ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ДРАЙВЕР ИННОВАЦИЙ В ПЛАТЕЖНЫХ СИСТЕМАХ

АННОТАЦИЯ

В статье рассматривается потенциал искусственного интеллекта (AI) и машинного обучения (ML) как драйверов инноваций в платежных системах. Проведен анализ теоретических возможностей и ограничений применения различных алгоритмов AI/ML для повышения эффективности, безопасности и персонализации платежных сервисов. Особое внимание уделено перспективам использования AI/ML в обнаружении фрода, улучшении аутентификации, оптимизации транзакционных издержек и формировании индивидуализированного клиентского опыта.

Наряду с анализом возможностей, рассмотрены сопутствующие риски и вызовы, связанные с внедрением AI/ML, включая этические, регуляторные и технические аспекты. Предложены теоретические рекомендации по эффективному и безопасному использованию AI/ML в платежных системах, направленные на максимизацию положительного эффекта и минимизацию негативных последствий. Данные рекомендации охватывают стратегию внедрения, этические принципы, развитие компетенций, обеспечение прозрачности и мониторинг эффективности, что формирует основу для устойчивого и ответственного развития платежных систем в контексте цифровой трансформации.

ABSTRACT

The article considers the potential of artificial intelligence (AI) and machine learning (ML) as drivers of innovation in payment systems. The analysis of theoretical possibilities and limitations of application of various AI/ML algorithms to improve efficiency, security and personalization of payment services is carried out. Particular attention is paid to the prospects of using AI/ML in detecting fraud, improving authentication, optimizing transaction costs and shaping a personalized customer experience.

Along with analyzing the opportunities, the accompanying risks and challenges associated with the implementation of AI/ML, including ethical, regulatory and technical aspects, are considered. Theoretical recommendations for the effective and safe use of AI/ML in payment systems are proposed, aimed at maximizing positive effects and minimizing negative consequences. These recommendations cover implementation strategy, ethical principles, competence development, transparency and performance monitoring, which forms the basis for sustainable and responsible development of payment systems in the context of digital transformation.

Ключевые слова: искусственный интеллект (AI), машинное обучение (ML), платежные системы, фрод, кибербезопасность, персонализация, финансовые технологии.

Keywords: artificial intelligence, machine learning, payment systems, fraud, cybersecurity, personalization, financial technologies.

Введение

В условиях динамичного развития цифровой экономики и экспоненциального роста объемов электронных транзакций [1], проблема обеспечения эффективности, безопасности и персонализации платежных систем приобретает особую значимость. Современный ландшафт финансовых операций характеризуется увеличением скорости, объема и разнообразия транзакций [1], что создает новые вызовы для традиционных подходов к управлению и обеспечению надежности платежных процессов. Пользователи все чаще ожидают от платежных систем не только безопасного и быстрого проведения операций, но и адаптации к их индивидуальным потребностям и предпочтениям [2]. Существующие платежные инфраструктуры, оперирующие на основе традиционных алгоритмов и методов, демонстрируют ограниченные возможности в связи с растущей сложностью и масштабом угроз, а также возрастающими ожиданиями пользователей относительно индивидуализированного сервиса. 

В частности, ограничения традиционных подходов к управлению платежными системами проявляются в их недостаточной адаптивности к эволюционирующим схемам мошенничества, поскольку статические правила и пороговые значения оказываются уязвимыми перед сложными атаками. Аналогично, системы персонализации, основанные на фиксированной сегментации клиентов, не учитывают динамику поведения и предпочтений пользователей, что снижает эффективность программ лояльности и таргетированных предложений. Кроме того, автоматизация рутинных операций, в частности, обработка счетов и сверка платежей, осложняется трудностями в распознавании и классификации неструктурированной информации. Указанные недостатки подчеркивают необходимость внедрения инновационных решений, способных обеспечить гибкость, адаптивность и общую эффективность платежных систем в условиях стремительно меняющейся цифровой среды [7].

В связи с этим, настоящее исследование направлено на определение и анализ теоретических возможностей и потенциальных последствий применения технологий искусственного интеллекта (AI) и машинного обучения (ML) в платежных системах. AI и ML рассматриваются как перспективные инструменты для решения широкого спектра задач, связанных с повышением эффективности, безопасности и персонализации платежных сервисов. Целью исследования является выявление перспективных направлений использования AI/ML для существенного повышения эффективности, безопасности и персонализации платежных сервисов, а также оценка сопутствующих рисков и вызовов. Для достижения поставленной цели предполагается решение следующих задач:

1. изучение текущего состояния и ключевых тенденций развития платежных систем, включая анализ технологических инноваций, нормативно-правовых изменений и потребительских предпочтений;
2. анализ теоретического потенциала AI/ML в решении критических проблем, стоящих перед платежными системами, таких как фрод, кибербезопасность, оптимизация транзакционных издержек и улучшение клиентского опыта;
3. рассмотрение перспективных областей применения AI/ML в платежных системах (персонализация, безопасность, оптимизация) с акцентом на теоретические аспекты и возможные будущие направления, включая анализ применимости различных алгоритмов и методов машинного обучения к конкретным задачам;
4. оценка потенциальных рисков и вызовов, связанных с внедрением AI/ML (этические, регуляторные, технические), включая вопросы ответственности, предвзятости алгоритмов, защиты данных и обеспечения прозрачности;
5. разработка теоретических рекомендаций по эффективному использованию AI/ML в платежных системах, направленных на максимизацию положительного эффекта и минимизацию негативных последствий.

Теоретическая значимость данного исследования заключается в систематизации существующих знаний и расширении понимания перспектив применения технологий искусственного интеллекта (AI) и машинного обучения (ML) в сфере платежных систем. Работа направлена на выявление и анализ ключевых факторов, определяющих эффективность этих технологий в контексте обеспечения безопасности, оптимизации процессов и персонализации сервисов. Результаты исследования формируют концептуальную основу для дальнейших теоретических исследований, стимулируя развитие новых подходов и моделей, учитывающих специфику платежных систем и особенности применения AI/ML в финансовой сфере. Кроме того, статья способствует углублению понимания взаимосвязи между технологическими инновациями, нормативно-правовым регулированием и потребительскими предпочтениями в контексте развития платежных систем, что является важным фактором для формирования эффективных стратегий развития отрасли.

Практическая значимость исследования определяется возможностью непосредственного использования полученных результатов операторами платежных систем, регуляторами и разработчиками для принятия обоснованных решений в области внедрения AI/ML-решений. Разработанные теоретические рекомендации могут служить основой для формирования стратегий развития, направленных на повышение эффективности, безопасности и клиентоориентированности платежных сервисов. Результаты исследования также могут быть использованы для разработки нормативных рамок, регулирующих использование AI/ML в платежных системах, обеспечивая баланс между инновациями и защитой интересов потребителей. Кроме того, статья может послужить стимулом для разработки новых технологических решений и совершенствования существующих платежных сервисов, способствуя развитию конкуренции и повышению качества обслуживания в финансовой сфере.

Материалы и методы

В рамках данного исследования использован комплекс взаимодополняющих методов, направленных на всесторонний анализ заявленной проблематики. Теоретический анализ включал в себя систематизацию и обобщение научной литературы, нормативно-правовых актов и аналитических отчетов, посвященных развитию платежных систем, применению технологий AI/ML в финансовой сфере, а также вопросам кибербезопасности и защиты данных. Особое внимание уделялось работам, посвященным моделированию и оптимизации бизнес-процессов в платежных системах с использованием AI/ML, а также исследованию этических и регуляторных аспектов внедрения данных технологий. Проводился сравнительный анализ различных подходов и алгоритмов машинного обучения, применяемых для решения задач обнаружения мошенничества, аутентификации, персонализации и оптимизации маршрутизации платежей.

Методологической основой исследования послужил системный подход, позволяющий рассматривать платежные системы как сложные социально-технические системы, состоящие из взаимосвязанных элементов. Для выявления ключевых тенденций развития платежных систем, перспективных направлений применения AI/ML, а также оценки сопутствующих рисков и вызовов использовались методы анализа и синтеза, индукции и дедукции, а также методы экспертных оценок. Разработка теоретических рекомендаций по эффективному использованию AI/ML в платежных системах осуществлялась на основе принципов системного анализа, учитывающих экономические, социальные, технологические и этические аспекты. Для визуализации и структурирования полученных результатов применялись методы табличного представления данных.

Основное содержание исследования

1. Обзор и классификация платежных систем

Платежные системы представляют собой сложные и многогранные инфраструктуры, обеспечивающие перевод денежных средств между экономическими агентами [9]. Они лежат в основе функционирования современной экономики, поддерживая транзакции в сфере торговли, услуг, инвестиций и многих других областях [9]. В зависимости от масштаба операций, значимости для экономики, способа расчетов и направления платежных сообщений, платежные системы подразделяются на розничные/оптовые, системно значимые/рядовые, брутто/нетто, дебетовые/кредитовые (Таблица 1). Данная классификация позволяет выделить основные типы платежных систем и определить их ключевые характеристики, что является необходимым условием для последующего анализа перспектив применения AI/ML.

Таблица 1.

Классификация платежных систем в зависимости от масштаба операций, значимости для экономики, способа расчетов и направления платежных сообщений. Составлено автором на основе [3]

Трансформация современных платежных систем характеризуется влиянием технологических инноваций, эволюции регуляторной среды и изменений в потребительском поведении, формируя новые требования к эффективности и безопасности финансовых операций [1]. Наблюдается значительный рост популярности мобильных платежей и электронных кошельков, обусловленный повсеместным распространением смартфонов и удобством соответствующих мобильных приложений, что постепенно смещает фокус с традиционных методов оплаты [1]. Одновременно, распространение бесконтактных технологий, таких как Near Field Communication (NFC) и QR-коды, способствует ускорению транзакций и повышению удобства расчетов, становясь предпочтительным выбором для многих потребителей [4]. Глобализация экономики стимулирует развитие трансграничных платежных решений, а также изучение потенциала криптовалют как альтернативных механизмов осуществления международных переводов [10], хотя их интеграция и масштабирование по-прежнему зависят от регуляторных аспектов и волатильности рынка.

В связи с усилением конкуренции и нарастающими киберугрозами, операторы платежных систем все больше внимания уделяют обеспечению безопасности и удобства использования предлагаемых решений [1]. В условиях усиления конкуренции и нарастающих киберугроз операторы платежных систем, стремясь удержать и расширить свою клиентскую базу, активно инвестируют в передовые технологии безопасности — многофакторную аутентификацию, биометрию, токенизацию и системы мониторинга транзакций, основанные на искусственном интеллекте, — меры, направленные на защиту от мошенничества, утечек данных и других киберугроз [12; 13]. 

Важным шагом в этом направлении является активное внедрение Института Киберучений, рассматриваемого как ключевой механизм стресс-тестирования и оценки киберрисков в рамках надзорной деятельности Банка России [12]. Интеграция киберучений в проверочные мероприятия позволяет перейти от формальных проверок к реальной оценке способности организаций противостоять кибератакам, что напрямую влияет на актуализацию их риск-профилей. Параллельно активно развивается инфраструктура киберполигона Банка России, предназначенная для оценки защищенности новых финансовых продуктов и сервисов, а также для практико-ориентированного обучения специалистов по информационной безопасности [12]. Оценка на киберполигоне, в перспективе, будет интегрирована с регулятивной «песочницей», что позволит еще на этапе разработки выявлять и устранять потенциальные уязвимости  [12].

Кроме того, компании все активнее внедряют стратегии персонализации клиентского опыта, используя аналитику данных и машинное обучение для разработки индивидуальных сервисов, программ лояльности и гибких кредитных лимитов, направленных на повышение удовлетворенности клиентов и укрепление их лояльности. Для соответствия требованиям по борьбе с отмыванием денег (AML) внедряются процедуры «Знай своего клиента» (Know Your Customer, KYC) [14]. Развитие открытого банкинга (Open Banking) также открывает новые перспективы для разработки инновационных платежных решений, основанных на данных о клиентах при условии получения их явного согласия, способствуя дальнейшему развитию и диверсификации рынка платежных систем [15].

Несмотря на очевидный прогресс в развитии платежных систем, обозначенные тенденции сопряжены с рядом ограничений [4; 5; 6]:

1. Реализация потенциала мобильных платежей и бесконтактных технологий, несмотря на их теоретические преимущества, сдерживается необходимостью наличия разветвленной инфраструктуры, включающей POS-терминалы с поддержкой NFC или QR-кодов, а также уровнем цифровой грамотности населения, который может варьироваться в зависимости от региона и демографической группы.
2. Трансграничные платежи и криптовалюты, несмотря на стремление к упрощению международных расчетов, сталкиваются с вызовами, связанными с непоследовательным регулированием в различных юрисдикциях, высокой волатильностью активов и проблемами масштабируемости, ограничивающими их широкое распространение.
3. Ужесточение требований к безопасности и соответствию нормативным актам, хотя и необходимое для защиты потребителей и поддержания стабильности финансовой системы, может приводить к увеличению транзакционных издержек и усложнению процессов аутентификации, что потенциально снижает привлекательность платежных сервисов для пользователей. 
4. Персонализация, со своей стороны, связана с этическими дилеммами, касающимися защиты персональных данных и предотвращения дискриминации, требуя разработки прозрачных и ответственных алгоритмов обработки информации.

Также сохраняется ряд значимых вызовов, требующих постоянного внимания и внедрения инновационных решений [4; 5; 6]:

1. Высокий уровень мошенничества и киберпреступности остается серьезной проблемой, наносящей финансовый ущерб участникам рынка и подрывающей доверие потребителей. Существующие системы защиты, несмотря на их развитие, не всегда способны эффективно противостоять новым, все более изощренным формам атак. 
2. Высокие комиссии и транзакционные издержки, особенно заметные в международных переводах, снижают эффективность платежных операций и ограничивают доступность финансовых услуг для широкого круга пользователей, в частности, в развивающихся странах. 
3. Сложность и длительность процессов обработки платежей, особенно в трансграничных операциях, создают неудобства для потребителей и препятствуют развитию международной торговли, подчеркивая необходимость оптимизации и стандартизации процедур. 
4. Недостаточная персонализация и адаптация к индивидуальным потребностям клиентов, приводящая к снижению лояльности и оттоку пользователей, указывает на необходимость более глубокого анализа потребительского поведения и разработки сервисов, учитывающих индивидуальные предпочтения и финансовые возможности клиентов.
5. Регуляторные ограничения и необходимость соответствия постоянно меняющимся требованиям, усложняют деятельность платежных систем и требуют значительных инвестиций в обеспечение соответствия, что потенциально ограничивает инновационную активность и сдерживает конкуренцию на рынке. 

Решение этих проблем требует комплексного подхода, включающего не только технологическое совершенствование, гармонизацию регуляторных требований и повышение финансовой грамотности населения, но и активное внедрение передовых аналитических инструментов, в частности, технологий искусственного интеллекта (AI) и машинного обучения (ML). В следующем разделе будет представлен углубленный анализ теоретического потенциала AI/ML в решении критических проблем, стоящих перед современными платежными системами — эффективное обнаружение и предотвращение фрода, обеспечение надежной кибербезопасности, оптимизация транзакционных издержек и существенное улучшение клиентского опыта посредством персонализированных сервисов и предложений.

Результаты и обсуждение

2. Возможности AI/ML в платежных системах

Технологии искусственного интеллекта (AI) и машинного обучения (ML) представляют собой мощный инструментарий для трансформации различных сфер деятельности, включая платежные системы [20]. Ключевыми технологиями AI/ML, применимыми в платежных системах, являются машинное обучение (ML), обработка естественного языка (NLP), компьютерное зрение (Computer Vision) и глубокое обучение (Deep Learning) . Машинное обучение включает в себя различные методы, позволяющие системам обучаться на данных без явного программирования, включая обучение с учителем, обучение без учителя и обучение с подкреплением. Обработка естественного языка позволяет системам понимать и обрабатывать человеческий язык, открывая возможности для автоматизации коммуникаций и анализа текстовой информации. Компьютерное зрение позволяет системам «видеть» и интерпретировать изображения, что может быть использовано для аутентификации и обнаружения мошенничества [19]. Глубокое обучение, основанное на многослойных нейронных сетях, позволяет решать сложные задачи, требующие высокой степени абстракции и распознавания образов. Теоретические основы каждой из этих технологий определяют их потенциальные возможности и ограничения в контексте платежных систем (Таблица 2).

Таблица 2.

Ключевые области применения AI/ML в платежных системах, включая задачи, методы и ограничения. Составлено автором на основе [8; 11; 16; 17; 18; 19; 20]

Обеспечение безопасности платежей представляет собой одно из ключевых направлений применения AI/ML в современных платежных системах [18]. AI/ML-технологии позволяют существенно повысить эффективность обнаружения и предотвращения фрода, оптимизировать процессы аутентификации и прогнозировать потенциальные кибер-атаки [17]. В частности, для обнаружения фрода могут применяться алгоритмы машинного обучения, такие как модели на основе градиентного бустинга (например, XGBoost, LightGBM) или нейронные сети (например, рекуррентные нейронные сети (RNN) для анализа последовательностей транзакций), анализирующие транзакционные данные в режиме реального времени. Эти алгоритмы способны выявлять аномальные паттерны, отклонения от типичного поведения пользователя, а также признаки, указывающие на возможную мошенническую активность. Например, резкое увеличение объема транзакций, транзакции из необычных географических локаций или с использованием новых устройств могут быть идентифицированы как подозрительные. Помимо этого, используются Anomaly Detection алгоритмы, такие как Isolation Forest или One-Class SVM, которые строят профиль нормального поведения и выявляют отклонения от него.

Улучшение аутентификации достигается за счет использования биометрических методов, таких как распознавание лиц (с использованием сверточных нейронных сетей, CNN) и отпечатков пальцев (с применением алгоритмов анализа текстуры и геометрических характеристик), а также поведенческой аутентификации [19]. Последняя предполагает анализ паттернов поведения пользователя, таких как скорость набора текста, движения мыши или особенности взаимодействия с мобильным устройством, с использованием алгоритмов машинного обучения, таких как скрытые марковские модели (HMM) или динамические байесовские сети [19]. Такие системы способны идентифицировать пользователя не только по статическим биометрическим данным, но и по динамическим поведенческим характеристикам, что значительно повышает уровень безопасности.

Прогнозирование кибер-атак осуществляется с использованием алгоритмов машинного обучения, таких как временные ряды (например, ARIMA) или алгоритмы обнаружения аномалий в сетевом трафике (например, на основе алгоритма K-means или Density-Based Spatial Clustering of Applications with Noise (DBSCAN)) [17]. Эти алгоритмы анализируют данные о сетевой активности, логи серверов и другие источники информации, выявляя признаки подготовки к атаке — необычные всплески трафика, попытки несанкционированного доступа или сканирование портов. Однако, необходимо учитывать, что эффективность AI/ML в области безопасности платежей напрямую зависит от качества и объема доступных данных [18], а также от сложности и разнообразия угроз. Для эффективного обучения алгоритмов требуется наличие большого количества размеченных данных (например, с информацией о мошеннических и немошеннических транзакциях) [16, 17]. Кроме того, необходимо постоянно адаптировать алгоритмы к новым схемам мошенничества и кибер-атак, что требует непрерывного мониторинга и переобучения моделей [17, 20]. Использование Adversarial Machine Learning, направленного на защиту от обманных атак на AI, становится все более важным [19]. Также важно учитывать проблемы model drift, когда производительность модели снижается из-за изменения данных со временем. Поэтому необходимо регулярно проводить model retraining (переобучение модели на новых данных для поддержания актуальности) и performance monitoring (непрерывный мониторинг производительности модели для выявления ухудшений и своевременного принятия мер) [17, 18].

Персонализация услуг, предоставляемых платежными системами, представляет собой еще одно перспективное направление применения технологий AI/ML, позволяющее значительно повысить удовлетворенность клиентов и укрепить их лояльность [16]. AI/ML могут быть использованы для разработки интеллектуальных рекомендательных систем, предлагающих пользователям товары и услуги, максимально соответствующие их интересам и потребностям [20]. Такие системы, как правило, используют алгоритмы коллаборативной фильтрации (например, User-based Collaborative Filtering или Item-based Collaborative Filtering) или контент-ориентированные методы, анализирующие историю покупок, просмотренные товары, оценки и отзывы пользователей, а также метаданные товаров (например, описание, категорию, характеристики). Более продвинутые системы могут использовать Hybrid Recommender Systems, комбинирующие несколько подходов для повышения точности рекомендаций [16, 17]. В качестве примера, можно привести системы, предлагающие пользователю наиболее подходящие кредитные продукты на основе анализа его финансовой истории и кредитного рейтинга, или рекомендации по инвестициям, учитывающие его инвестиционный профиль и цели [20].

Для создания персонализированных программ лояльности, адаптированных к индивидуальным предпочтениям клиентов, могут использоваться алгоритмы кластеризации (например, K-Means, DBSCAN или Hierarchical Clustering) для сегментации клиентской базы на группы с общими характеристиками и потребностями [18]. На основе этих сегментов разрабатываются индивидуальные условия программы лояльности, предлагающие скидки, бонусы и другие привилегии, соответствующие потребностям каждого клиента [16, 18]. Например, для пользователей, часто совершающих покупки в определенной категории товаров, могут быть предложены повышенные бонусы за покупки в этой категории [20].

Персонализация процесса оплаты может включать в себя предложение наиболее удобных способов оплаты (например, на основе анализа истории платежей пользователя и его географического местоположения), автоматическое заполнение платежных данных (с использованием технологий распознавания текста и автоматического заполнения форм) и адаптацию интерфейса к предпочтениям пользователя (например, изменение цветовой схемы или расположение элементов интерфейса). Для реализации этих задач могут использоваться алгоритмы машинного обучения, такие как классификаторы (например, Support Vector Machines (SVM), Random Forest) для определения предпочтительного способа оплаты или алгоритмы обучения с подкреплением для оптимизации интерфейса [17].

Однако, необходимо учитывать, что теоретические возможности AI/ML в области персонализации услуг ограничены необходимостью сбора и анализа больших объемов данных о пользователях, а также этическими рисками, связанными с защитой персональных данных и предотвращением дискриминации [19]. Важно соблюдать принципы конфиденциальности и прозрачности при сборе и использовании данных, а также разрабатывать алгоритмы, которые не приводят к дискриминации определенных групп пользователей [16, 18]. Необходимо внедрение Differential Privacy и других техник защиты данных, чтобы минимизировать риск утечек и злоупотреблений [17, 20]. Также важно обеспечить возможность для пользователей контролировать свои данные и отказаться от персонализированных предложений.

Оптимизация процессов, связанных с обработкой платежей, представляет собой еще одну область, в которой технологии искусственного интеллекта (AI) и машинного обучения (ML) демонстрируют значительный потенциал, позволяя повысить эффективность, снизить затраты и улучшить качество обслуживания клиентов [16]. AI/ML могут быть использованы для автоматизации обработки счетов и платежей, что включает в себя распознавание и классификацию документов, таких как счета-фактуры и платежные поручения, с использованием методов обработки естественного языка (NLP) и компьютерного зрения (Computer Vision) [17, 19]. В частности, для распознавания текста (OCR) на изображениях могут использоваться сверточные нейронные сети (CNN), а для извлечения информации из текстовых документов — рекуррентные нейронные сети (RNN) или трансформеры (например, BERT) [16, 18]. Автоматическое сопоставление платежей и счетов может осуществляться с использованием алгоритмов машинного обучения, которые анализируют данные о платежах и счетах, выявляя соответствия на основе различных критериев, таких как сумма, дата, номер счета и т.д. Например, алгоритмы кластеризации или алгоритмы сопоставления строк (например, алгоритм Левенштейна) могут быть использованы для группировки платежей и счетов, относящихся к одной и той же транзакции [20].

Оптимизация маршрутизации платежей может включать в себя выбор наиболее эффективного и экономичного маршрута для проведения платежа, учитывая различные факторы, такие как комиссии, скорость обработки и надежность платежных каналов. Для решения этой задачи могут использоваться алгоритмы оптимизации, такие как алгоритм Дейкстры или алгоритм Беллмана-Форда, которые позволяют найти оптимальный путь в графе, представляющем различные платежные каналы [17]. Более продвинутые системы могут использовать алгоритмы машинного обучения с подкреплением, которые обучаются на основе исторических данных о платежах, адаптируясь к изменяющимся условиям и оптимизируя маршрутизацию в режиме реального времени [19, 20].

Прогнозирование объемов платежей может использоваться для оптимизации использования ресурсов и снижения операционных издержек [16]. Для прогнозирования объемов платежей могут использоваться алгоритмы временных рядов, такие как ARIMA или Exponential Smoothing, а также алгоритмы машинного обучения, такие как рекуррентные нейронные сети (RNN) или Support Vector Regression (SVR) [17, 18]. Точное прогнозирование объемов платежей позволяет платежным системам более эффективно планировать свои ресурсы, такие как вычислительные мощности, пропускную способность сети и персонал [20].

Чат-боты и виртуальные ассистенты, использующие технологии обработки естественного языка (NLP), могут автоматизировать ответы на часто задаваемые вопросы и обеспечивать быструю и эффективную обработку запросов клиентов [19, 20]. Эти боты могут быть обучены на больших объемах данных о запросах клиентов и ответах сотрудников службы поддержки, используя алгоритмы машинного обучения, такие как seq2seq модели или трансформеры. Они позволяют существенно сократить время ожидания ответа и повысить качество обслуживания клиентов [16, 17].

В заключение, следует подчеркнуть, что технологии искусственного интеллекта и машинного обучения представляют собой не только перспективный, но и стратегически необходимый инструментарий для кардинальной трансформации современных платежных систем. Их внедрение предоставляет возможность решать широкий спектр задач, варьирующихся от проактивного обнаружения мошеннических операций и предиктивной персонализации клиентского опыта до комплексной оптимизации сквозных процессов обработки платежей. Тем не менее, успешная и эффективная реализация всего потенциала AI/ML в платежных системах требует комплексного подхода и тщательного учета ряда критически важных факторов — обеспечение доступности достаточного объема качественных данных, наличие высококвалифицированных специалистов, строгое соблюдение этических норм и принципов информационной безопасности, а также непрерывный мониторинг и адаптацию к изменяющимся условиям рынка и технологическим трендам. В следующем разделе будут представлены теоретические рекомендации по внедрению и использованию AI/ML в платежных системах, направленные на максимизацию их преимуществ и минимизацию рисков.

3. Теоретические рекомендации по внедрению и использованию AI/ML в платежных системах

Реализация потенциала технологий AI/ML в сфере платежных систем, характеризующихся высокой сложностью и динамичностью, требует разработки и последовательной имплементации комплексной стратегии, основанной на ряде ключевых принципов. Прежде всего, необходимо придерживаться поэтапного подхода, предполагающего первоначальное внедрение AI/ML-решений в рамках пилотных проектов, направленных на решение конкретных задач с четко определенными критериями успеха, таких как обнаружение фрода или оптимизация маршрутизации транзакций. Такой подход позволяет накопить необходимый опыт, верифицировать эффективность выбранных алгоритмов и моделей, а также минимизировать риски, связанные с внедрением инновационных технологий. На начальных стадиях внедрения целесообразно применение гибридных подходов, комбинирующих AI/ML-модели с традиционными аналитическими методами и экспертными знаниями, что способствует повышению надежности и устойчивости системы, особенно в условиях ограниченности или недостаточной репрезентативности доступных данных. При этом, ключевым фактором успеха является обеспечение бесшовной интеграции AI/ML-компонентов с существующей инфраструктурой платежной системы, минимизируя disruption и обеспечивая плавный переход к новым технологическим решениям, что может быть достигнуто за счет использования современных API и микросервисной архитектуры [15].

Обеспечение этичности и соответствия нормативным требованиям представляет собой критически важный аспект внедрения AI/ML в платежных системах, требующий разработки и имплементации четких принципов, направленных на защиту прав потребителей, предотвращение дискриминации и обеспечение прозрачности алгоритмических решений. Важно отметить, что решения, принимаемые AI/ML-системами, должны быть интерпретируемыми и поддаваться верификации, что достигается за счет использования Explainable AI (XAI) методов, позволяющих объяснить логику работы алгоритмов и факторы, повлиявшие на принятое решение. Операторы платежных систем должны активно участвовать в разработке новых регуляторных рамок, учитывающих специфику AI/ML и обеспечивающих баланс между инновациями и защитой интересов общества, сотрудничая с регуляторами, научным сообществом и другими заинтересованными сторонами. Кроме того, необходимо внедрять механизмы контроля за алгоритмами AI/ML, обеспечивающие соблюдение этических принципов и предотвращение дискриминации, а также предоставлять пользователям возможность оспорить решения, принятые AI, и получить доступ к информации, объясняющей логику этих решений.

Успешное внедрение и эффективное использование AI/ML в платежных системах неразрывно связано с наличием квалифицированных кадров, обладающих необходимыми знаниями и навыками в области машинного обучения, анализа данных, разработки программного обеспечения, информационной безопасности и юриспруденции. Для этого необходимо создавать междисциплинарные команды, объединяющие специалистов из различных областей, а также организовывать образовательные программы и тренинги, ориентированные на практическое применение AI/ML в платежных системах. Важно также стимулировать создание центров экспертизы и обмен опытом между организациями, что способствует ускорению развития компетенций и распространению лучших практик. Развитие компетенций должно охватывать не только технических специалистов, но и менеджеров, юристов и других специалистов, вовлеченных в процесс внедрения AI/ML, что позволит обеспечить комплексный и системный подход к реализации AI/ML-проектов.

Наконец, для обеспечения долгосрочной эффективности и безопасности использования AI/ML в платежных системах необходимо проводить непрерывный мониторинг и регулярную оценку результативности внедренных решений, используя как количественные, так и качественные метрики. Мониторинг должен включать в себя отслеживание ключевых показателей, таких как уровень фрода, транзакционные издержки, удовлетворенность клиентов и эффективность процессов обработки платежей. Результаты мониторинга и оценки эффективности должны использоваться для улучшения процессов разработки и внедрения AI/ML, а также для корректировки этических принципов и регуляторных рамок. Важно также отслеживать изменения в нормативной среде и учитывать их при мониторинге и оценке эффективности AI/ML, обеспечивая соответствие новым требованиям и стандартам. Регулярные аудиты и оценки, проводимые независимыми экспертами, позволяют выявлять потенциальные проблемы и риски, а также корректировать стратегии внедрения AI/ML, обеспечивая их соответствие меняющимся условиям рынка и технологическим трендам.

Заключение

Проведенное исследование позволило комплексно оценить потенциал искусственного интеллекта (AI) и машинного обучения (ML) как драйверов инноваций в платежных системах. Анализ теоретических возможностей и ограничений различных алгоритмов и подходов AI/ML в контексте специфических задач, стоящих перед платежными системами, продемонстрировал перспективность их применения для существенного повышения эффективности, безопасности и персонализации платежных сервисов. В частности, были выявлены многообещающие направления использования AI/ML в обнаружении фрода, улучшении аутентификации, оптимизации транзакционных издержек и персонализации клиентского опыта, что подтверждает гипотезу о трансформационном влиянии данных технологий на рассматриваемую отрасль. Вместе с тем, исследование акцентировало внимание на сопутствующих рисках и вызовах, связанных с внедрением AI/ML в платежные системы. Этические аспекты, такие как предвзятость алгоритмов, нарушение конфиденциальности и вопросы ответственности, требуют разработки и внедрения соответствующих принципов и регуляторных рамок, обеспечивающих защиту прав потребителей и предотвращение дискриминации. Технические вызовы, связанные с качеством данных, интеграцией с существующей инфраструктурой и обеспечением кибербезопасности, диктуют необходимость постоянного мониторинга и обновления моделей AI, а также развития компетенций и подготовки квалифицированных кадров. Предложенные теоретические рекомендации, охватывающие стратегию внедрения, этические принципы, развитие компетенций, обеспечение прозрачности и мониторинг эффективности, направлены на максимизацию положительного эффекта от использования AI/ML и минимизацию негативных последствий. Реализация этих рекомендаций позволит создать условия для устойчивого и ответственного развития платежных систем в условиях цифровой трансформации, обеспечивая баланс между инновациями, защитой интересов общества и соблюдением нормативных требований. Настоящее исследование представляет собой теоретическую основу для дальнейших практических разработок и внедрений AI/ML в платежные системы. Дальнейшие исследования могут быть направлены на разработку конкретных моделей и алгоритмов, адаптированных к специфическим задачам платежных систем, а также на проведение эмпирических исследований, оценивающих эффективность и влияние AI/ML на реальные платежные процессы. Результаты данных исследований могут быть использованы для разработки практических рекомендаций и руководств для участников рынка платежных систем, способствуя ускорению внедрения AI/ML и реализации их потенциала для трансформации отрасли.

Список литературы:

1. Банк России. Аналитический доклад «Цифровизация платежей и внедрение инноваций на платежном рынке», 2024 [Электронный ресурс]. – URL: https://cbr.ru/Content/Document/File/161600/analytical_report_20240605.pdf (дата обращения 04.01.2025)
2. Центр Финансовых инноваций и безналичной экономики «Сколково». Аналитический доклад «Российские потребители безналичных платежей: поведение, клиентский путь, типы платежей», 2018 [Электронный ресурс]. – URL: https://finance.skolkovo.ru/downloads/documents/FinChair/Research_Reports/SKOLKOVO_2018_12_Russian-consumers-research.pdf  (дата обращения 04.01.2025)
3. Белоусова В.Ю. Платежные системы и организация расчетов в коммерческом банке / В.Ю. Белоусова, В.М. Усоскин. — М.: Изд. дом Высшей школы экономики, 2012. — 190 с. [Электронный ресурс]. – URL: https://www.hse.ru/data/2016/03/01/1125271493/Belousova(jan).pdf (дата обращения 04.01.2025)
4. Мирошниченко О.С. Финансовая доступность банковских услуг для потребителей в условиях цифровизации / О. С. Мирошниченко // Финансы : теория и практика. — Москва, 2024 — N 6. Том 28. — С.134-142.
5. Ротко А.Г. Анализ инфраструктуры и тенденций на рынке цифровых финансовых активов в России / А. Г. Ротко // Финансовые рынки и банки. — М., 2024 — № 12. — С.408-413.
6. Тлеужанова М.А. Финансовая грамотность и ее макроэкономическое значение / М. А. Тлеужанова // Финансовые рынки и банки. — М., 2024 — № 12. — С.367-370.
7. Зубкова С.В. Цифровые технологии в современных банковских контакт-центрах / С. В. Зубкова, Д. С. Писакина // Финансовые рынки и банки. — М., 2024 — № 12. — С.250-253.
8. Лугуева А.С. Модели машинного обучения для предсказания дефолтов в банковском секторе / А. С. Лугуева, А. М. Нухова, Ш. С. Кадыров // Экономика и управление: проблемы, решения. — М., 2024 — № 12 (6). — С.156-162.
9. Коробейникова О.М. Методика анализа динамики платежных систем в цифровой экономике / О.М. Коробейникова,  Д.А. Коробейников, Е.С. Шемет, А.С. Горбачева // Вестник Нижегородского университета им. Н. И. Лобачевского, 2021. — №4 (64). — С.7-15.
10. Семеко Г.В. Суверенная цифровая валюта: новые возможности для трансграничных платежей / Г.В. Семеко // Финансовый журнал, 2022. — №4. — С.108-121.
11. Банк России. Доклад для общественных консультаций «Состояние и перспективы развития систем управления данными участников финансового рынка», 2023 [Электронный ресурс]. — URL: https://cbr.ru/Content/Document/File/145403/Consultation_Paper_14032023.pdf  (дата обращения 04.01.2025)
12. Банк России. Проект основных направлений цифровизации финансового рынка на период 2022–2024 годов, 2021 [Электронный ресурс]. — URL: https://cbr.ru/Content/Document/File/131360/oncfr_2022-2024.pdf (дата обращения 04.01.2025)
13. Голушко А. Направление аналитических исследований Positive Technologies. Киберугрозы финансовой отрасли: 2023-2024 . [Электронный ресурс]. — URL: https://www.ptsecurity.com/ru-ru/research/analytics/financial-industry-security-h2-2023-h1-2024/#id1 (дата обращения 04.01.2025)
14. Фазилов Ф.М. Роль и значение системы «KYC» в предупреждении отмывания денег // Universum: экономика и юриспруденция: электрон. научн. журн, 2021. — № 7(82) [Электронный ресурс]. — URL: https://7universum.com/ru/economy/archive/item/12044 (дата обращения 04.01.2025)
15. Банк России. Концепция внедрения открытых API на финансовом рынке, 2022 [Электронный ресурс]. — URL: https://cbr.ru/Content/Document/File/142114/concept_09-11-2022.pdf (дата обращения 04.01.2025)
16. Varadarajan M.N. AI and ML in Finance: Revolutionizing the Future of Banking and Investments / M.N. Varadarajan, S. Priya // 2024 6th International Conference on Energy, Power and Environment (ICEPE). IEEE, 2024 [Электронный ресурс]. — URL: https://www.researchgate.net/profile/Mageshkumar-Naarayanasamy-Varadarajan/publication/383966478_AI_and_ML_in_Finance_Revolutionizing_the_Future_of_Banking_and_Investments/links/66e6ddb5dde50b3258746cd4/AI-and-ML-in-Finance-Revolutionizing-the-Future-of-Banking-and-Investments.pdf (дата обращения 04.01.2025)
17. Mullangi K. Innovations in payment processing: Integrating accelerated testing for enhanced security / K. Mullangi // American Digits: Journal of Computing and Digital Technologies, 2023. — № 1(1). — С.18-32.
18. Ramadugu R. The Role of AI and Machine Learning in Strengthening Digital Wallet Security Against Fraud / R. Ramadugu, L. Doddipatla // Journal of Big Data and Smart Systems, 2022. — № 3(1).
19. Mukkamala S. S. K. Leveraging AI And Big Data For Enhanced Security In Biometric Authentication: A Comprehensive Model For Digital Payments / S. S. K. Mukkamala, A. Mahida, M. S. Vishwanadham Mandala // Migration Letters, 2024. — № 21(8). — С.574-590.
20. Deshpande A. AI/ML applications and the potential transformation of Fintech and Finserv sectors / A. Deshpande // 2020 13th CMI Conference on Cybersecurity and Privacy (CMI)-Digital Transformation-Potentials and Challenges. IEEE, 2020. — С.1-6.