AI в AML-контроле: как построить ВКР на кейсе Commerzbank и Hawk

Поддомен: AI/ML | Роль: Data/ML-инженер

В марте 2026 года Commerzbank, один из крупнейших банков Германии, объявил о партнёрстве с Hawk AI для усиления AML-контроля (Anti-Money Laundering) с помощью искусственного интеллекта. Для студента ИТ-специальности это не просто новость — это готовый каркас дипломного проекта. Тренд на внедрение ML в финансовый комплаенс даёт конкретную задачу: спроектировать систему автоматического выявления подозрительных транзакций. В этой статье я покажу, как превратить этот кейс в защищённую ВКР — от формулировки тем до метрик и нормоконтроля.

Три направления для диплома на базе AI-комплаенса

В зависимости от вашего профиля и требований вуза, можете выбрать одну из тем. Каждая опирается на реальный бизнес-кейс и даёт место для инженерной реализации.

Тема ВКР	Актуальность (отсылка к статье)	Цель	Задачи (3–4)	Структура глав
Разработка ML-модели для выявления подозрительных транзакций в банковской системе	Commerzbank внедряет AI в AML — это подтверждает спрос на такие решения. Ваша работа может быть прототипом для малого банка.	Построить и оценить модель классификации транзакций (подозрительная / легитимная) с показателями precision ≥ 0,9 и recall ≥ 0,85.	1. Анализ методов AML (rule‑based vs ML). 2. Сбор и разметка синтетических данных (транзакции). 3. Обучение моделей (LogReg, Random Forest, GBDT). 4. Оценка метрик (ROC‑AUC, F1) и развёртывание как микросервиса.	Гл.1 – AML и AI: обзор, стандарты (FATF, ISO 20022). Гл.2 – Проектирование и реализация модели. Гл.3 – Тестирование и оценка экономической эффективности.
Архитектура AI-сервиса комплаенса с потоковой обработкой (Kafka + MLflow)	Hawk AI предоставляет облачный сервис; ваша работа может повторить архитектуру на open‑source стеке.	Спроектировать отказоустойчивую систему реального времени для мониторинга транзакций.	1. Выбор C4‑диаграммы компонентов. 2. Настройка конвейера (Kafka → Spark Structured Streaming → модель). 3. Версионирование модели (MLflow). 4. Развёртывание в Kubernetes.	Гл.1 – Требования к архитектуре (ISO/IEC 25010). Гл.2 – Проектирование (C4, BPMN). Гл.3 – Реализация и нагрузочное тестирование.
Оценка эффективности внедрения ML‑модели в AML (TCO / ROI)	Банки (Commerzbank) мотивированы снижать издержки на ручной анализ. Покажите экономический эффект.	Рассчитать TCO и ROI от замены rule‑based системы на ML для выборки из 1 млн транзакций.	1. Анализ затрат на инциденты (ложные срабатывания, ручная проверка). 2. Построение модели оценки (PR-кривая, cost‑benefit). 3. Формулы расчёта (NPV, IRR). 4. Оформление по ГОСТ 34 (экономический раздел).	Гл.1 – Метрики эффективности (FPR, FNR). Гл.2 – Модель расчёта. Гл.3 – Эксперимент с синтетическими данными.

Как встроить новость в текст ВКР

Статья о партнёрстве — сильный аргумент для первой главы (обоснование актуальности). Можно процитировать: «В 2026 году Commerzbank выбрал Hawk AI для автоматизации AML — это доказывает, что отрасль готова к ML». Далее во второй главе покажите, как такой сервис мог бы быть спроектирован. Пример типовой архитектуры:

# Псевдокод конвейера (Spark + модель)
from pyspark.sql import SparkSession
from pyspark.ml.classification import RandomForestClassificationModel

spark = SparkSession.builder.appName("aml_monitor").getOrCreate()
stream = spark.readStream.format("kafka") \
    .option("kafka.bootstrap.servers", "localhost:9092") \
    .option("subscribe", "transactions") \
    .load()

model = RandomForestClassificationModel.load("models/rf_aml_v3")
predictions = model.transform(stream)
predictions.writeStream.outputMode("append").format("console").start().awaitTermination()

Для диаграмм используйте C4 (контейнеры) в третьей главе — это соответствует ГОСТ 34. Например, контейнер “ML‑сервис” с моделью, обученной на Spark, и API на FastAPI. Не забудьте про метрики: ROC‑AUC, Precision‑Recall, F1. Если вуз требует расчёт эффективности, приведите таблицу с экономией на False Positive (каждый ложный вызов отнимает 30 минут у аналитика).

Метрики, которые стоит считать

True Positive Rate (Recall) — доля выявленных подозрительных транзакций. Цель ≥ 0,9.
Precision — доля верных срабатываний среди всех срабатываний. Важно, чтобы не завалить аналитиков ложными тревогами.
F1 Score — гармоническое среднее. Для AML часто используют F2, так как пропуск преступления опаснее ложной тревоги.
Cost per Alert — стоимость одного срабатывания (ручная проверка + время системы).

Чему вы научитесь, реализовав эту тему

Проектировать архитектуру ML-сервиса (Kafka, Spark, MLflow, Kubernetes).
Оценивать модели по бизнес-метрикам (cost per alert, ROI).
Оформлять ТЗ и пояснительную записку по ГОСТ 34.
Работать с синтетическими данными (генерация транзакций).
Готовить защитную речь с упором на практический результат.

FAQ: ответы на частые вопросы

Где взять реальные данные для обучения модели AML?

Используйте синтетические датасеты: IBM AML dataset или сгенерируйте сами с помощью Python (библиотека Faker + правила аномалий). В дипломе укажите, что данные соответствуют формату ISO 20022.

Требуют ли в вузе код в приложении? Как его оформлять?

Да, обычно листинг ключевых модулей (до 10 страниц). Оформляйте в виде приложения с нумерацией строк. Не копируйте весь проект — только ядро: загрузка данных, обучение, предсказание. Укажите ссылку на GitHub.

Как рассчитать экономический эффект, если нет реальных цифр?

Используйте модель с допущениями: средняя з/п аналитика, время на обработку одного алерта, стоимость ложного пропуска. Все допущения обоснуйте в работе — это примет научный руководитель. Пример: «Предположим, что в месяц обрабатывается 1000 тревог, 80% из них ложные; стоимость одного ложного срабатывания — 15 минут работы аналитика». Далее считаете экономию времени.

Можно ли обойтись без Kubernetes? Слишком сложно.

Да, для диплома достаточно развернуть модель как REST API на Flask/FastAPI на локальной машине или в Docker. Kubernetes можно описать в перспективах развития. Но если вуз требует «облачных технологий», используйте простой кластер Minikube — это несложно.

✅ Чек-лист «Что проверить перед сдачей»

Ссылка на статью Commerzbank + Hawk AI в списке литературы (оформлена по ГОСТ Р 7.0.5).
Задачи ВКР соответствуют выводам (проверьте логическую цепочку).
Архитектура нарисована в одной из нотаций (C4, UML, BPMN) — не скриншот из Paint.
Метрики модели (F1, ROC-AUC) представлены в виде таблицы или графика.
Расчёты экономии (TCO/ROI) выполнены с допущениями и формулами.
Уникальность текста > 70% (проверить через Антиплагиат.ВУЗ).
Приложение с кодом содержит не менее 100 строк и прокомментировано.

🔥 Типичные ошибки и как их избежать

Ошибка 1: Модель показывает 99% accuracy, но на практике не работает — дисбаланс классов. Решение: Используйте Precision-Recall кривую, а не accuracy. В дипломе объясните, почему для AML важен recall.

Ошибка 2: Код работает только на вашем ноутбуке — нет инструкции по развёртыванию. Решение: Сделайте Dockerfile и docker-compose.yml, добавьте описание в раздел «Реализация».

Ошибка 3: Ссылки на статью нет или она оформлена как «[1]» без анализа. Решение: Процитируйте новость во введении и покажите, как ваш проект продолжает этот тренд.

Если вам нужно уложиться в 120 часов работы над ВКР, но не хватает времени на отладку модели или оформление по ГОСТ — наши эксперты помогут. Бесплатная консультация по выбору темы и первичная проверка плана. Обращайтесь — поможем с любой темой в AI/ML.

Материал подготовлен экспертами компании DiplomHelper. Мы помогаем студентам с 2010 года. Если вам нужна помощь в разработке темы или оформлении работы, наши специалисты готовы подсказать.

Последнее обновление: 2026-07-21

Источник: NEWS: Commerzbank partners with Hawk on AI compliance tech (опубликовано 2026-03-13)