ИИ и аналитика данных в финансовых услугах

Как искусственный интеллект и аналитика данных повышают эффективность финансовых услугКак искусственный интеллект и аналитика данных повышают эффективность финансовых услуг

Бизнес

Теги

#ИИ

#Инженерия

#Аналитика данных

#Финансовые услуги

Финансовые институты десятилетиями создавали сложные модели, системы управления рисками, платформы для работы с клиентами и инфраструктуру данных. Теперь у них есть доступ к гораздо более широкому спектру возможностей ИИ — от традиционного машинного обучения и аналитики в реальном времени до генеративных и агентных систем.

Внедрение больше не является главным вопросом. Cambridge’s 2026 global study выяснила, что 81% опрошенных финансовых компаний внедряют ИИ на том или ином уровне, однако лишь 14% считают его ключевым для своей стратегии и конкурентного преимущества. Более половины также столкнулись со сложностями при оценке ценности внедрения ИИ.

Этот разрыв носит не просто технический характер. Он отражает сложность объединения моделей, данных, решений, средств контроля и операционных процессов вокруг измеримого результата.

Искусственный интеллект и аналитика данных могут улучшить обнаружение мошенничества, кредитование, урегулирование убытков, регуляторную отчетность, удержание клиентов и инвестиционные операции. Но реальная ценность появляется только тогда, когда организация может ответить на шесть вопросов:

• Какой финансовый, рисковый, операционный или клиентский результат мы улучшаем?
• Какие данные необходимы и можно ли им доверять?
• Как будет тестироваться модель или аналитическая система?
• Куда ее результаты будут поступать в рамках рабочего процесса?
• Кто сохраняет полномочия и ответственность?
• Как будут отслеживаться производительность, риски и ценность после развертывания?

В этом и заключается разница между вариантом использования ИИ и операционной способностью, усиленной ИИ.

Разрыв в зрелости данных в финансовых услугах

Банки, страховые компании, управляющие активами и финтех-компании по своей природе богаты данными. Их информация охватывает транзакции, счета, полисы, претензии, рынки, взаимодействие с клиентами, системы рисков, документы и сторонних поставщиков.

Тем не менее ценные данные часто разрознены между устаревшими базовыми системами, приобретенными платформами, локальными хранилищами, облачными средами, электронными таблицами и сторонними сервисами. Определения могут различаться в подразделениях финансов, рисков, комплаенса, операций и разработки продуктов. Клиент может фигурировать под несколькими идентификаторами. Исторические данные могут отражать устаревшие продукты или полисы. Происхождение данных может быть неполным именно там, где объяснимость и возможность аудита имеют наибольшее значение.

Банк Англии и Управление по финансовому регулированию и надзору Великобритании (FCA) выяснили, что 75% опрошенных британских финансовых компаний уже использовали ИИ в 2024 году. Пятьдесят пять процентов зарегистрированных вариантов использования включали элементы автоматизированного принятия решений, но только 2% были охарактеризованы как полностью автономные. Конфиденциальность данных, их качество, безопасность, зависимость от третьих лиц и сложность моделей оказались среди главных проблем.

Это важное различие. Финансовый сектор не переходит напрямую от ручной работы к автономным институтам. Большинство организаций внедряют ИИ выборочно в рамках существующих процессов принятия решений и контроля. Их задача — сделать эти системы достаточно точными, объяснимыми, устойчивыми и полезными, чтобы заслужить место в производственной среде.

Путь от финансовых данных к ценности зависит от объединения доверенной информации, ИИ и аналитики с контролируемыми рабочими процессами и четко измеряемыми результатами.

Превращение финансовых данных в измеримую ценность требует четкого пути от управляемой информации к контролируемому решению и четко определенному результату.

Как мы объясняем в материале о том, как ИИ и аналитика данных повышают бизнес-результаты, влияние на бизнес зависит от интеграции надежных данных и аналитики в рабочий процесс, где происходят действия.

Ваш партнер в сфере ИИ

Создайте основу данных для финансового ИИ.

Exadel объединяет финансовые данные и управляет ими, чтобы ИИ мог поддерживать своевременные и прослеживаемые решения по всей компании.

7 высокоэффективных сценариев применения ИИ и аналитики в финансовых услугах

1. Обнаружение мошенничества и распознавание образов ПОД/ФТ

Командам по борьбе с мошенничеством и финансовыми преступлениями необходимо выявлять относительно небольшое количество значимых рисков среди огромных объемов легитимной активности. Правила по-прежнему важны, но они могут генерировать длинные очереди предупреждений и с трудом справляться с выявлением новых паттернов.

Машинное обучение может оценивать поведение при транзакциях, сигналы с устройств, контрагентов, географию, связи между счетами и результаты предыдущих расследований. Сетевая аналитика может выявить связи между субъектами, в то время как языковые модели могут помочь в проверке документов, сопоставлении имен и исследованиях следователей.

В одном исследовании сравнивались несколько крупных языковых моделей с методами нечеткого поиска при выполнении задачи проверки санкционных списков. При реалистичных порогах протестированные большие языковые модели сократили количество ложноположительных результатов на 92% и увеличили показатели обнаружения на 11% по сравнению с наилучшим базовым методом нечеткого поиска. Модели также работали значительно медленнее, что иллюстрирует, почему при принятии производственных решений необходимо учитывать задержку, стоимость, объяснимость и пропускную способность рабочего процесса наряду с точностью.

Следовательно, успех следует измерять по убыткам от мошенничества, охвату обнаружения, уровню ложноположительных срабатываний, времени проверки предупреждений, производительности следователей и качеству эскалаций, а не просто по количеству сгенерированных предупреждений. Люди-следователи должны сохранять возможность изучать доказательства и оспаривать решения системы.

2. Скоринг кредитного риска и андеррайтинг кредитов

ИИ может объединять традиционную кредитную информацию с активностью по счетам, моделями движения денежных средств, документами и другими разрешенными данными для поддержки проверки платежеспособности, оценки риска дефолта, проверки документов и приоритизации андеррайтинга.

Возможность заключается в более быстром и последовательном анализе. Риск заключается в том, что модель может воспроизводить историческую предвзятость, полагаться на нестабильные суррогатные показатели или выдавать рекомендации, которые клиенты и сотрудники не могут осмысленно понять.

Анализ ЕЦБ показал, что банки, заявляющие о более активном внедрении ИИ для кредитного скоринга, также продемонстрировали большую дисперсию в ценообразовании новых кредитов, что согласуется с использованием более детальной информации при оценке рисков. Это не доказывает, что каждое решение стало более точным, справедливым или выгодным для клиентов. Это делает тестирование подгрупп, документирование, объяснимость и непрерывный анализ результатов еще более важными.

К числу релевантных показателей относятся время принятия решений, уровень ручных проверок, показатели дефолтов, стабильность ценообразования, ручные отмены решений, жалобы и эффективность в значимых клиентских группах. Учреждение также должно определить, когда модель должна информировать о принятии решения, а когда в процесс должен вмешаться человек.

3. Алгоритмическая торговля и оптимизация портфеля

ИИ и аналитика могут поддерживать маркетинговые исследования, генерацию сигналов, формирование портфеля, сценарный анализ, исполнение сделок, надзор и управление рисками. Они могут обрабатывать структурированные рыночные данные наряду с новостями, регуляторными отчетами и другими разрешенными источниками с такой скоростью, с которой не справится ни одна команда людей.

Но более быстрый анализ не означает предсказуемую доходность. Финансовые взаимосвязи меняются, модели могут сходиться к схожим стратегиям, а казалось бы стабильные паттерны могут исчезнуть в условиях стресса. Более автономные системы также могут вести себя непредсказуемо на быстро меняющихся рынках.

Поэтому ИИ должен функционировать в рамках определенных мандатов, лимитов риска, стандартов тестирования, предторгового контроля, мониторинга и процедур экстренного вмешательства. ESMA’s 2026 supervisory briefing подчеркивает вопросы управления, тестирования, аутсорсинга и предторгового контроля как ключевые аспекты алгоритмической торговли в соответствии с MiFID II.

Полезные показатели включают качество исполнения, доходность с поправкой на риск, просадки, оборачиваемость, проскальзывание, нарушение лимитов и поведение в стрессовых условиях. Наиболее эффективным применением в ближайшей перспективе часто может быть улучшение исследовательской работы, программирования, надзора и поддержки принятия решений для ответственных инвестиционных профессионалов, а не передача им полного контроля над торговлей.

4. Соблюдение нормативных требований и автоматизация отчетности

Финансовые институты тратят значительное время на сбор доказательств, сверку данных, пересмотр политик, расследование исключений и подготовку регуляторных отчетов.

ИИ и аналитика могут классифицировать документы, отслеживать информацию по системам, выявлять аномалии, суммировать изменения в законодательстве, тестировать средства контроля и расставлять приоритеты дел для проверки. Генеративный ИИ может помочь в подготовке чердаков или объяснении проблем с данными, при условии, что каждый результат остается связанным с утвержденными источниками и подотчетной проверкой.

Основой являются управляемые данные с четким происхождением. Показатель в регуляторном отчете должен прослеживаться через все трансформации до своего источника. Рекомендация по комплаенсу должна указывать на доказательства, на которые она опирается.

Полезные метрики включают время цикла отчетности, трудозатраты на сверку, исключения по качеству данных, покрытие контрольным тестированием, повторяющиеся замечания и время, затрачиваемое на сбор аудиторских доказательств. Автоматизация не должна размывать ответственность: регулируемый институт по-прежнему несет ответственность за отчет, решение или подачу документов. BIS identifies data quality, accountability, governance, privacy, security, and supervisory access как повторяющиеся проблемы на протяжении всего жизненного цикла финансового ИИ.

5. Пожизненная ценность клиента и прогнозирование оттока

Банки и страховые компании могут использовать транзакции, владение продуктами, взаимодействие с сервисом, жалобы, цифровое поведение и сигналы о жизненных событиях для оценки риска оттока, ценности клиента или вероятной потребности в продукте.

Deloitte’s 2025 EMEA model-risk research обнаружил, что 53% опрошенных банков и 37% страховых компаний используют ИИ в моделях клиентского опыта. В его анализе утверждается, что будущих лидеров будет отличать не столько само внедрение, сколько редизайн процессов, управление и управление изменениями.

Полученный результат может помочь команде решить, с кем связаться, какую проблему обслуживания решить в первую очередь или где клиент может выиграть от более подходящего продукта. Это более полезно, чем рассматривать персонализацию как увеличение объема автоматизированных предложений.

Соответствующие показатели включают удержание, разрешение жалоб, коэффициенты отклика, стоимость обслуживания, пригодность продукта и долгосрочную ценность клиента. Институты также должны проверять, не создают ли рекомендации несправедливое исключение, неуместное давление или несогласованное обращение.

6. Обработка претензий и андеррайтинг в страховании

Рабочие процессы страхования содержат большие объемы структурированной и неструктурированной информации: заявления, записи полисов, заметки урегулировщиков, медицинские или ремонтные документы, фотографии, счета-фактуры и сторонние отчеты.

Компьютерное зрение и языковые модели могут извлекать информацию, выявлять недостающие документы, осуществлять триаж претензий, оценивать сложность и выявлять возможности мошенничества или суброгации. Прогностические модели могут помочь расставить приоритеты при проверке андеррайтинга или поддержать отбор рисков.

В одном анонимизированном проекте компания Exadel разработала функцию идентификации суброгации на базе ИИ, которая анализировала документы по искам и доказательства в виде изображений, расставляла приоритеты возможных возможностей возврата средств и сохраняла за человеком право принятия окончательных решений. В отчете о кейсе сообщалось об улучшении эффективности процесса суброгации примерно на 10%.

Полезные метрики включают время цикла претензии, сумму возмещения, количество ручных операций, утечку, клиентский опыт и результаты андеррайтинга. Решения с высоким уровнем влияния по-прежнему требуют четких правил проверки, эскалации и отмены.

7. Персонализация в реальном времени и следующее наилучшее действие

Аналитика в реальном времени может объединять текущий контекст с данными об аккаунтах, транзакциях, каналах и услугах, чтобы порекомендовать следующее наиболее полезное действие. Это может быть подтверждение мошенничества, предупреждение о комиссии, предложение об экономии, вмешательство службы поддержки или актуальный разговор о продукте.

Рекомендации должны отражать потребности клиента, согласие, пригодность и обязательства учреждения по соблюдению деловой этики.

Организациям необходимы потоковые данные, архитектура на основе событий, общие определения клиентов и единообразный подход к взаимодействию через мобильные устройства, веб-интерфейсы, контакт-центры и отделения. Банк Англии и FCA обнаружили, что операции, розничный банкинг, поддержка клиентов, борьба с мошенничеством и соблюдение нормативных требований входят в число областей, в которых финансовые институты уже используют или планируют использовать ИИ.

Метрики могут включать время отклика, принятие, завершение цифровых операций, разрешение вопросов обслуживания, удержание и удовлетворенность клиентов. Краткосрочная конверсия не должна быть единственным показателем, когда на карту поставлены долгосрочное соответствие и доверие.

Переведите финансовый ИИ в промышленную эксплуатацию.

Exadel разрабатывает ИИ с учетом рабочих процессов, средств контроля и мониторинга, которые необходимы финансовым институтам для надежного развертывания.

Регуляторные аспекты: Управление ИИ в финансовых услугах

ИИ в сфере финансовых услуг работает в условиях пересекающихся требований к моделям, рынкам, конфиденциальности, устойчивости и подотчетности. Применимый регламент зависит от института, юрисдикции, предполагаемого использования, уровня автоматизации, влияния на клиентов и участия третьих лиц.

Уровень валидации, объяснимости, проверки и управления в целом должен возрастать по мере приближения ИИ к важным решениям в отношении клиентов, кредитов, претензий, инвестиций или комплаенса.

Полезный способ осмысления управления финансовым ИИ — рассматривать его как континуум рисков: чем ближе ИИ подходит к принятию важных решений, тем более строгими должны быть средства контроля, валидации и надзора со стороны человека.

Управление модельными рисками в США: SR 26-2

В апреле 2026 года Federal Reserve, OCC, and FDIC replaced SR 11-7 with revised interagency guidance. Федеральная резервная система SR 26-2 подчеркивает риск-ориентированный подход, привязанный к цели модели, экспозиции и существенности.

Он охватывает разработку, тестирование, валидацию, анализ результатов, мониторинг, инвентаризацию, документирование, эффективное оспаривание, управление и надзор за третьими сторонами.

Руководство официально применяется к традиционным статистическим и количественным моделям, а также к негенеративному и неагентному ИИ. Генеративный и агентский ИИ исключены из сферы его применения в связи с их новизной и быстрым развитием, хотя агентства заявляют, что более широкие практики управления рисками и руководства должны лежать в основе применяемых к ним средств контроля.

Закон об искусственном интеллекте ЕС (EU AI Act)

В соответствии с Законом ЕС об искусственном интеллекте, системы, используемые для оценки кредитоспособности физических лиц или формирования кредитного рейтинга, перечислены среди потенциально высокорисковых приложений, причем системы обнаружения мошенничества рассматриваются отдельно. ИИ, используемый для оценки индивидуальных рисков и ценообразования в области страхования жизни и здоровья, также включен в список.

Классификация по-прежнему зависит от предполагаемой цели и характера работы. Некоторые узкоспециализированные, процедурные, подготовительные или проверяемые человеком приложения могут подпадать под исключения, в то время как системы, осуществляющие профилирование физических лиц, остаются системами высокого риска.

Вслед за AI Omnibus 2026 года, основные правила для систем высокого риска согласно Приложению III должны вступить в силу со 2 декабря 2027 года. Требования к ИИ, встроенному в регулируемые продукты, запланированы на 2 августа 2028 года.

MiFID II, GDPR и DORA

Для инвестиционного консультирования, управления портфелем и алгоритмической торговли сохраняют актуальность существующие обязательства MiFID II. ESMA’s 2026 supervisory briefing делает акцент на управлении, тестировании, аутсорсинге и предторговом контроле для алгоритмической торговли.

ИИ, взаимодействующий с клиентами, также может подпадать под требования GDPR, касающиеся профилирования, прозрачности и принятия исключительно автоматизированных решений, которые влекут за собой юридические или аналогичные значимые последствия. Решение Суда Европейского союза по делу SCHUFA подтвердило, что кредитный рейтинг сам по себе может подпадать под действие статьи 22, если кредитор в значительной степени полагается на него при принятии решения о предоставлении кредита.

DORA применяется с 17 января 2025 года. Он имеет отношение к операционной устойчивости и зависимости от сторонних технологий в сфере финансовых услуг с использованием ИИ.

Это не является юридической или комплаенс-консультацией. Организациям следует оценивать отдельные системы совместно со своими командами по управлению модельными рисками, юридическими вопросами, комплаенсом, защитой данных, безопасностью и операционной устойчивостью.

Создание инфраструктуры данных, готовой к ИИ, для финансовых услуг

Эффективность ИИ зависит от данных и операционной среды, в которой он работает.

Банк международных расчетов отмечает, что данные лежат в основе всех процессов: от онбординга и оценки кредитоспособности до андеррайтинга, выявления мошенничества, мониторинга ПОД/ФТ и управления рисками. В обзоре 2026 года подчеркиваются ожидания относительно качества, репрезентативности, конфиденциальности, безопасности, подотчетности и управления на протяжении всего жизненного цикла ИИ.

Для создания среды финансовых данных, готовой к ИИ, может потребоваться:

• Управляемые данные о клиентах, счетах, полисах, претензиях и транзакциях
• Потоковая передача событий в реальном времени и API
• Единые идентификаторы, справочные данные и бизнес-определения
• Метаданные и сквозная прослеживаемость
• Контроль качества и наблюдаемость
• Средства контроля прав доступа, конфиденциальности и безопасности
• Контролируемый доступ к сторонним и альтернативным данным
• Инвентаризация моделей, конвейеры оценки и мониторинг
• Интеграция с устаревшими основными системами и платформами управления рисками
• Устойчивые процессы развертывания и восстановления

Именно здесь услуги по проектированию данных и аналитике становятся частью бизнес-результата. Модель не может принимать надежные решения, если входные данные задерживаются, имеют противоречивые определения или их невозможно отследить. Текущее предложение услуг Exadel сосредоточено на подключении, стандартизации, управлении и вводе в эксплуатацию данных для ИИ и аналитики.

Операционные возможности вокруг этой инфраструктуры важны не меньше, чем сама архитектура. Команды по работе с данными, модельными рисками, инженерии, безопасности, комплаенсу и бизнес-подразделения должны обладать знаниями и полномочиями для оценки изменений, расследования проблем и управления системами ИИ после их внедрения в производство.

В Exadel мы сочетаем опыт работы в сфере финансовых услуг с проектированием данных, разработкой ИИ, безопасной модернизацией и внедрением в производство с помощью модели, которая объединяет консалтинг, инженерные услуги и обучение клиентов.

Мы помогаем организациям расставлять приоритеты в вариантах использования, создавать управляемые конвейеры данных и моделей, интегрировать ИИ в реальные рабочие процессы, а также настраивать тестирование, надзор и мониторинг, необходимые после запуска. Мы также работаем вместе с внутренними технологическими, риск-ориентированными, аналитическими и бизнес-командами, чтобы практики, необходимые для эксплуатации и управления этими возможностями, не оставались исключительно на стороне внешнего партнера по реализации.

Эта возможность реализации поддерживается партнерскими отношениями Exadel с Cursor, Anthropic и OpenAI, а также сертифицированными специалистами внутри нашей организации. Для клиентов из сферы финансовых услуг ценность заключается в привнесении актуальных знаний о передовых технологиях ИИ и практиках внедрения в оценку моделей и платформ, архитектуру, инженерию, управление и развитие компетенций, а не просто в самих партнерствах.

Выбор технологии по-прежнему должен соответствовать требованиям конкретного варианта использования, включая возможности модели, интерпретируемость, безопасность, местоположение данных, задержку, стоимость, регуляторные обязательства, сторонние риски, интеграцию и существующую архитектуру организации.

Для ведущей страховой компании США в сфере ветеринарии Exadel перенесла органически развитую среду машинного обучения на MLOps-фундамент промышленного уровня. Автоматизированное обучение, валидация, версионирование, развертывание и теневое тестирование сократили время отклика прогнозов на 25%, снизили уровень ошибок отклика на 2% и сократили время развертывания модели до нескольких часов.

В другом проекте для глобального поставщика финансовых услуг Exadel использовала генеративный ИИ с проверкой старшими инженерами баз данных для миграции более 1200 артефактов баз данных. Этот подход позволил примерно удвоить пропускную способность, ускорить отдельные преобразования в два-три раза и сократить общий срок проекта примерно на 28%.

Эти результаты были достигнуты благодаря сочетанию автоматизации с инженерным суждением, контролируемой валидацией и интеграцией в производство, а не за счет предоставления модели возможности работать без подотчетности.

Это отражает более широкий принцип нашей модели реализации: люди, консультирующие по вопросам применения ИИ, остаются в тесной связи с инженерами, ответственными за его безопасную работу в производственной среде клиента.

Изучите возможности Exadel в сфере финансовых услуг, чтобы увидеть, как мы связываем стратегию ИИ, производственную инженерию, управление и развитие компетенций клиентов вокруг безопасной и масштабируемой реализации.

Превратите ИИ в сфере финансовых услуг в управляемую операционную возможность

Возможности в сфере финансовых услуг значительны, но само по себе внедрение не является конечным результатом.

Организации, создающие долгосрочную ценность, будут связывать надежные данные, протестированные модели, устойчивую инженерию, подотчетные рабочие процессы и соразмерное управление вокруг четко измеримых результатов.

Exadel помогает банкам, страховщикам, управляющим активами и финтех-компаниям перейти от многообещающих вариантов использования ИИ к надежным производственным возможностям.

Часто задаваемые вопросы

Каковы самые большие барьеры для внедрения ИИ в сфере финансовых услуг?

Крупнейшими барьерами являются фрагментированные данные, интеграция с устаревшими системами, неясная ответственность за модели, регуляторные и конфиденциальные требования, слабое измерение результатов, зависимость от третьих сторон и трудности с переводом успешных пилотных проектов в промышленную эксплуатацию. Организациям также может не хватать возможностей оценки и мониторинга, необходимых для генеративных или агентных систем.

Сильная программа начинается с определения результата, оценки готовности данных и операционной среды, а также установления подотчетности до развертывания. Исследование Кембриджа 2026 года определяет доступность и качество данных, таланты, устаревшую архитектуру, конфиденциальность, ненадежные результаты, устойчивость и человеческий надзор в числе постоянных ограничений и рисков сектора. (Кембриджская бизнес-школа Judge)

Как финансовым организациям следует измерять рентабельность инвестиций в ИИ?

Начните с изменяемого процесса. Установите текущий показатель потерь, время цикла, затраты ручного труда, конверсию, уровень риска, частоту ошибок или результат для клиента до внедрения.

Затем измерьте прямые результаты наряду с показателями внедрения, качества, надежности и контроля. Учитывайте полную стоимость подготовки данных, интеграции, инфраструктуры, валидации, проверки человеком, соблюдения нормативных требований, мониторинга и обслуживания.

Точность модели важна, но она не то же самое, что финансовая ценность.

Может ли Искусственный Интеллект Принимать Финансовые Решения Без Участия Человека?

Некоторые задачи с более низким уровнем риска могут быть сильно автоматизированными, но надлежащий уровень проверки человеком зависит от решения, существенности, юрисдикции, влияния на клиента и дизайна модели.

Решения в области кредитования, урегулирования убытков, инвестиций, мошенничества и комплаенса могут потребовать значимого надзора, прав на проверку или эскалацию. Организации должны определить, информирует ли ИИ, рекомендует или выполняет; кто может отменить его решение; и как решения документируются и оспариваются.

Автор: Девендра Шарма (Devendra Sharma), главный директор по данным и аналитике

Сентябрь, 2026 г.

Ваш партнер по ИИ

Превратите финансовый ИИ в управляемую ценность.

Exadel объединяет экспертизу в сфере финансовых услуг, инженерию, управление и обеспечение возможностей для перевода ИИ из стадии сценария использования в производство.

Центр ресурсов

Как ИИ и анализ данных повышают ценность для инвестиционных компаний

23 сентября 2026 г.

Как ИИ и анализ данных повышают эффективность финансовых услуг

22 сентября 2026 г.

Как ИИ и анализ данных улучшают бизнес-результаты: руководство для руководителя

21 сентября 2026 г.

Как ИИ и анализ данных улучшают медицинские результаты: руководство для руководителей систем здравоохранения

18 сентября 2026 г.

Агентный жизненный цикл разработки ПО против традиционного: полное сравнение для предприятий

15 сентября 2026 г.

Агентный жизненный цикл разработки ПО против общего уровня оркестрации ИИ: сравнение поставки корпоративного агентного ИИ

14 сентября 2026 г.

Сделаем ваш следующий проект быстрее, безопаснее и умнее.

Связаться с нами