Трансформация страхового рынка: от классического ML до агентских LLM-систем, НСИС, Макаров и Болот
Александр Макаров, начальник отдела по разработке и внедрению систем искусственного интеллекта, Национальная страховая информационная система. Дмитрий Болот, ведущий системный архитектор, Национальная страховая информационная система. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.
РОЛЬ НСИС В СТРУКТУРЕ СТРАХОВОГО РЫНКА РОССИИ
Компания НСИС занимает уникальное положение в экосистеме страхования, фактически являясь центральным узлом сбора и обработки данных. Организация была создана Центральным Банком РФ специально для того, чтобы оперировать автоматизированной информационной системой страхования. В эту систему все страховые компании страны обязаны загружать данные по таким ключевым видам полисов, как ОСАГО, КАСКО, страхование имущества и ДМС.
Фактически, НСИС аккумулирует 100% рыночных данных, что дает колоссальное преимущество перед любым отдельным игроком. Даже лидеры рынка, владеющие 20-30% доли, имеют ограниченный обзор ситуации. В то время как НСИС видит всю картину целиком, что позволяет создавать гораздо более точные и репрезентативные модели машинного обучения для анализа рисков и выявления аномалий в режиме реального времени.
На текущий момент компания продолжает расширять перечень обрабатываемых видов страхования. Основная задача заключается в создании эффективного пайплайна работы с данными, который включает в себя этапы загрузки, глубокой предобработки, обработки и последующей выгрузки в аналитические продукты или страховые истории. Эти данные критически важны как для регулятора, так и для самих страховых компаний и конечных потребителей услуг.
ПРИМЕНЕНИЕ КЛАССИЧЕСКОГО ML ДЛЯ ОПТИМИЗАЦИИ ОБРАБОТКИ ЗАЯВЛЕНИЙ
Первым серьезным вызовом для команды стало огромное количество обращений за страховыми историями. Ситуация доходила до того, что люди физически приходили на ресепшн компании с бумажными заявлениями. Для решения этой «боли» было принято решение внедрить модели классического машинного обучения (ML) без использования генеративных сетей. Это подтверждает тезис о том, что традиционный ML все еще остается основным рабочим инструментом в индустрии.
Внедрение платформы искусственного интеллекта для работы с обращениями показало впечатляющую динамику. отметил: «Скорость обработки обращений не сильно выросла сразу, потому что и сама система была неидеальной, и процесс был неидеальный». Однако в долгосрочной перспективе результаты оказались феноменальными: за год скорость обработки выросла в 20 раз при одновременном росте объема входящих заявок на 11%.
Если рассматривать динамику месяц к месяцу, компания демонстрирует средний рост эффективности на 50%. Без автоматизации для поддержания текущего темпа работы потребовалось бы увеличить штат сотрудников профильного отдела в семь раз. Этот кейс служит доказательством того, что даже несовершенный старт в автоматизации ведет к кратному росту производительности при условии готовности компании принимать определенные риски на начальном этапе.
ЭВОЛЮЦИЯ RAG-СИСТЕМ В ТЕХНИЧЕСКОЙ ПОДДЕРЖКЕ
Следующим этапом автоматизации стала работа с техподдержкой, где также наблюдался избыточный поток однотипных запросов. Команда внедрила систему RAG (Retrieval-Augmented Generation) на базе публичной документации по ИС-страхованию. Это позволило существенно ускорить ответы сотрудников поддержки, сделав их более точными и соответствующими актуальным регламентам компании.
Процесс развития RAG в НСИС был разделен на несколько этапов. Сначала была реализована «наивная» модель: база знаний, индексирование, поиск (retrieval) и генерация ответа. К концу текущего года планируется выпуск продвинутой версии системы. В дальнейшем развитие пойдет в сторону модульных и агентских архитектур, где возможности системы будут ограничены только фантазией разработчиков.
Переход к более сложным структурам позволяет превратить простую «болталку» в полноценный инструмент поддержки. подчеркнул, что внедрение RAG является необходимым условием для последующего развертывания внутренних больших языковых моделей (LLM), которые смогут взаимодействовать с данными компании на глубоком уровне, обеспечивая высокую релевантность ответов за счет использования актуального контекста.
ПЕРЕХОД ОТ ПРОМТ-ИНЖИНИРИНГА К АГЕНТСКИМ ПЛАТФОРМАМ
Внедрение LLM внутри компании проходило поэтапно, повторяя общие рыночные тренды. Первым шагом стал простой промт-инжиниринг, когда сотрудникам предоставили доступ к чат-боту для решения общих задач. Чтобы стимулировать качество запросов, компания даже ввела шуточную систему вознаграждений за наиболее точные и полезные ответы от модели.
Затем наступил этап контекстного инжиниринга. На этом уровне пользователи получили возможность загружать собственные данные, чтобы модель генерировала ответы, опираясь на конкретные документы или выгрузки. Сейчас компания находится на стадии внедрения агентов — систем, которым предоставлены определенные инструменты для взаимодействия с внутренними ИТ-системами организации.
Конечной целью является переход к полноценному управлению жизненным циклом через агентские платформы. Это позволит автоматизировать сложные цепочки действий, где ИИ не просто отвечает на вопрос, но и выполняет конкретные операции в различных сервисах компании. Такой подход превращает LLM из консультанта в активного исполнителя бизнес-процессов.
ФЕНОМЕН ВНЕДРЕНИЯ ИИ СНИЗУ И НИЗОВЫЕ ИНИЦИАТИВЫ
Одной из самых интересных тенденций в НСИС стало «прорастание» ИИ снизу. Помимо задач, которые ставит менеджмент и отдел разработки ИИ, сотрудники различных подразделений начали самостоятельно создавать инструменты автоматизации на базе предоставленных LLM. Это привело к возникновению множества микро-проектов, решающих локальные проблемы конкретных команд.
Ярким примером стала команда тестирования. Они объединили кодовую базу тестов и систему управления ими с помощью собственного сервера на базе LLM. Теперь специалисты по тестированию управляют кодом и тест-сьютами в режиме обычного диалога, что радикально упростило процесс обеспечения качества продукта.
Аналогичная ситуация сложилась и в отделе системного анализа. Аналитики начали использовать нейросети для автоматической генерации спецификаций и документации. отметил: «Трава у нас растет не только сверху с точки зрения задач менеджмента, но и снизу, когда люди используют инструменты для автоматизации того, что у них болит». Это создает мощный синергетический эффект развития.
ОТНОШЕНИЕ К ПРОЦЕНТУ УСПЕШНЫХ ИИ-ИНИЦИАТИВ
Обсуждая статистику внедрений, затронул вопрос о том, что лишь около 5% ИИ-инициатив доходят до стадии продакшена. Многие воспринимают эту цифру как низкую, однако в контексте стартапов и инноваций это нормальный показатель. В любой отрасли доля компаний, переживающих первые два года жизни, примерно такая же.
Ключевое отличие ИИ заключается в возможности кратно увеличить «верх воронки». Если раньше компания могла запустить 100 экспериментов, то теперь их количество может вырасти до 1000. При сохранении конверсии в 5%, итоговое количество внедренных решений увеличивается в десять раз. Таким образом, низкий процент успеха не должен пугать, а наоборот — стимулировать к массовому запуску гипотез.
Стратегия компании заключается в том, чтобы не пессимизировать эти цифры, а воспринимать их как «благословение». Чем больше попыток будет сделано на низовом уровне, тем выше вероятность найти по-настоящему прорывное решение, которое затем можно будет масштабировать на всю организацию через централизованный отдел архитектуры.
АРХИТЕКТУРНЫЙ ПОДХОД СНИЖЕНИЯ ВРЕМЕНИ ПРИНЯТИЯ РЕШЕНИЙ
Департамент архитектуры НСИС сформулировал фундаментальный тезис: «Искусственный интеллект не принимает сам никаких решений, а значительно ускоряет время на их подготовку». Это означает, что ИИ рассматривается как мощный инструмент аналитической поддержки, но финальная ответственность и право утверждения остаются за человеком-архитектором.
В настоящее время ИИ применяется для архитектурного анализа, особенно при работе с legacy-проектами или кодом от подрядчиков. Нейросети помогают быстро восстановить общую картину системы, структурировать зависимости между модулями, выявить конфликты версий и понять, как компоненты взаимодействуют друг с другом в сложной ИТ-инфраструктуре.
Также архитекторы используют LLM для генерации технической документации. При этом отмечается разница в подходах: если системные аналитики фокусируются на пользовательских сценариях (use cases), то архитекторы делают упор на бизнес-назначение компонентов и их структурную целостность. Это позволяет «съедать слона с разных сторон», создавая полноценный набор документов для системы.
ПРЕОДОЛЕНИЕ БАРЬЕРОВ ПРИ ВНЕДРЕНИИ ИИ ДЛЯ РАЗРАБОТЧИКОВ
Интересным наблюдением стало то, что разработчики оказались самой консервативной группой при внедрении ИИ. В то время как аналитики и архитекторы активно экспериментировали с моделями, программисты оставались в стороне. Это объясняется жесткими сроками выполнения задач: у них нет возможности тратить рабочее время на поиск оптимальных промптов.
Чтобы решить эту проблему, архитекторы взяли на себя роль «разведчиков». Они ищут проверенные пути использования ИИ, тестируют инструменты и затем выдают разработчикам готовые инструкции и паттерны. Таким образом, рутинный анализ отдается машине, а инженер получает уже оптимизированный процесс работы.
Цель компании — сопровождать весь жизненный цикл разработки (SDLC) с помощью ИИ. Это включает в себя переход от ручного написания кода к модели, где разработчик выступает в роли ревьюера. Однако это создает новое «узкое место»: объем генерируемого ИИ-кода становится настолько огромным, что специалисты по проверке начинают «зашиваться», что требует дальнейшей автоматизации самого процесса ревью.
ПЕРЕСТРОЙКА ОРГАНИЗАЦИИ В AI-FRIENDLY СРЕДУ
Опыт НСИС показал, что главной проблемой внедрения ИИ является не отсутствие технологий, а неготовность самой организации к потреблению данных машиной. Многие знания хранятся только в головах сотрудников или записаны в таком стиле, который понятен человеку, но не может быть эффективно обработан даже продвинутыми LLM.
Для решения этой проблемы компания переходит от простого закрытия «болей» к глубокой трансформации ядра организации. Цель состоит в том, чтобы сделать все процессы, документацию и знания AI-friendly. Это означает изменение стандартов записи информации, структурирование баз знаний и создание единого цифрового контура, который будет легко индексироваться нейросетями.
подчеркнул важность создания «историй успеха». Когда сотрудники видят, что ИИ реально решает их конкретную проблему (например, ускоряет поиск по коду или написание спецификации), страх перед технологией исчезает. Это создает благоприятную почву для масштабирования инструментов на все подразделения компании.
ПЕРСПЕКТИВЫ РАЗВИТИЯ: ОТ АНТИФРОДА ДО КОМПЬЮТЕРНОГО ЗРЕНИЯ
Будущая стратегия развития ИИ в НСИС охватывает несколько критических направлений. Одно из приоритетных — анализ требований на самом раннем этапе. Это самый дешевый способ исправить ошибку: LLM будет проверять требования на полноту, противоречивость и наличие недостающих кейсов еще до того, как задача уйдет в разработку.
В области данных компания планирует развивать модули повышения качества информации и продвинутые системы борьбы с мошенничеством (антифрод). Благодаря владению 100% рыночными данными, Инсис может создавать модели, которые будут работать значительно точнее, чем внутренние системы любой отдельной страховой компании.
Также в планах внедрение компьютерного зрения для анализа фотографий и видео при регулировании убытков. Поскольку компания уже успешно распознает документы, переход к визуальному анализу является логичным шагом. При этом все разработки ведутся с учетом принципов объяснимости и этичности ИИ, чтобы каждое решение модели могло быть обосновано.
В докладе представлен комплексный опыт внедрения искусственного интеллекта в компании НСИС — центральном узле данных страхового рынка РФ. Основной акцент сделан на переходе от классического ML, который позволил ускорить обработку обращений в 20 раз, к современным RAG-системам и агентским архитектурам на базе LLM.
Особое внимание уделено стратегии «внедрения снизу», когда сотрудники самостоятельно автоматизируют рутинные процессы. Компания стремится к созданию AI-friendly среды, где ИИ берет на себя рутинный анализ требований, архитектурный надзор и генерацию документации, оставляя за человеком финальное принятие решений и ответственность.
