режиме реального времени прогнозировать загрузку 189 складов по всей России на месяц вперед с высокой степенью точности. Департаменты транспортной и складской логистики взаимодействуют в едином информационном поле в рамках сквозного бизнес-процесса.

Каждую секунду ЦУП обрабатывает свыше 500 операций, аккумулируя все сведения, необходимые для построения прогнозов загрузки складов и эффективного управления операционной деятельностью. Такой подход обеспечивает компании конкурентное преимущество.

Как отмечает исполнительный директор ПЭК Сергей Семененко, реализованный проект открывает возможности для дополнительной оптимизации внутренних бизнес-процессов и всей системы планирования логистики. В первую очередь это выгодно клиентам компании, которые получат более высокое качество услуг.

Технологической основой ЦУП является стек открытых технологий Big Data и Fast Data: микросервисы написаны с использованием Akka Framework, а задачи потоковой обработки данных реализованы с помощью Spark Streaming. Обмен сообщениями между компонентами реализован через топики Apache Kafka. Использование микросервисной архитектуры значительно упростило масштабирование и внедрение доработок. В архитектуре использовано три типа баз данных: оперативные данные хранятся в IMDB, для срочной отчетности используется PostgreSQL, а для хранения исторических данных –кластер Hadoop.

Благодаря использованию технологий Big Data НКЦ существенно ускорил процесс подготовки отчетности и, кроме того, получил готовое хранилище для аналитики больших данных (DataLake) с финансовой информацией, которое может быть использовано для задач по развитию аналитики.

Высокая скорость работы автоматизированной системы подготовки отчетности обеспечивается за счет использования принципиально новых для данного класса задач технологий и инструментов: для хранения данных используется HDFS (Hadoop), а для обработки — платформа Spark, поддерживающая распределенные in-memory вычисления. Возможности Hadoop и Spark по параллельной обработке данных обеспечивают высокую надежность и отказоустойчивость системы, при этом позволяют снизить затраты на серверное оборудование и программное обеспечение.

Как рассказал Сергей Поляков, управляющий директор по информационным технологиям Московской биржи, основной целью было ускорение процесса подготовки обязательной и налоговой отчетности НКЦ, которому в соответствии со статусом квалифицированного центрального контрагента на рынках Московской биржи предъявляются повышенные регуляторные требования. Базирующаяся на технологиях Hadoop, система Neoflex Reporting Big Data Edition может легко и без особых финансовых затрат масштабироваться при дальнейшем развитии компании. Разработанный функционал также планируется использовать и для развития аналитики, необходимой для принятия управленческих решений.

После того как в состав группы ТКБ вошел Инвестторгбанк, появилась задача по созданию общих бизнес-процессов. Банк ТКБ был заинтересован в поиске платформы, которая бы позволила снизить стоимость эксплуатации системы, обеспечила короткие сроки внедрения и возможность самостоятельной поддержки в будущем. В результате анализа представленных на рынке решений банк остановил свой выбор на платформе SuiteCRM.

В рамках проекта были автоматизированы бизнес-процессы по 20 банковским продуктам, организована работа 15 типов согласующих служб, а также обеспечена поддержка взаимодействия с коллегиальными органами банка. Технологическим партнером по реализации проекта стала компания «Неофлекс».

С помощью выбранной платформы удалось реализовать широкий функционал, включающий ряд модулей: от управления клиентской базой, продажами, кредитованием, обслуживанием клиентов до процессов работы с обеспечением и залогами. Помимо перечисленных модулей, система имеет дополнительный механизм, предназначенный для управления группами связанных лиц с механизмом визуализации связей. Также банк получил возможность автоматизировать управление продуктовым каталогом.

В процессе реализации стратегии по развитию розничного кредитования увеличилось количество клиентов, выдаваемых кредитов и, соответственно, вырос объем данных, задействованных в процессе принятия решений. В связи с этим перед банком встала задача по оптимизации кредитной стратегии. В качестве партнера по реализации этой задачи была выбрана компания «Неофлекс».

Специалисты интегратора спроектировали новую модель данных, актуализировали и дополнили атрибуты для этой модели, разработали стратегию по выдаче кредитов физическим лицам и подготовили сопроводительную документацию для решения на базе JBoss Drools. Реализация проекта заняла около двух месяцев.

В дальнейшем банк планирует расширять функционал по выдаче кредитов для юридических лиц. Кроме того, рассматривается возможность внедрения решения Neoflex Strategy Testing Manager, предназначенного для тестирования кредитных стратегий.