Мы используем файлы cookie для быстрой и удобной работы сайта. Выберите, какие файлы cookie вы разрешаете нам использовать. Подробнее в Политике конфиденциальности.
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.
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.
Get development
Submit a request and gain access to a training manual from a leading company expert!
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 Data и ML-платформы
для крупного платежного сервиса Узбекистана
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 Data-платформа
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 Data Lakehouse;
Проектирование и реализация ML-платформы на базе ML-моделей кредитного скоринга.
Проектирование и реализация ML-платформы на базе ML-моделей кредитного скоринга.
Задача
Бизнес-ценности
Снижение операционных рисков
до 40% меньше простоев ML-сервисов 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 ML-кейсов (скоринг, антифрод, next best offer) → в 2–3 раза быстрее: с 3–6 мес до 4–8 недель.
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 ML-кейсов (скоринг, антифрод, next best offer) → в 2–3 раза быстрее: с 3–6 мес до 4–8 недель.
Нажимая кнопку «Отправить», вы даете однозначное согласие на обработку своих персональных данных в объеме и с целями, определенными Политикой в отношении обработки персональных данных.
Можно прикрепить три файла размером до 3 Мб каждый. Форматы: doc, docx, pdf, ppt, pptx
Разработка программного обеспечения и решений Big Data
Отправьте запрос, и генеральный директор свяжется с вами в течение 1 часа
Выберите удобный способ связи
Сообщение об успешной отправке!