Журнал "Information Security/ Информационная безопасность" #3, 2026

Крупные игроки давно строят модели на собствен- ных массивах и подошли к определенному потолку: дальнейший рост точности ограничен объемом доступ- ных выборок. Без заранее определен- ной метрики невозможно понять, принесло ли объ- единение данных реальную пользу или лишь усложни- ло процесс обучения. Концепция доверен- ных вычислений пред- лагает выход: несколько участников могут совместно обучать модель на объединен- ном наборе признаков, не раскрывая исходные масси- вы друг другу. Разберем, как устроен этот подход, в чем его ценность и какие средства защиты лежат в основе. Рынку нужны совместные данные Во многих отраслях уже сфор- мировался запрос на совмест- ное использование сведений из нескольких источников для обучения более точных ИИ- моделей. Особенно остро он ощущается в банковском сек- торе, где качество скоринга напрямую влияет на оценку кре- дитоспособности заемщика и управление рисками. Крупные игроки давно строят модели на собственных масси- вах и подошли к определенному потолку: дальнейший рост точ- ности ограничен объемом доступных выборок. При этом даже небольшое улучшение на 3–5% дает ощутимый экономи- ческий эффект в масштабах отрасли. В банковской сфере речь может идти о триллионах рублей через снижение кредит- ных потерь и рост доходности портфеля. Однако напрямую передавать и объединять такие массивы нельзя: этому препятствуют тре- бования к защите персональных сведений, банковская тайна, внутренние политики ИБ и риски утечек. По сути, продук- товый класс решений для без- опасного совместного обучения во многом появился именно из- за регуляторных ограничений. Если бы их не было, компании просто объединяли бы табли- цы напрямую. Но в условиях 152-ФЗ и растущих санкций за утечки организации крайне осторожно относятся к любому обмену чувствительной инфор- мацией. Ключевая задача – соз- дать механизм, позволяющий участникам рынка обучать более точные модели, не рас- крывая исходные выборки друг другу. Гипотеза, метрика, сопоставление Прежде чем выбирать архи- тектуру решения, важно понять, зачем именно компания хочет объединять информацию и какой результат рассчитывает получить. Распространенная ошибка – сразу переходить к техническому пайплайну (аудит, выбор модели, юриди- ческая оценка), минуя форму- лировку целевой задачи. Первый шаг – проверяемая гипотеза. Необходимо опре- делить, какие дополнительные признаки потенциально спо- собны повысить качество модели и почему. Одновре- менно выбирается метрика, по которой будет оцениваться результат: точность класси- фикации, полнота выявления событий, снижение числа лож- ных срабатываний или другой показатель, отражающий цен- ность модели для бизнеса. Без заранее определенной метрики невозможно понять, принесло ли объединение дан- ных реальную пользу или лишь усложнило процесс обучения. Отдельный ключевой этап – сопоставление записей (мэт- чинг). Если массивы поступают из разных контуров, необхо- димо корректно связать строки между собой, чтобы сформи- ровать единый набор для обучения. Без качественного мэтчинга даже богатые по при- знакам источники не принесут пользы: модель просто не смо- жет соотнести характеристики одного и того же клиента из двух систем. Ценность доверенного контура В классических сценариях участники обмениваются не исходными сведениями, а уже готовым результатом их обра- ботки. Например, бюро кредит- ных историй передает банку рассчитанный на своей стороне скор, а тот комбинирует его с собственной оценкой и прини- мает решение. Такой подход ограничивает итоговое каче- ство: алгоритм работает со сжа- тым показателем, а не с набо- ром признаков, которые могли бы описать поведение заемщи- ка глубже. Доверенный контур позволяет перейти на другой уровень. Вме- сто обмена готовыми оценками участники загружают в защи- щенную среду исходные при- знаки (фичи). Бюро предостав- ляет сведения о кредитной исто- рии: количество займов, нали- чие просрочек, дисциплину погашения. Банк добавляет транзакционную активность клиента, частоту операций по картам, регулярность поступле- ний на счет. На объединенном наборе строится единая модель, которая получает больше кон- текста и находит зависимости, недоступные при работе только с финальными скорами. 84 • СПЕЦПРОЕКТ Проблема обучения ИИ на чувствительных данных ачество работы ИИ-модели зависит от полноты информации, на которой она обучена. Чем больше признаков учитывает алгоритм, тем точнее его прогноз. Но в регулируемых отраслях сведения распределены между организациями и защищены: банковская тайна, “Закон о персональных данных” 152-ФЗ и корпоративные требования не позволяют просто объединить массивы из разных источников. К Валерий Курышев, владелец продукта Эвирис направления Т1 ИИ (ИТ-холдинг Т1) Фото: ИТ- холдинг Т1