«Мы поставляем не модель, а управляемый продукт» - Михаил Евдокимов, глава Data Science в Insight AI

За его плечами работа над крупнейшей рекомендательной системой в России для ВК, проекты в банковском секторе с высокими финансовыми рисками, победы в ключевых технологических хакатонах и международных IT-конкурсах.

В интервью Экспресс газете Михаил рассказывает, как создаются масштабные AI-продукты, почему кастомный искусственный интеллект становится новым стандартом рынка, что для него значит лидерство в Data Science-командах и какие принципы помогают создавать решения, которые меняют индустрию.

— Михаил, в рамках работы над крупнейшей рекомендательной системой в России для ВК, вы создали автоматизированные ML-пайплайны и внедрили нейросетевые подходы, что увеличило удержание пользователей на 17%. Что было самым сложным этапом в внедрении новых технологий в продукт?

— Самая сложная часть таких проектов - не обучение модели, а вывод в продакшен. Чтобы она работала предсказуемо и стабильно улучшала метрики. В рекомендациях любое изменение затрагивает всю систему от сбора событий и фичей до ранжирования, доставки, A/B, антифрода и стоимости. Поэтому главным вызовом является управляемое внедрение с корректными оффлайн-метриками, строгими онлайн-экспериментами, мониторингом деградаций и откатами, согласованными с продуктом и инфраструктурой. Технология - это 20%, а 80% - аккуратная интеграция в большой проект без поломок. Это как менять детали в поезде на полном ходу, где каждый вагон из другой эпохи.

— Во время работы в Райффайзен Банке вы занимались предсказанием доходности активов и хеджированием. Какие главные правила работы у вас, если проект подразумевает большие финансовые риски и чувствительные данные?

— У меня есть простое правило: сначала мы договариваемся про риск и ответственность, а уже потом про модель. Заранее фиксируем, на какое решение влияет прогноз, какие есть лимиты по потерям и какие сценарии считаем неприемлемыми. Утверждаем ход действий, если модель “ошибается” или рынок ведёт себя нестандартно - вплоть до автоматического перехода в более консервативный режим или ручной контроль.

Второй принцип - это максимум дисциплины с данными: доступы только по необходимости, полный аудит и воспроизводимость всех расчётов и изменений. Тогда бизнес понимает, что решение не только даёт эффект, но и остаётся управляемым и интерпретируемым: его можно объяснить, контролировать и безопасно масштабировать.

В Райффайзен Банке я построил архитектуру предсказания процентных ставок и моделей хеджирования, в итоге расходы на покупку данных снизились минимум на 38%. Оптимизировать хеджирование тоже удалось на 40%.

— Помимо проектирования, методологии и внедрения продуктов, вы управляете большой командой проекта Insight AI. Что для вас главное в роли лидера?

— Обеспечить команде ясную цель и понятные критерии успеха: что именно считаем результатом, в какие сроки и как измеряем эффект. Когда все метрики зафиксированы, команда работает быстрее, меньше спорит о вкусах и не делает лишнего.

Все проекты мы оцениваем в прозрачном формате - например, на проекте для крупного девелопера “Новый Город” мы создали ИИ-агента, который работает с документацией, логами и знаниями эксплуатации. Использовали семантический поиск, LLM-рассуждение, интеграции с мониторингом. Результат получили вполне ощутимый - в некоторых сценариях до 6 раз быстрее анализ/реакция, рост CSI и NPS, есть публикация GlobalCIO.

Не менее важна среда исполнения: приоритеты, ответственность, коммуникации и снятие блокеров. Я стараюсь выстроить процесс так, чтобы люди могли фокусироваться на результате, а не пробивать стены между слоями бюрократии и тонуть в хаосе.

— Как вы реализуете код-ревью в команде Insight AI и важен ли этот процесс для вас?

— Мы делаем решения, где высокая цена ошибки, поэтому код-ревью очень важен. У нас есть ответственность за деньги, сроки и доверие клиента. Это не бюрократия, а способ удерживать качество на высоком уровне и снижать риски в продакшене.

Ревью делает минимум один независимый человек, который не участвовал в разработке. На критичных местах - два-три взгляда. Это помогает как качеству, так и распространению знаний в команде.

— Почему кастомный ИИ становится стандартом на рынке и как он реализуется в рамках проектов Insight AI?

— Потому что бизнесу нужен не “умный чат” или дорогая игрушка, а инструмент, который понимает контекст компании, встроен в процессы и даёт измеримый эффект в виде окупаемости. Универсальные решения часто ломаются на реальности: данные разрознены, требования по безопасности жёсткие, интеграций много, ответственность высокая.

В проектах Insight AI мы начинаем с бизнес-метрики и процесса принятия решения, затем наводим порядок с данными, делаем пилот с проверкой эффекта, и только после этого масштабируем: интеграции, контроль качества, безопасность и сопровождение. Мы поставляем не модель, а управляемый продукт - в качестве примера можно взять кейс для FMCG-компании “Находка”. Мы создали систему парсинга резюме/анкет с ML-скорингом кандидатов. Получилось сократилось время на первичный отбор и увеличить пропускная способность воронки без роста штата и дали прозрачность для HR-отдела.

— Михаил, вы учились в Высшей школе экономики, затем закончили университет в Нидерландах. Фундаментальное образование остается актуальным источником знаний для инженеров?

— Да, потому что фундамент не устаревает. Я учился на факультете компьютерных наук, у меня было 8 разных видов математики. Инструменты меняются очень быстро, а базовые вещи, такие как мат. анализ, статистика, системное мышление и умение ставить эксперименты остаются ключевыми.

При этом образование лучше всего работает в связке с практикой. Нужно применять фундамент на реальных задачах с ограничениями бизнеса, сроками и ответственностью за результат. Поэтому я начал работать по профессии с второго курса.

— Вы стали капитаном и победителем на главном хакатоне Москвы «Лидеры цифровой трансформации», вышли в финал международного IT-конкурса Hack.Moscow, а ранее опередили 2500 участников на Олимпиаде им.Плеханова. Почему вам кажется важным проявлять себя на профессиональных конкурсах?

— Это концентрированная проверка профессиональной формы: быстро разобраться в задаче, собрать команду, принять решения под ограничения и довести до работающего результата. Сильные ИТ-команды как раз и отличаются умением в сжатые сроки вывести работоспособную модель.

Более того, участие в конкурсах дает возможность компаниям сравнить подходы, увидеть планку рынка и потренироваться упаковывать решения так, чтобы их понимали и оценивать. Однако не могу не добавить, что стараюсь участвовать только в высокопрофессиональных конкурсах и хакатонах, где сильные и честные соперники, а не вайб-кодеры.

— Вы успели поработать с большим количеством продуктов и внедрили массу ИИ-решений, которые не только прогрессивны сами по себе, но и совершили технологическую революцию в своей нише. А какие у вас дальнейшие профессиональные планы, в чем хотелось бы себя попробовать?

— Продолжаю создавать проекы на стыке ИИ, продукта и бизнеса, но глобальная цель для меня - избавлять людей от рутинной работы, чтобы у них оставалось больше времени на интересные и творческие задачи. А для бизнеса - снижать влияние человеческого фактора там, где он приводит к ошибкам и потерям, а также делать процессы более предсказуемыми, управляемыми и эффективными.

Поэтому дальше я хочу больше проектов, где ИИ становится частью операционного контура: не пилот ради пилота, а решения, которые встраиваются в процессы, дают измеримый эффект и масштабируются в промышленную эксплуатацию.

Василий Черный