Минфин применил ИИ при формировании бюджета

Минфин применил ИИ при формировании бюджета

Минфин применил ИИ при формировании бюджета

Запущенная Министерством финансов совместно со «Сбером» нейросеть помогает автоматизировать сопоставление данных и прочие рутинные процессы. В дальнейшем технологии помогут повысить эффективность и прозрачность управления государственными финансами.

Первый замминистра финансов Ирина Окладникова на полях Московского финансового форума рассказала корреспонденту «Известий» о пилотном проекте использования нейросети в бюджетном процессе.

Искусственный интеллект помогал в сопоставлении кодов бюджетной классификации (статей доходов и расходов) и привязанных к ним результатов.

«Большинство этапов бюджетного процесса может быть со временем автоматизировано, и часть операций — полностью переведена на искусственный интеллект. Это будет зависеть только от того, насколько у нас получится стандартизировать наши процедуры», — считает Ирина Окладникова.

При этом использование технических средств позволит избежать человеческих ошибок и проявлений субъективизма в вопросах, связанных с межведомственным взаимодействием. С другой стороны, искусственный интеллект пока не в состоянии решать такие задачи, как контроль поручений президента и правительства.

«Минфин подготовил базу данных, и мы на ее основе обучили систему. В итоге уже сейчас наш ИИ-агент работает на уровне 84% точности, а будет еще точнее. И тогда основную часть рутинной работы можно будет отправить на машинную обработку, чтобы люди сосредоточились на действительно сложных, важных, творческих и интересных задачах», — отметил первый заместитель председателя правления Сбербанка Александр Ведяхин.

Опрошенные «Известиями» эксперты назвали главным плюсом ускорение работ по подготовке бюджета, повышение качества контроля эффективности и точность прогнозирования. Главным риском же является непрозрачность работы алгоритмов и искажения, вызванные неточностью исторических данных. Серьезной угрозой являются и риски кибербезопасности, многие из которых плохо изучены.

В Security Vision SOAR появились ИИ-ассистент и ML-отчёты

Security Vision выпустила обновление платформы SOAR, добавив в неё несколько заметных функций — локальный ИИ-ассистент, ML-скоринг инцидентов и автоматические ML-отчёты по итогам расследований. Обновление ориентировано на повседневную работу SOC и обработку инцидентов без выхода за контур заказчика.

Security Vision SOAR используется для управления и автоматизации реагирования на инциденты информационной безопасности на всех этапах их жизненного цикла — от выявления и анализа до восстановления и постинцидентной работы.

В основе платформы лежит объектно-ориентированный подход: каждый элемент инцидента — будь то хост, учётная запись, процесс или артефакт — рассматривается как отдельный объект со своей историей, связями и возможными действиями.

Сценарии реагирования в системе динамические: плейбуки автоматически подстраиваются под развитие инцидента, появление новых данных и техник атак. Дополнительно платформа выстраивает цепочку Kill Chain, показывая, как развивалась атака и какие шаги предпринимал злоумышленник.

Система также предлагает рекомендации по дальнейшим действиям, опираясь на контекст инцидента, накопленный опыт SOC и ML-модели, включая оценку вероятности ложного срабатывания.

 

В новом релизе появился локальный ИИ-ассистент в формате чат-бота. Он работает полностью внутри инфраструктуры заказчика и не обращается к внешним сервисам. Ассистент учитывает контекст конкретного инцидента — его стадию, связанные объекты, историю действий и похожие кейсы — и помогает аналитикам разбираться в событиях, расшифровывать логи, понимать техники атак или формировать команды для диагностики. Модель может дообучаться прямо в SOC на результатах обработки инцидентов и аналитических бюллетенях, при этом все данные остаются внутри контура.

Ещё одно нововведение — ML-скоринг критичности инцидентов. Модель автоматически оценивает приоритет события на основе его масштаба и значимости затронутых активов, что упрощает триаж и помогает быстрее понять, какие инциденты требуют внимания в первую очередь.

Также в платформе появился ML-summary — автоматическое резюме по итогам расследования. При закрытии инцидента система формирует краткий отчёт в едином формате: что произошло, какие действия были выполнены, к какому результату они привели и удалось ли атакующему чего-то добиться. Такое резюме сохраняется в карточке инцидента и отчётности, упрощая передачу дел между сменами и снижая потерю контекста.

В целом обновление направлено на то, чтобы упростить и ускорить рутинную работу SOC: быстрее разбираться в инцидентах, снижать нагрузку на аналитиков и сохранять знания внутри команды без необходимости вручную оформлять каждый шаг расследования.

RSS: Новости на портале Anti-Malware.ru