/ РБК

Ведущий ежедневной информационно-аналитической программы «Что это значит» на РБК ТВ. Охват аудитории: десятки миллионов человек из бизнес-сообществ РФ и СНГ

/ Росбанк

Заместитель директора департамента-начальник управления рисками и развития процессов информационной безопасности

Новый подход к защите Big data в условиях Agile. Взаимодействие команд ИТ, DATA и ИБ

• Защита Big Data со специфичным стеком, объёмной инфраструктурой, серыми зонами и запутанными коммуникациями
• Модель взаимодействия основных участников Big Data, примеры
• Основные шаги по внедрению модели

/ Т1 Консалтинг

Руководитель продукта "Сфера.Обезличивание"

Использование моделей машинного обучения для поиска чувствительной информации в базах данных

• Если у вас много действующих и развивающихся информационных систем, вам крайне сложно знать и контролировать где и какая в точности информация хранится;
• Если вам нужно решить общую для компании задачу (как пример - обезличивание тестовых контуров или распределение доступов к промышленным контурам), то обязательным шагом будет аудит того, где и что содержится, что может быть длительным процессом, а время ограничено;
• Внедрение простых вспомогательных автоматических правил анализа данных не спасают от необходимости провести аудит. Во время аудита находятся новые пропущенные данные, нужно дополнять правила;
• Появляются новые трудности: 9578900012, который будет обнаружен простыми правилами, встречается в текстовом поле "комментарий" какого-то объекта в БД - это номер мобильного телефона без международного кода, ИНН организации или просто идентификатор какой-то записи?
• Вместо постоянного добавления все новых правил поиска - выделяем ключевые области поиска и собираем максимально разнообразные варианты хранения подобных сущностей, проводим обучение.
• Модель всегда можно переобучить, если нужны новые области поиска или множество данных по формату, представляющих область, сильно отличается от тех, что использовались для обучения
• Модель можно использовать совместно с простыми правилами
• Результат: полнота поиска: 97%, точность: 95%

/ МТС

Технический руководитель направления анализа защищенности блока кибербезопасности

Как построить бизнес-ориентированную кибербезопасность

• Zero Trust: ключевые принципы концепции
• Реализация Zero Trust на уровне СЗИ и сервисов кибербезопасности
• Внутренние и внешние угрозы - на чем фокусироваться в первую очередь, исходя из приоритетов бизнеса?
• Какие подходы к кибербезопасности больше не работают и что приходит им на смену
• Ключевые технологии, процессы и первые шаги в создании бизнес-ориентированной кибербезопасности
• Внутренняя служба информационной безопасности или аутсорсинг - за и против.

/ Эксперт по приватности

Руководитель практики правового сопровождения защиты данных, DPO (in-house), член Международной ассоциации профессионалов в области приватности, CIPP/E. Более 9 лет работы с крупными игроками по внедрению требований российского и европейского законодательства в области приватности

Новые требования в области работы с персональными данными в России: время назначить DPO и перестать верить в быстрый «бумажный» комплаенс

• Подводные камни реформы Федерального закона «О персональных данных» 2022 г.
• Стоит ли пытаться соответствовать всем ожиданиям регулятора? Примеры судебных решений, противоречащих устоявшимся позициям Роскомнадзора
• Что необходимо для построения гибкой риск-ориентированной комплаенс-программы по персональным данным, и какую роль в этом играет DPO?

/ РБК

Ведущий ежедневной информационно-аналитической программы «Что это значит» на РБК ТВ. Охват аудитории: десятки миллионов человек из бизнес-сообществ РФ и СНГ

/ Ассоциация Финтех

Директор по развитию открытых данных и экосистем. Отвечает за разработку предложений по изменению регулирования, модернизации технологической инфраструктуры и совершенствованию клиентского пути с применением технологии Открытых API

/ Альфа-банк

CDS рисков и общекорпоративных функций

/ Positive Technologies

Руководитель отдела перспективных технологий. Работала на продуктах PT Application Firewall, PT Network Attack Discovery, MaxPatrol SIEM и PT Sandbox. Занимается исследованием и разработкой решений, основанных на методах машинного обучения, а также исследованием безопасности использования этих алгоритмов в реальной жизни

/ ООО МФК ВЭББАНКИР

Директор департамента управления рисками

/ Объединенное Кредитное Бюро

Директор аналитических сервисов для кредитования микро- и малого бизнеса

/ Qiwi

Team Lead Data Scientist. Более семи лет опыта создания data продуктов и сервисов от гипотезы до продакшн в направлениях скоринг, управление тарифной политикой для клиента

Продуктовый подход в работе с данными - организуем работу в data команде по-новому

Удачные прототипы все еще не вышли в продакшн? В команде много исследователей и ни одного инженера? Как организовать работу так, чтобы не только видеть результат, но и с каждой новой фичей развивать внутренние наработки и data продукты? И главный вопрос - как и какими силами поддерживать все созданные артефакты?

Сегодня поговорим о том, какие подходы помогут трансформировать работу с данными и повседневные процессы в data команде. Обсудим компетенции, которые действительно нужны для успешных проектов (и нет, PhD в области Computer Science не обязательно одна из них!) и ключевые различия между разработкой data продуктов и классической разработкой в финтех сфере на примере опыта QIWI.

/ Открытие

Директор центра data science & advanced analytics

Совместное выступление / Data Science: выход из зоны комфорта. Как покрыть моделями «серые зоны» в Банке и заставить данные работать

/ Открытие

Управляющий директор департамента интегрированных рисков банка

Совместное выступление / Data Science: выход из зоны комфорта. Как покрыть моделями «серые зоны» в Банке и заставить данные работать

1. Залог успеха - в комплексном развитии Data Science в банке, а именно в:

• Развитии методологии процессов моделирования
• Создании инфраструктуры моделирования
• Централизации работы с данными
• Развитии DS-сообщества и создании общебанковского управляющего комитета по Data Science
• Вовлечении топ-менеджмента в стратегическую инициативу по развитию Data Science
• Создании общебанковского Центра Data Science & Analytics (DS&A), покрывающего «серые» зоны моделирования, не покрытые ранее «стационарными» командами моделистов

2. Принципы работы Центра DS&A:

• Задачи может поставить любое подразделение банка
• Жесткая монетизация и приоритизация задач
• Решаем задачи под ключ – покрываем весь цикл моделирования и анализируем бизнес-процесс заказчика

3. Результаты: за 2 года существования Центра 6-ю специалистами решено 11 задач с совокупным фин эффектом в 650 млн. руб.

/ Rubbles

Директор по развитию ИТ решений для финансового сектора

Совместное выступление / Организация рабочих окружений data-специалистов

/ Rubbles

Chief Data Officer

Совместное выступление / Организация рабочих окружений data-специалистов

Самым простым подходом для обеспечения data-специалистов рабочими окружениями является использование open source решений (например, JupyterHub), однако часто это влечет множество проблем:

• Потеря денег на неэффективной утилизации вычислительных ресурсов
• Риски несанкционированного доступа и утечки данных
• Увеличение time-to-market data-команд из-за нехватки devops и mlops компетенций
• Какие решения для этих проблем уже есть на рынке
• Какая специфика есть у data-команд в крупных российских компаниях
• Как вы можете решить эти задачи в своей компании

/ Райффайзен Банк

Директор направления развития и автоматизации цифрового взаимодействия с клиентами. Отвечает за развитие неголосовых каналов поддержки, разработку бот-платформы банка и пул проектов по развитию мобильного банка и CRM для физлиц

Сами или вендор: когда чат-бота лучше делать внутри?

• Зачем нужны чат-боты и почему "люди всегда лгут"?
• Сколько нужно времени и ресурсов на создание своего чат-бота?
• Какие основные направления развития чат-ботов и почему их самый большой враг - хайп?

/ MobileScoring

Data Scientist

Как сделать эффективный проект с источником внешних данных

• Как проводится типовой проект с источником внешних данных.
• Насколько важна постановка задачи в проекте с источником внешних данных.
• Ключевые проблемы в проектах с источником внешних данных.
• Как решить эти проблемы.

/ ВТБ

Начальник управления перспективных алгоритмов машинного обучения департамента анализа данных и моделирования

Инструменты новых практик data science. Как autoML становится краеугольным камнем для развития глубокой аналитики: NLP, гео-аналитики, крипто-анклавов

/ Объединенное Кредитное Бюро

Директор аналитических сервисов для кредитования микро- и малого бизнеса

/ Газпромбанк

Управляющий директор Управления подготовки данных Департамента анализа данных и моделирования. Централизовал функцию DQ в DS команде. Разработал и внедрил систему метрик и процесса контроля качества данных розничных моделей в режиме self-service

Контроль качества данных вектора переменных для моделей. Как развернуть self-service DQ для команды DS

• Концепция Data Governance
• Функции стрима качества данных для моделей
• Как интегрировать процесс качества данных в общий процесс разработки моделей
• Подходы и методы оценки качества данных
• Как построить процесс Self-Service DQ

/ HFLabs

Исполнительный директор. Реализовал комплексные проекты по внедрению системы класса Customer Data Integration в крупнейших российских банках, страховых компаниях, телеком-операторах

Три драйвера улучшения качества клиентских данных

• Трудно найти и легко потерять: как повышение качества данных помогает выстраивать отношения с клиентами и поддерживать их лояльность
• Как отчетность сдавать будем? Управление клиентскими данными для соблюдения требований регуляторов
• От "галочек" в системах к управлению желаниями клиента: как выстроить грамотную работу с согласиями на обработку персональных данных

/ Сбер

Исполнительный директор по исследованию данных

AI в Process Mining. Как используется машинное обучение для анализа бизнес-процессов в Сбере

Использование машинного обучения может значительно упростить жизнь аналитикам и консультантам, которые в своей повседневной деятельности занимаются анализом и оптимизацией бизнес процессов. Текущий уровень развития искусственного интеллекта уже сейчас позволяет провести полноценный анализ эффективности бизнес-процесса, найти и описать неэффективности, абсолютно без участия человека. В докладе будет рассказано как машинное обучение используется для анализа бизнес-процессов Сбера.

/ Промсвязьбанк

Начальник управления аналитических исследований и инновационных технологий. Заместитель директора Департамента цифровых продаж среднего и малого бизнеса

Инсайты под ногами: как извлечь знания их тех данных, которые у вас уже есть

/ Сбер

Исполнительный директор по Качеству данных и НСИ

Эволюция подходов к контролю качества данных в Сбер – от простого к умному

/ Эксперт РА

Главный экономист «Эксперт РА», к.э.н., доцент экономического факультета МГУ