В жизни команды мы используем Scrum, причём не мейнстримовый вариант, а классический, каноничный. Мы строим процессы, отталкиваясь от потребностей и ценностей клиента — это даёт возможность планировать спринты вокруг конкретного инкремента, точнее попадать во время оценки и планирования. Команде это даёт возможность влиять на клиентский опыт напрямую. Ещё мы можем управлять беклогом с точки зрения качества и подхода с непрерывным улучшением.

Стек‍

Наш основный инструмент — Python, он позволяет быстро и хорошо прототипировать. Это положительно влияет на скорость доставки ценности, на то, как мы быстро проверяем гипотезу и какие выводы из неё делаем. В большинстве команд стараемся использовать продуктовый подход к разработке, основанный на обратной связи от клиента. Ты получил первый прототип, проверил, собрал обратную связь от пользователя и среагировал следующими итерациями в разработке. Вообще, мы убеждены, что стек должен подходить к решаемой задаче. Если насчёт него есть экзотическая, но при этом масштабируемая, надёжная и полезная идея, есть комьюнити, чтобы её поддержать — без проблем, можно использовать разные языки и фреймворки. Например, сейчас мы пробуем Rust для решения некоторых задач. Весь проект написан на Go, при этом Go совмещается с Python. 

Две команды из пяти частично состоят из математиков. Есть много спецов по data science, которые предоставляют прототипы и платформенные решения. Внутри нашего бэкенда присутствует ML (machine learning). Конечно же, у нас на платформе крутятся модели всех мастей — там и нейросети, и различные виды регрессии, и экспериментальные пространства. Лабораторные модели живут отдельно, а потом они идут в продакшн и появляются на платформе через API. Есть модель, которая фоново перерабатывает данные по расписанию, а есть реалтайм-модели, работающие в реальном времени.

‍Синхронизация

Мы синхронизировали математиков, алгоритмистов и наши требования к бекенду — такой подход позволяет запускать ML в продакшн. Сейчас на ML-платформе может быть модель, предсказывающая что угодно. Это позволяет точнее спрогнозировать потребности, предложить подходящие продукты и сделать их ещё полезнее для пользователей — например, помочь избежать кассового разрыва, показать риск, автоматизировать бизнес, открыть новый или масштабировать текущий. Мы встраиваем модели одну за другой, встраиваем одинаковый доступ по простым правилам. Если рассматривать каждую модель как продукт, она не вызовет вау-эффекта, а вот синергия множества разных моделей со способами обратиться к ним и получить результат — это действительно крутая штука. Она решает как наши внутренние, так и внешние задачи контрагентов. Ещё мы хотим, чтобы большинство банковских решений принимались автоматически, с помощью ML. 

‍Успешные проекты

«Массовые выплаты» — один из проектов, которые удалось реализовать. Это большой набор инструментов для бизнеса, с которыми удаётся автоматизировать работу в интернет-банке из собственного приложения. SAAS (программное обеспечение как услуга) для интернет-магазинов, краудфандинговых площадок и e-commerce родился из частного решения для одного клиента, а потом трансформировался в инфраструктуру для разных бизнесов.