We use cookies to ensure our website works quickly and easily. Choose which cookies you allow us to use. Learn more in our Privacy Policy.
Обсудить проект
Отправьте запрос, и наши специалисты свяжутся с вами в течение 1 часа
Нажимая кнопку «Отправить», Вы даете однозначное согласие на обработку своих персональных данных в объеме и с целями, определенными Политикой в отношении обработки персональных данных.
Получить гайд
Заполните форму и получите пошаговое руководство по внедрению искусственного интеллекта
Нажимая кнопку «Отправить», Вы даете однозначное согласие на обработку своих персональных данных в объеме и с целями, определенными Политикой в отношении обработки персональных данных.
Получить рассчет
Нажимая кнопку «Отправить», Вы даете однозначное согласие на обработку своих персональных данных в объеме и с целями, определенными Политикой в отношении обработки персональных данных.
Discuss the project
Send a request and our specialists will contact you within 1 hour.
By clicking the "Send" button, you give your unambiguous consent to the processing of your personal data to the extent and for the purposes defined in the Personal Data Processing Policy.
Развертывание платформ данных и машинного обучения
для крупного платежного сервиса Узбекистана
20%
30%
Ускорение TTM готовности данных Клиент 360
на
на
Ускорение TTD для проверки новых продуктовых гипотез за счет использования единой описанной модели данных.
Заказчик
Крупнейшая платежная компания рынка Узбекистана
решение
Разработана и развернута платформа данных
на базе S3 Ozone, Airflow, Spark, Iceberg;
Спроектирована и внедрена
гибридная модель данных Клиент 360
по методологии Data Vault 2.0;
Установлена ML-платформа на основе ClearML, Kserve, Feast, выполнены запуски ML-модели кредитного скоринга на базе платформы.
на базе S3 Ozone, Airflow, Spark, Iceberg;
Спроектирована и внедрена
гибридная модель данных Клиент 360
по методологии Data Vault 2.0;
Установлена ML-платформа на основе ClearML, Kserve, Feast, выполнены запуски ML-модели кредитного скоринга на базе платформы.
Проектирование и разработка модели данных Клиент 360 на базе новой архитектуры озера данных;
Проектирование и реализация платформы машинного обучения на базе моделей машинного обучения кредитного скоринга.
Задача
Бизнес-ценности
Снижение операционных рисков
до 40% меньше простоев сервисов машинного обучения и инцидентов за счёт мониторинга, алертов и автоматических откатов моделей.
Экономия
Экономия на инфраструктуре и эксплуатации → 20–30% затрат на железо и облако за счёт централизованного сервинга (KServe), автоскейлинга и мониторинга.
Экономия на специалистах и отказ от «самописной» платформы → 30– 50% ФОТ платформенной команды.
Экономический эффект: +10–30 млн ₽ доп. прибыли с каждого кейса за счёт более раннего запуска.
Потенциальный эффект: до 30–40 млн ₽/год экономии по зарплатам (DevOps + MLOps).
Скорость
Ускорение TTM готовности данных Клиент 360 на 20%.
Ускорение TTD для проверки новых продуктовых гипотез на 30% за счет использования единой описанной модели данных.
Повышение доступности и качества данных Клиент 360;
Сокращение TTM новых кейсов (скоринг, антифрод, next best offer) → в 2–3 раза быстрее: с 3–6 мес до 4–8 недель.
Сообщение об успешной отправке!