Сбер, AIRI, ИСП РАН и Математический институт имени В. А. Стеклова РАН представили метод машинного обучения, который анализирует пользователя не изолированно, а в системе его связей с другими людьми, товарами и категориями. Такой подход рассчитан на задачи, где отдельного действия недостаточно: выявление мошенничества, оценка риска, рекомендации и прогнозирование оттока. Исследователи утверждают, что на тестах в финансах и e-commerce модель показала прирост точности до 2,3% по метрике AUC.
В обычных скоринговых системах модель смотрит на поведение конкретного клиента: покупки, клики, частоту входов, историю операций. Новый метод добавляет к этому структуру связей. Если несколько аккаунтов взаимодействуют с одинаковыми товарами, категориями или сценариями транзакций, алгоритм может увидеть паттерн, который не проявляется в профиле одного пользователя.
Метод протестировали на четырёх крупных наборах данных из финансовой отрасли и электронной коммерции. Исследование приняли на The ACM Web Conference 2026, одной из основных академических площадок по веб-технологиям и прикладному ИИ. Для банков и маркетплейсов даже прирост на доли процента в таких задачах обычно важен, потому что модель работает на потоке из миллионов событий и влияет не только на число пойманных атак, но и на уровень ложных блокировок.
Подход укладывается в более широкий тренд на графовый анализ в антифроде. Платёжные сети и fintech-компании развивают такие инструменты не первый год: Mastercard ещё в 2017 году купила Brighterion для усиления ИИ-моделей против мошенничества, а специализированные игроки вроде Feedzai и Featurespace продают банкам системы, которые оценивают связи между устройствами, счетами и получателями платежей. Российская работа интересна тем, что переносит эту логику в академически проверяемую модель и показывает измеримый эффект сразу на нескольких типах данных.
Практический спрос на такие решения растёт вместе с объёмом цифровых платежей и онлайн-торговли. По данным Juniper Research, мировые потери онлайн-ритейла от мошенничества к 2029 году могут превысить $100 млрд. На этом фоне инструменты, которые лучше различают реального клиента и связанную сеть подозрительных действий, быстро переходят из исследовательских публикаций в банковские и платформенные продукты.