Сингапурский DBS Bank довёл число промышленных AI/ML-моделей до 1500+, распределённых более чем по 370 бизнес-кейсам, и получил от них свыше S$750 млн экономического эффекта за 2024 год — вдвое больше, чем годом ранее. Заметная часть этого эффекта приходится не на маркетинг и не на кредитный скоринг, а на антифрод и защиту клиентов от скама. Для SOC и риск-подразделений это редкий случай, когда банк раскрывает не общие слова про «AI-трансформацию», а конкретную архитектуру масштабирования моделей.
Что произошло
По данным годового отчёта DBS за 2024 год и материалов Singapore Economic Development Board, банк системно наращивал портфель моделей машинного обучения последние несколько лет: от точечных пилотов до библиотеки из 1500+ моделей, обслуживающих 370+ use-case — от персонализации до комплаенса и борьбы с мошенничеством. В 2024 году клиентам разослали более 1,2 млрд персонализированных «подсказок» (nudges) для 13+ млн клиентов региона, а свыше 1,5 млн клиентов в Сингапуре воспользовались инструментами защиты от скама на базе этих моделей. CEO банка Тан Су Шан прогнозирует, что в 2025 году вклад AI в выручку превысит S$1 млрд — против S$750 млн годом ранее.
Важная оговорка для тех, кто ссылается на этот кейс: цифра выражена в сингапурских долларах (S$), а не в долларах США — путаница в этой сумме регулярно встречается в пересказах кейса.
Как устроен антифрод-конвейер
DBS не описывает единую «супермодель» — вместо этого банк построил конвейер из специализированных моделей, каждая из которых закрывает узкий сегмент риска: аномалии транзакций, поведенческие паттерны клиента, скоринг мула, детекцию социальной инженерии в реальном времени. По открытым данным о банковском антифроде такого масштаба, ключевые архитектурные решения обычно включают три слоя:
- Слой данных. Единое хранилище (data lake), куда стекается транзакционная, поведенческая и контекстная телеметрия по всем каналам — это снимает проблему разрозненных систем, которая исторически была узким местом транзакционного мониторинга.
- Слой моделей. Вместо одной rule-based системы — портфель ML-моделей, каждая заточена под свой тип аномалии; часть моделей — с элементами обучения без учителя (unsupervised) для выявления паттернов, которых нет в исторических метках фрода.
- Слой реагирования. Круглосуточная команда по борьбе со скамом получает уже отфильтрованные и приоритизированные алерты, а не сырой поток срабатываний — это прямой ответ на главную боль классических систем: избыточную долю ложных срабатываний.
Отдельного внимания заслуживает практика регулярного переобучения моделей: рынок мошеннических схем меняется быстрее, чем живёт статичная модель, и банки такого масштаба закладывают периодический ретрейн в процесс, а не полагаются на модель, обученную один раз и забытую.
Что внедрить у себя
Большинству компаний не нужны 1500 моделей — но принципы масштабирования переносимы и на портфель из 5-10 моделей в SOC или антифрод-команде:
- Сведите транзакционные, идентификационные и поведенческие данные в единое хранилище до того, как начнёте обучать модели — иначе каждая новая модель будет тянуть за собой отдельную интеграцию.
- Стройте портфель узкоспециализированных моделей вместо одной универсальной — это упрощает объяснимость и позволяет откатывать/дообучать одну модель, не трогая остальные.
- Закладывайте регулярный ретрейн как процесс с владельцем и метрикой дрейфа модели, а не как разовый проект.
- Измеряйте не только полноту детекции, но и долю ложных срабатываний — именно она определяет, будет ли команда реально успевать разбирать алерты.
- Разделяйте слой детекции и слой реагирования: аналитик должен получать уже приоритизированный сигнал, а не сырой поток аномалий.
- Считайте экономический эффект в деньгах (предотвращённые потери, время аналитиков), а не только в технических метриках — это то, что переводит проект из категории «эксперимент» в категорию «инфраструктура».
Кейс DBS показывает, что зрелый AI-антифрод — это не одна модель, а операционная дисциплина вокруг данных, портфеля моделей и цикла реагирования. Похожая логика масштабирования агентов видна и в других банковских и SOC-кейсах: например, в том, что именно ловит AI-антифрод JPMorgan, как агентный триаж Microsoft генерирует в 6,5 раза больше вредоносных алертов, чем аналитик, и почему при выборе модели для AI-SOC важно не платить скоростью за качество расследований.
Источники: DBS Annual Report 2024 (dbs.com); Singapore Economic Development Board, «How DBS is capturing the full value of AI and Machine Learning» (edb.gov.sg); CNBC, «CEO Southeast Asia’s top bank DBS says AI adoption already paying off» (cnbc.com).
