+7 (495) 788 99 99
Публикация  |  27 Октября 2026

ИИ в финтехе: почему масштабирование важнее первого пилота

ИИ в финтехе: почему масштабирование важнее первого пилота

Пилотный ИИ-проект в банке запустить несложно, но десятки сценариев требуют общей ИТ-инфраструктуры. Как сделать ее гибкой, открытой и готовой к росту— в материале для РБК рассказал Николай Кожевников, директор по развитию бизнеса Группы Rubytech.

Сегодня в сфере искусственного интеллекта наблюдается любопытная ситуация: можно выделить ресурсы, сравнительно легко запустить ИИ-агента, дать ему конкретную задачу и довольно быстро получить работающий результат. Более того, на первых этапах вполне естественно запустить и пять, и даже десять ИИ-сценариев, но, когда количество задач, требующих собственной инфраструктуры, исчисляется десятками, этот подход начинает работать против вас.

Для банка или другой крупной финансовой организации в этот момент меняется сама постановка вопроса. Уже недостаточно выделить вычислительные ресурсы под конкретный проект — они привязаны к другим задачам, и придется перестраивать всю ИТ-инфраструктуру. Но если у компании одновременно выполняются 20–30 задач с невысоким приоритетом, а завтра появляется новая, более важная, то нерационально ради нее создавать еще один обособленный контур. В итоге отдельные сегменты приходится собирать в один большой вычислительный комплекс, которым нужно уметь управлять: перераспределять мощности между задачами, менять приоритеты и добавлять новые ресурсы без постоянного наращивания изолированных контуров — мы называем это «коммунальной» инфраструктурой.

При этом построение такого комплекса не сводится к простому увеличению количества GPU, поскольку речь не идет об изобретении базовой архитектуры с нуля. Проблема в том, как интегрировать сеть, серверы, системы хранения и вычислительные узлы с GPU. Можно взять серверы с разным количеством процессоров, подобрать диски другого типа или объема, по-разному построить сетевую часть — формально архитектура останется той же, но производительность системы будет разной. А так как ИИ прежде всего работает с данными, то очень важно не только количество вычислительных ресурсов, но и то, насколько быстро агенты получают доступ к данным, где они находятся, как устроены системы хранения и базы данных, какие сетевые протоколы используются — иными словами, важна единая конфигурация всей системы.

При масштабировании ИИ важен и другой вопрос: насколько заказчик зависит от одного производителя. В закрытых программно-аппаратных экосистемах вычислительные ресурсы и сеть связаны между собой, что ограничивает свободу выбора компонентов. Альтернативой такой архитектуре служит мультивендорный подход, при котором можно сочетать оборудование разных производителей. По этому принципу работает и Машина искусственного интеллекта Скала^р — программно-аппаратный комплекс Группы Rubytech: в его конфигурации могут использоваться разные серверные и сетевые решения, а также доступные на рынке GPU-вычислители. Однако сам факт совместимости компонентов разных ИТ-производителей не решает задачу: необходимо заранее проверять корректную работу конкретной конфигурации и учитывать, как система будет функционировать и обновляться в дальнейшем, чтобы гибкость при выборе оборудования не обернулась дополнительными сложностями при эксплуатации.

Требования к совместимости и сопровождению относятся не только к аппаратной, но и к программной части инфраструктуры: OpenSource-компоненты необходимо интегрировать между собой, адаптировать к корпоративным требованиям безопасности и сопровождать при выходе новых версий. А при масштабировании важно учитывать, как изменения в аппаратной и программной частях повлияют на работу системы в целом.

При этом новая ИИ-инфраструктура необязательно должна полностью заменять существующую. Например, у компании уже есть кластер, построенный за последние несколько лет полностью на импортных компонентах, включая серверы и сеть. Когда требуется увеличить вычислительные мощности, программный слой может объединить старые и новые ИИ-ресурсы. Такой подход называют «зонтичным». Но, конечно, любая возможность интеграции рассматривается индивидуально и зависит от уже существующей конфигурации, программных компонентов управления и оркестрации.

Так как системы искусственного интеллекта меняются очень быстро, а вместе с ними и рынок, то сложно и неэффективно прогнозировать, какой будет ИИ-инфраструктура через три-пять лет. Гораздо важнее обеспечить ее гибкость уже сейчас, чтобы адаптироваться к будущим технологическим изменениям. Это означает выбор открытой архитектуры, которую можно развивать, обновлять и масштабировать по мере изменения задач и технологий, не собирая каждый раз решение заново под конкретный проект. Архитектуры, построенные по такой логике, останутся открытыми для внедрения любых изменений, которые еще предстоит увидеть на рынке.

Пилотный ИИ-проект в банке запустить несложно, но десятки сценариев требуют общей ИТ-инфраструктуры. Как сделать ее гибкой, открытой и готовой к росту— в материале для РБК рассказал Николай Кожевников, директор по развитию бизнеса Группы Rubytech.