Ещё три года назад словосочетание «искусственный интеллект» в информационной безопасности встречалось в основном в презентациях крупных вендоров. Сегодня ситуация изменилась. Практически любой продукт на рынке так или иначе использует AI (ИИ), ML, LLM или другие аббревиатуры, связанные с искусственным интеллектом.

Если верить маркетинговым материалам, современные решения способны самостоятельно выявлять атаки, расследовать инциденты, прогнозировать угрозы и почти заменить аналитиков SOC. И когда заказчик слышит слово «ИИ», то ожидает почти универсального цифрового эксперта. Но после внедрения оказывается, что чудес не произошло, ведь за громкими заявлениями часто скрываются совершенно разные технологии, где рядом с генеративными языковыми моделями будет «сидеть» классическая корреляция событий или машинное обучение.

Давайте разберемся, где искусственный интеллект действительно помогает специалистам по ИБ, а где пока остается скорее маркетинговым ярлыком.

Про устройство банкоматов и инженеров, которые помогают им исправно работать.

Банкоматы могут работать десятки лет, но их обновляют не по причине старости, а когда они морально устаревают, и у новых устройств новый дизайн, функции и технологии более совершенны. Например, за последние годы в Альфе произошла масштабная замена парка на новые устройства с ресайклерами.

Ресайклер (Cash Recycling) — это модуль, который принимает деньги одних клиентов и отдаёт другим. Если 10 лет назад у банкоматов были два окошка — одно для выдачи, другое для приема, — а инкассаторы регулярно выгружали наличные и загружали новые, то банкомат с ресайклером сам себя обеспечивает наличностью, а вдобавок может работать непрерывно, и принимать и выдавать крупные пачки денег.

Однако, есть и минусы. У ресайклера десятки моторов, сотни датчиков и большое количество микроконтроллеров — это большой, слаженный и сложный механизм. А чем сложнее устройство, тем больше вероятность его поломки. Поэтому подавляющая часть нашей работы, как инженеров сопровождения, связана с ресайклером. 

Меня зовут Александр Костин, я ведущий инженер сопровождения электронных устройств, — помогаю банкоматам исправно работать. В статье расскажу, что чаще всего ломается в банкоматах, что такое модули, какие детали мы всегда носим с собой, почему бессмысленно думать о том, чтобы взломать банкомат, и какие модели банкоматов были похожи на Тойоты — в том смысле, что идеально ремонтопригодные.

Привет, на связи Alfa Research Center — исследовательский центр Альфа-Банка. Обычно мы занимаемся исследованиями банковских интерфейсов, но однажды нашим заказчиком стала Президентская академия (РАНХиГС). Они хотели понять, насколько Личный кабинет студента отвечает ожиданиям и как выглядит на фоне рынка. Проверить продукт на UX никогда не бывает лишним, ведь если вам даже кажется, что у вас все хорошо, то глубокое UX-исследование покажет может показать неожиданные результаты.

В этой статье расскажем, как погрузились в личный кабинет студента Президентской академии. Для этого использовали опросы, айтрекинг Tobii Pro и технологию SenseMachine, которая считывает эмоциональный отклик по микровыражениям лица. В итоге получили более 45 выявленных инсайтов и проблем, и столько же рекомендаций на 150 слайдах в отчете.

Но сначала давайте определимся с тем, что мы считаем за «личный кабинет студента».

В какой-то момент у нас, как и у многих команд, появился соблазн проверить: а можно ли уже не просто просить AI «написать user story», а действительно встроить его в рабочий процесс аналитика? Например, дать агенту вводные по задаче, макеты в Figma, примеры документации и требования к оформлению, и получить на выходе нормальный Use Case, API-спецификацию, PlantUML-диаграмму и аккуратную страницу в Confluence.

Звучит красиво. 

Особенно если вы когда-нибудь вручную переносили сценарии из заметок в Confluence, сверяли шаги с макетами, оформляли вкладки с HTTP-запросами, проверяли коды ошибок и пытались не забыть все вопросы, которые «надо потом уточнить».

В статье расскажу, насколько мы близки к этой утопии — как протестировали работу ИИ в реальном аналитическом процессе в нескольких кейсах: для подготовки Use Case, аналитических артефактов, публикации в Confluence и в работе с Figma.

Меня зовут Темченко Сергей, и за последние два года я в разных ролях участвовал во множестве LLM-проектов. Недавно я заметил, что на полях моей тетради накопились значительное количество заметок. Ими я хочу с вами поделиться.

Сейчас каждая компания запускает LLM-проекты, но далеко не все понимают, во что на самом деле ввязываются. По моим наблюдениям, команды на старте систематически недооценивают, насколько сложен путь от прототипа до работающего решения. Под катом условный чек-лист действий, которые нужно сделать (или не сделать) перед тем, как приступать к LLM-проектам в крупных организациях.

Триангуляция — это принцип, позволяющий получить более полную и точную картину за счёт сочетания разных методов в одном исследовании. Например, можно объединить интервью, юзабилити‑тестирование и количественный немодерируемый тест. В UX-исследованиях этих методов не обязательно три — всё зависит от задачи и ресурсов для решения. Наша задача — по-максимуму сочетать методы и строить сложные подходы для таких исследований. Особенно, когда сама команда не знает, какое исследование они хотят, в условиях ограничения сроков и ресурсов.

Привет! Мы — Юля, Лика и Настя – UX-исследователи из Alfa Research Center, профессионально ломаем голову над креативными проектами. Разберём, как работает этот метод на примере одной истории, в которой исследователи разрываются между внешними ограничениями и желанием «сделать хорошо». На нашем примере покажем, как работает триангуляция и чем полезнее простого юзабилити-тестирования зрелых сервисов.

Несколько лет я выкатывала себя в продакшн каждый день: без сна, без команды, без логов и без плана отката. Каждое утро деплой на уставшую голову, а каждую ночь бесконечный воркер, который пережёвывает один и тот же сценарий катастрофы и жрёт всю память. И я была уверена, что так и надо: просто работа, просто период, просто характер такой, да и вообще у всех так.

Но со временем поняла, что это не так, а теперь решила написать эту статью. Она про то, что когда мы выкатываем релиз в прод, то ведём себя как взрослые ответственные инженеры. А когда выкатываем в прод самих себя, то почему-то нет.

А ещё про то, как это всё дело чинить.

Привет! Я Маша, лидер стрима в HR Tech команде Альфы. В этой статье расскажу, как мы сделали «Открыточную» и теперь помогаем доставлять эмоции сотрудникам.

Будет про мемные открытки, поздравления с повышением и дизайн-ревью — даже в эмоциональном проекте без этого никак. Увидите, какой инструмент мы сделали, что с цифрами и откликом коллег.

Если у вас есть готовые эмбеддинги из других моделей произвольной природы или даже просто табличные данные, и вы хотите выжать из них максимум качества, то эта статья, в котором мы расскажем о наших экспериментах с построением модели, объединяющей результаты нескольких других нейросетевых моделей, будет вам полезна.

Каждый месяц в игры внутри приложения Альфа-Банка заходят миллионы пользователей. В игре человек выполняет задания ради бонусов или энергии, а для банка эти задания — реальные действия: оплата ЖКХ, заправка через приложение или заказ новой карты. Это отличный способ нативно продвигать продукты без назойливых рекламных баннеров.

Если в играх мало заданий, то их можно просто показать всем. Но когда механик становится много, появляется классическая рекомендательная задача: что именно предложить конкретному клиенту, в каком порядке, и как оценить эффект?

Ниже история о том, как мы автоматизировали этот процесс, почему простые решения победили сложные архитектуры и к чему это привело на практике.

Всем привет! С вами снова команда прикладных исследований Альфа-Банка. Раньше мы всегда рассматривали каждого клиента банка индивидуально, но это представление является неполным. Клиенты банка образуют множество разнообразных связей как друг с другом, так и с неклиентами, информация о чём может быть очень полезной для предсказания того, выйдет ли тот или иной клиент в дефолт или нет.

Информация о таких связях естественным образом образует граф. К примеру, полученный нами граф имеет примерно 50 млн вершин и 500 млн узлов. Эти данные можно обрабатывать двумя способами: на основе информации о вершинах и ребрах графа создать витрину табличных признаков, или можно построить графовую нейронную сеть. 

В этой статье мы расскажем о втором способе — о нших экспериментах с графовыми нейронными сетями на социальных связях клиентов и о том, как это отразилось на качестве прогноза дефолта.

Всем привет! Мы команда прикладных исследований и разработки моделей глубокого обучения Альфа-банка. В этой статье мы хотели бы рассказать о наших самых актуальных разработках в области нейросетевых подходов к решению задачи кредитного скоринга физических лиц. Ранее мы уже писали на эту тему, но последняя статья предыдущего цикла датирована 2023 годом. За это время мы смогли значительно продвинуться в исследовании способов решения данной задачи.

Привет друзья! Меня зовут Тима, я дизайнер в дизайн-системе Альфа-Бизнес.  Когда в крупном финтех-продукте заходит речь об обновлении иконок, со стороны это кажется легкой творческой задачей на пару недель: сел, порисовал в Figma, выгрузил — готово. Но в реальности бигтеха любая попытка просто «освежить визуал» моментально сталкивается с суровой инфраструктурой, сотнями легаси-компонентов и хаосом, который годами копился в коде и макетах.

В этой статье я расскажу, как банальная задача по редизайну графики превратилась в масштабную пересборку целой подсистемы. Вы узнаете, почему нам пришлось отказаться от привычной сетки размеров, как мы внедрили понятие «сабглифов» для сложных метафор и как написали собственный плагин, чтобы автоматизировать экспорт 2500+ иконок напрямую в код, сэкономив сотни часов разработчикам.

Те, кто уже проходил через подобное в больших продуктах, скорее всего узнают знакомые проблемы. А тем, кто только собирается нырнуть в такое приключение, статья поможет чуть раньше подметить проблемы, которые обычно всплывают сильно позже.

История началась с довольно простой задачи — обновить иконки. Но чем дальше я погружался, тем понятнее становилось, что история здесь шире рядового редизайна.

Представьте ситуацию: вы открываете какой-нибудь файл в проекте, которому уже года три (чаще всего это форма). И в голове всплывает мысль:  «А что тут вообще происходит?». Причём не в смысле «кто виноват», а в смысле «как мы вообще сюда пришли?».

Я фронтенд-разработчица, и за шесть лет в разработке такое случалось почти на каждом проекте, где мне удалось побывать. Я хочу сразу оговориться: это не статья из серии «как надо жить». Это скорее разговор по типу «смотрите, как все мы иногда делаем и даже не замечаем».

Всем привет! Я, Дианов Стас, product manager. Сегодня разработка фичей и продуктов действительно очень похожа на сложный производственный конвейер, только вместо токарных станков — Jira, пайплайны CI/CD и вечный, леденящий душу вопрос «а когда в прод?» от бизнеса.

На таком «заводе», особенно если мы говорим о финтехе с его регуляциями и ценой ошибки, выживают те команды, которые не только пишут чистый код, но и умеют измерять, как этот код проходит путь от идеи до продакшена. Об этом и поговорим.

Эта статья будет полезна всем: тимлидам, продактам и обычным инженерам, которые хотят понимать, как их работа выглядит на уровне всей системы.

Всем привет! С вами Песковацков Илья (@ilia_peskovatskov), лид DevOps-направления. Мы два года жили прекрасно с Istio Sidecar, решали свои проблемы, в частности, с метриками и безопасностью. Но просто спокойно работать любознательным инженерам скучно и мы решили посмотреть на новый режим Ambient. В статье расскажу, как мы прорабатывали, провели и с чем столкнулись в рамках миграции своих кластеров Istio с Sidecar режима на Ambient.

Вроде познакомились, тогда погнали.

Всем привет, меня зовут Алина, я работала в роли Delivery Manager и прожила ее изнутри, поэтому хорошо понимаю, почему в большинстве компаний роль есть, а эффекта от роли нет. Сейчас объясню.

Для меня Delivery Manager отвечает не за отдельную задачу или проект, а за устойчивость delivery в целом: условно, за конвейер, через который любой проект или фича проходят предсказуемо. В первую очередь это роль, которая работает на уровне системы:

— видит зависимости между командами и в команде,
— понимает технические ограничения,
— управляет рисками и загрузкой команд,
— влияет на решения, которые сказываются на сроке и качестве.

Он не пишет код, но влияет на условия, в которых работает вся система разработки. 

Но это в теории. А в реальности чаще всего есть некая «бумага», на которой прописано, что существует роль, отвечающая за delivery. При этом зона ответственности размыта, особенно там, где есть пересечение ролей Team Lead, SM, PO,PM, метрик нет, а влияние на результат ограничено.

Потому и эффекта нет, зато есть срывы сроков и перегруженные команды, а эскалации не снижаются.

Привет, я Максим, лидер AI-powered разработки. В 2024 году я пришёл в банк руководителем проектов, потом занимался партнёрскими интеграциями, а теперь привет, Enterprise Vibe Coding!

Как так получилось и что я понимаю под тем самым AI-powered и вайб-кодингом в корпорации — поделюсь в статье. Будет про методологию разработки до и после вайб-кодинга, про семантику, навыки идеального вайбкодера и даже немного про мотоциклы.

Однажды в одной французской колонии наступил локальный апокалипсис из-за того, что из метрополии никак не поступали деньги. И когда чиновник по имени Жак, управляющий далекой колонией, отчаялся от недостатка наличности, то придумал, как платить зарплату игральными картами, не имея на руках ни одного серебряного экю. Такие деньги неожиданно всем понравились и долго использовалась во французских колониях XVII и XVIII веков. И использовались бы ещё дольше, если бы не жадность и недальновидность Короля.

Я читаю IT-книги уже много лет. И много лет мирюсь с одним и тем же: «управление транзакций с помощью повествований» вместо саги, «многоразовый код» вместо переиспользуемого, «конечная точка» вместо эндпоинта. Переводчикам памятник надо ставить за то, что они пытаются, но читать от этого не легче. Особенно когда книга стоит 3000 рублей и ты застрял на одном абзаце, потому что мозг зациклился на не правильном термине.

Оказалось, я не один такой. Есть сообщество разработчиков, которые вычитывают книги до печати — проверяют терминологию, подписи к схемам, логику изложения. Я присоединился и взял на ревью книгу про промт-инжиниринг и разработку приложений на основе LLM от создателей GitHub Copilot. Это дало неожиданный эффект — я читал эту книгу настолько внимательно, насколько это возможно.