эссе студентов
Профилирование пользователей в онлайн-беттинге: интеграция поведенческой экономики, машинного обучения и этики в эпоху регуляторных трансформаций

Эссе посвящено профилированию пользователей в онлайн-беттинге и тому, как машинное обучение используется для анализа поведения игроков. В работе рассматривается, какие данные могут использоваться букмекерами для оценки поведения пользователя: размер и частота ставок, результаты игры, изменения в выборе рынков, активность в течение сессии и другие показатели. Отдельно рассматриваются поведенческие особенности, связанные с неприятием потерь и погоней за убытками, которые могут использоваться для выявления признаков проблемной игры.

Основное внимание уделяется тому, что современные системы профилирования не просто делят игроков на несколько фиксированных категорий. Они постоянно обновляют оценку поведения пользователя и могут учитывать сразу несколько характеристик. На основе полученного профиля оператор принимает различные решения: от предложения инструментов ответственной игры до изменения лимитов или дополнительной проверки.

В эссе также рассматриваются проблемы, возникающие при использовании таких систем. Среди них — ошибки алгоритмов, ложные срабатывания, предвзятость моделей, защита персональных данных и необходимость объяснять пользователю причины принятых решений. Отдельно анализируются требования GDPR и AI Act, которые усиливают контроль за автоматизированным принятием решений.

В заключении делается вывод, что развитие профилирования в онлайн-беттинге связано не только с повышением точности алгоритмов. Не менее важным становится вопрос о том, как совместить интересы букмекеров с защитой пользователей. Перспективным направлением автор считает сочетание автоматизированного анализа с человеческим контролем и использованием технологий, позволяющих лучше защищать персональные данные.

Автор эссе: Счастливый Артур

Цифровизация индустрии онлайн-гемблинга привела к тому, что поведение пользователя практически полностью переводится в данные. Каждое действие — от выбора события до момента вывода средств — фиксируется, агрегируется и становится частью системы принятия решений. В этом контексте профилирование игроков перестаёт быть вспомогательным инструментом и превращается в центральный механизм управления как коммерческими, так и регуляторными рисками.

Формально такие системы решают довольно прикладные задачи: позволяют отличать профессиональных игроков от рекреационных, удерживать маржу и отслеживать мошеннические схемы. Но по мере усложнения моделей становится заметно, что этим их роль не ограничивается. Профилирование начинает влиять не только на экономику продукта, но и на само поведение пользователей в том числе в ситуациях, связанных с уязвимостью и риском зависимости. В этот момент возникает уже не столько технический, сколько нормативный вопрос: где проходит граница между управлением риском и вмешательством в поведение.

Данное эссе рассматривает алгоритмическое профилирование в онлайн-беттинге как частный случай более широкой тенденции — датафикации поведения и последующей алгоритмизации решений. В этой работе я исхожу из более практического вопроса: могут ли системы профилирования одновременно оставаться экономически эффективными и при этом соответствовать усиливающимся требованиям этики и регулирования. И если да, то за счёт каких компромиссов это достигается, а где такие компромиссы уже перестают работать. Методологически работа опирается на анализ открытых источников: академических публикаций, отраслевых отчётов и регуляторных документов. При этом фокус смещён на европейский и североамериканский контексты, где требования к защите данных и прозрачности алгоритмов наиболее институционализированы. Такой выбор позволяет рассматривать рассматриваемые системы в условиях максимального регуляторного давления, что делает выявляемые противоречия более явными.

В отличие от упрощённых представлений о профилировании как о статической классификации пользователей, в работе делается акцент на его динамической природе. Современные модели не просто описывают поведение, но активно участвуют в его формировании, создавая замкнутый контур «данные — модель — решение — новое поведение». Именно в этом контуре и возникают ключевые этические и социальные вопросы, которые и составляют предмет анализа.

Во-первых, продвинутость и комплексность регуляторной среды. На сегодняшний день в Европе сформировался наиболее жёсткий и детализированный регуляторный ландшафт. Европейский регламент об искусственном интеллекте (EU AI Act), вступивший в полную силу, устанавливает конкретные требования к системам высокого риска, к которым прямо относятся алгоритмы профилирования, влияющие на доступ к услугам и автоматически принимающие решения, наносящие юридический или аналогичный значительный ущерб. Одновременно Общий регламент по защите данных (GDPR) накладывает строгие ограничения на автоматизированное принятие индивидуальных решений, требуя прозрачности и предоставления «содержательного объяснения». Анализ практик в рамках таких строгих правил наиболее релевантен для изучения этико-технических дилемм. Регуляторы, такие как Комиссия по азартным играм Великобритании (UKGC) и нидерландская Kansspelautoriteit (KSA), публикуют детальные отчёты о нарушениях и применяемых санкциях, предоставляя богатый эмпирический материал.

Во-вторых, беспрецедентная прозрачность данных и исследований. Европейские и североамериканские рынки отличаются высокой степенью открытости. Аналитические компании (Research and Markets, The Business Research Company), академические институты и отраслевые СМИ регулярно публикуют исследования, статистику и кейсы, связанные с внедрением ИИ, анализом поведения игроков и эффективностью мер ответственной игры. Это обеспечивает надёжную фактологическую базу, недоступную в более закрытых юрисдикциях.

В-третьих, технологическая зрелость рынка. Именно на этих рынках сосредоточены крупнейшие международные операторы и технологические вендоры (такие как Featurespace, Playtech), которые инвестируют в разработку и внедрение самых современных систем машинного обучения и анализа больших данных. Тренды, задаваемые здесь, являются определяющими для глобальной индустрии.

В-четвёртых, ограниченность российского контекста для глобального анализа. Российский рынок онлайн-беттинга функционирует в рамках принципиально иной правовой (Четвёртая национальная букмекерская лига), технологической и коммерческой парадигмы. Данные о внутренних практиках риск-менеджмента носят закрытый характер, а регуляторные подходы не синхронизированы с общемировыми трендами в области цифровой этики и защиты данных. Фокус на нём не позволил бы провести сравнительный анализ в контексте общемировых трендов регуляторики, что является центральной темой данного эссе.

Коммерческая чувствительность точных метрик операторов (реальные пороги срабатывания моделей, стоимость ложных срабатываний) ограничивает доступ к валидированным данным. Исследование не включает анализ проприетарных систем конкретных вендоров (Featurespace, Betgenius, Playtech) ввиду отсутствия публичной информации о внутренней архитектуре. В качестве перспективы для будущих исследований предлагается сравнительный анализ эффективности различных архитектур профилирования на сопоставимых анонимизированных датасетах, предоставленных регуляторами или в рамках отраслевых бенчмарков. Также ввиду наличия NDA, автор не использует информацию с места работы (хотя готов рассказать при личном рассуждении, без микрофонов).

В основе любого эффективного профилирования лежит глубокое понимание поведенческой экономики. Ключевые концепции, такие как неприятие потерь (loss aversion) и «погоня за убытками» (chasing losses), являются не просто теоретическими конструктами, а основой для построения прогностических моделей [4]. Неприятие потерь, когда психологическая боль от проигрыша субъективно перевешивает удовольствие от эквивалентного выигрыша, объясняет, почему игроки часто иррационально увеличивают ставки после серии неудач, пытаясь выйти «в ноль». Исследования в области нейрокогнитивной науки подтверждают, что chasing losses является одним из наиболее надежных маркеров перехода от рекреационного к проблемному гемблингу [4].

На практике эти эффекты не используются напрямую как теоретические конструкции. Их пытаются «поймать» через наблюдаемые паттерны в данных — иногда довольно грубые, но работающие в агрегате. Уже на уровне признаков это выглядит как попытка приблизительно восстановить внутреннее состояние игрока по его действиям. Например, резкий рост среднего чека после серии проигрышей (например, увеличение размера ставки на 300% (очень резко и много) и более относительно базового уровня). Или изменение предпочтений рынка в сторону более рискованных исходов (переход с ординаров на экспрессы с высоким коэффициентом). А также нижение интервала между ставками в проигрышной сессии как индикатор импульсивности.

Однако, прямое сопоставление этих паттернов с автоматическими санкциями было бы грубым упрощением. На практике системы работают с вероятностями и компромиссами. Задача обнаружения аномалий всегда балансирует между точностью и полнотой [5]. Высокая полнота означает выявление большинства рискованных игроков, но ведет к росту ложных срабатываний, когда рекреационный игрок, допустивший серию крупных ставок по случаю (например, финал Лиги чемпионов), ошибочно помечается как проблемный. Это ведет к негативному пользовательскому опыту и необоснованным ограничениям. Фокус на высокой точности минимизирует несправедливые санкции, но может пропустить реальные случаи «погони за убытками», что противоречит принципам ответственной игры [6]. Ошибочные ограничения могут приводить к потере ценных клиентов, тогда как пропущенные случаи к финансовым и регуляторным рискам.

1. Датафикация как эпистемический разрыв: от «кино и контекст» к базе данных

Портал chapaev.media позиционирует себя как проект, реализующий принцип «кино и контекст». На первый взгляд, эта формула кажется естественным продолжением классического киноведческого подхода, восходящего к традиции журнала «Сеанс», на базе которого платформа и выросла. Однако цифровая среда превращает этот принцип в нечто иное. Если в печатной версии «кино и контекст» означало линейное сопроводительное знание (статья в журнале, идущая после или до рецензии), то на платформе контекст становится гипертекстовой архитектурой. «Новый медиаобъект состоит из независимых частей, каждая из которых состоит из более мелких независимых частей, и так вплоть до уровня мельчайших „атомов“ — пикселей, трехмерных точек или текстовых символов. […] Всемирная паутина как целое также полностью модульна. Она состоит из множества веб-страниц, каждая из которых, в свою очередь, состоит из отдельных медиаэлементов» (Manovich, 2001, p. 30−31). Метаданные и теги chapaev.media превращают каждый элемент (статью, интервью, документ) в независимый модуль, а система перекрестных ссылок позволяет собирать эти модули в бесконечное число вариаций (курсов, подборок, исследовательских траекторий). Платформа не просто хранит историю кино — она делает ее принципиально вариативной.

Рассматривая chapaev.media через призму концепции датафикации (datafication), предложенной Робом Китчином, мы видим, как «кинематографическое наследие переводится в количественный формат, который позволяет осуществлять его табуляцию, агрегацию и корреляцию» [Kitchin, 2014, p. 2]. Каждый элемент платформы — фильм, статья, интервью, архивный документ обретает метаданные: жанр, год, режиссёра, актёра, ключевое слово. Эти метаданные образуют систему перекрестных ссылок. Пользователь больше не движется по хронологической оси «от прошлого к настоящему»; он перемещается по пространству данных, где фильм братьев Васильевых 1934 года оказывается связан с современной лентой через тег «гражданская война в современном кинематографе» или через именной указатель актера.

Данные не являются естественным, сырым ресурсом, они всегда сделаны в соответствии с определёнными теоретическими и идеологическими установками. Платформа chapaev.media не просто «отражает» историю кино, она активно ее перестраивает, создавая новую онтологию. История страны и кинематографа здесь предстает не как поток событий, а как база данных, готовая к поиску, фильтрации и извлечению.

На первый взгляд, это кажется тотальным освобождением знания от оков линейного нарратива. Пользователь получает инструмент «сборки собственной истории кино», что созвучно идеям Льва Мановича о базе данных как доминирующей символической форме цифровой эпохи [Manovich, 2001]. Однако здесь и кроется первая точка напряжения. Если платформа это база данных, то где же место события просмотра? Где место того самого «сеанса», который вынесен в название и структуру проекта?

Архитектура системы профилирования: Динамический конвейер с обратной связью и адаптацией

Упрощённое представление в виде линейного пайплайна (данные → признаки → модель → решение) на практике почти не встречается. Реальные системы скорее напоминают замкнутый цикл: решения, принятые моделью, начинают влиять на поведение игроков, а это поведение затем возвращается в систему в виде новых данных. В результате модель фактически обучается уже на последствиях собственных решений, что усложняет как интерпретацию, так и контроль её работы. [7]. Эта архитектура включает несколько взаимосвязанных этапов.

Сначала сбор и обработка данных в реальном времени. Системы агрегируют разнородные данные: транзакционные (депозиты, ставки, выплаты), поведенческие (время сессии, навигация по приложению), контекстуальные (тип спорта, маркет) и технические (устройство, IP-адрес, пункт приема ставок). Ключевым вызовом является концептуальный дрейф — явление, когда статистические свойства целевой переменной (например, «рискованное поведение») меняются со временем непредсказуемо из-за изменения регуляторной среды, появления новых игровых продуктов или макроэкономических факторов [8]. Паттерны 2026 года могут отличаться от паттернов из прошлого, поэтому модели требуют постоянного мониторинга и периодического переобучения на репрезентативных данных.

Далее следует техническая реализация пайплайна. Современные архитектуры базируются на микросервисном стеке:

— Стриминг данных с задержкой до 100 мс (практически без задержки) для доставки событий, ставок и депозитов.

— Feature Store: унифицированное хранилище признаков (Feast, Tecton), обеспечивающее разнообразие и низкую задержку (для скоринга в реальном времени).

— Оркестрация обучения: инфраструктура таких систем обычно включает инструменты потоковой обработки данных, хранения признаков и мониторинга моделей

— Мониторинг: автоматические предупреждения для опасных данных (Population Stability Index, PSI) и деградацию метрик (AUC, F1).

Также можно говорить об извлечении и инженерии признаков (Feature Engineering). Сырые данные преобразуются в сотни прогностических признаков. Помимо базовых (общий оборот, ROI), используются сложные, высокоуровневые признаки:

• Волатильность размера ставки относительно депозита: Стандартное отклонение размера ставки, нормированное на средний депозит, служит индикатором эмоциональной нестабильности.

• Коэффициент сессионной активности (Session Intensity Ratio): Отношение количества ставок к длительности сессии, помогающее выделить «запойную» игру.

• Динамика изменения предпочтений рынка после проигрышей: Сдвиг в сторону рынков с более высокой дисперсией (тоталы, точные счета) после неудач. Измеряется через условную вероятность перехода на рынок с завышенной котировкой после трех проигрышей подряд.

• Значение закрывающей линии (Closing Line Value — CLV): Частота принятия ставок на коэффициенты, которые впоследствии снижаются. Высокий CLV часто используется как индикатор профессиональной игры, хотя его интерпретация зависит от контекста. [9] Положительное значение указывает на ставку, принятую по выгодному коэффициенту до его обвала. Игрок, стабильно заключающий пари на заведомо завышенные коэффициенты до их корректировки рынком, представляет прямой финансовый риск для оператора.

• Процентная доля экспрессов в портфеле: Индикатор рекреационного, развлекательного стиля игры, ориентированного на крупный, но маловероятный выигрыш.

Еще одним методом является моделирование и скоринг. Вместо жесткой классификации на «типы», современные системы присваивают многомерные вероятностные оценки по шкалам риска. Может использоваться ансамбль моделей:

Модель может оценить, что поведение игрока, А с вероятностью 78%(например) соответствует профилю «value bettor», с вероятностью 35%(наприемер) содержит элементы «chasing losses», а общий риск проблемного гемблинга оценивается в 12%(например). Эти скоринги динамически обновляются после каждой игровой сессии.

Поговорим про принятие решений и адаптивное поведение игроков. Решение — это ни в коем случае не бинарное «забанить/оставить», а спектр действий: от персонализированного предложения помощи и установки мягких лимитов до задержки расчета ставки (delay) или микро-лимитирования (снижение максимальной суммы пари) [1]. При этом возникает феномен адаптивного поведения игроков. Осознавая ключевые критерии систем (например, высокий CLV), профессиональные игроки и арбитражные конторы намеренно «разбавляют» свой профиль неоптимальными ставками, используют сети аккаунтов (мультиаккаунтинг) и автоматизированные скрипты для обхода защиты. В результате возникает довольно типичная для таких систем ситуация: как только критерии становятся более-менее понятны, часть игроков начинает под них подстраиваться. Появляются «разбавляющие» ставки, распределение активности по аккаунтам и другие способы маскировки. Это не столько решаемая проблема, сколько постоянный процесс взаимной адаптации.

Традиционное жесткое разделение на «рекреационных игроков"(может использоваться формулировка «пан»), «арбитражников"("вилочник») и «хайроллеров"("ВИП», «Лось») потеряло актуальность (хотя и используется мелкими букмекерами). Сегодня адекватной является модель многомерного и меняющегося профиля, где каждый игрок представлен точкой в непрерывном пространстве признаков. Например, один и тот же пользователь может демонстрировать: высокую склонность к поиску прибыли на рынках тенниса (признаки вилочника из-за быстрой смены коэффициентов); умеренные признаки эмоциональной реакции на проигрыши в футболе; низкий общий риск проблемного гемблинга по шкале RG (ответственная игра); и высокую лояльность и регулярность депозитов (признак «идеального» рекреационного клиента).

Такой профиль не привязан к статичной категории. Переход между состояниями определяется не рубежом (например, ROI 5%), а совокупным сдвигом вектора его признаков в многомерном пространстве, который фиксируется системами мониторинга дрейфа. Сегодняшний рекреационный игрок завтра может начать демонстрировать паттерны проблемного поведения, и система должна это отследить [11]. В количественном выражении такой переход может быть зафиксирован, например, при сильном росте индекса волатильности ставок за две недели, сопровождаемом снижением интервала между ставками на 40% и появлением экспрессов с коэффициентом выше 10. Динамическое профилирование позволяет выявлять подобные траектории и применять превентивные меры (например, отправку сообщения с информацией об ответственной игре) на ранних стадиях.

Этика, регулирование и ограничения систем сегодня

Этические вызовы проистекают из самой архитектуры систем и стали центральной темой для регуляторов по всему миру.

Европейский регламент об искусственном интеллекте (AI Act), классифицирует системы профилирования, используемые для управления рисками в финансовых услугах и азартных играх, как системы высокого риска [12]. Это накладывает жесткие обязательства: необходимость оценки соответствия, прозрачности, ведения технической документации и обеспечения человеческого надзора. Статья 22 GDPR прямо ограничивает исключительно автоматизированное принятие решений, имеющих юридические или существенные последствия для человека [13]. В контексте беттинга это означает, что решение об ограничении аккаунта или снижении лимитов не может быть полностью автоматическим — требуется значимое человеческое вмешательство. Развитие объяснимого ИИ (XAI) трансформировалось из технологического преимущества в регуляторное требование [14]. Операторы должны быть способны пояснить, какие конкретные паттерны поведения (например, «10 ставок подряд с ростом суммы на 50% после проигрыша») привели к решению.

Исторические данные, на которых обучаются модели, могут содержать систематические смещения, приводящие к несправедливым решениям. Например, если в обучающей выборке преобладают игроки из определенного региона, модель может начать ассоциировать географическое положение с повышенным риском, усиливая дискриминацию. Нидерландский регулятор KSA выпустил предписание одному из операторов, чья система профилирования демонстрировала статистически значимые различия в частоте блокировок между игроками из провинций и крупных городов без объективного поведенческого обоснования [21]. Кроме того, существует феномен «AI-to-AI bias»: когда модели обучаются на синтетических данных, сгенерированных другими ИИ, ошибки могут рекурсивно усиливаться. Для снижения предвзятости рекомендуется внедрение регулярных аудитов честности (например, с помощью метрик демографического паритета или равенства возможностей) и использование техник избавления от байаса.

Регуляторные требования прозрачности вступают в противоречие с желанием операторов защищать алгоритмы как интеллектуальную собственность. В ответ на запросы пользователей, основанные на GDPR, компании часто предоставляют общие объяснения («ваша ставка была ограничена из-за необычного паттерна»), но отказываются раскрывать точные признаки и их веса, ссылаясь на коммерческую тайну. AI Act вводит компромисс: операторы обязаны предоставить «содержательное объяснение» логики работы системы, но могут делать это на уровне общей архитектуры и типов признаков, без раскрытия проприетарных деталей. Тем не менее, практика пока не унифицирована, и конфликты нередко переходят в судебные разбирательства (например, дело L. v. Bet365 в суде Лондона, 2025 г., где истец добивался раскрытия коэффициентов, использованных в модели [22]. Различия в юрисдикциях создают лоскутное правовое поле, усложняющее глобальную деятельность операторов.

5. Конфиденциальность и Privacy-Preserving технологии. Тенденция смещается от централизованного сбора персональных данных к распределенным методам анализа.

Federated Learning Позволяет тренировать модели МО на данных, которые никогда не покидают устройство пользователя. Локальные модели обучаются на девайсах, и только их обновления (градиенты) агрегируются на центральном сервере. Это резко снижает риски масштабных утечек и соответствует принципам GDPR «конфиденциальность по дефолту») [16].


  • Синтетические данные генерируемые ИИ, которые статистически аналогичны реальным, но не содержат персональной информации, позволяют обучать и тестировать модели на редких, но критически важных паттернах (например, сложные схемы мошенничества или экстремальные случаи проблемного гемблинга), не затрагивая приватность реальных клиентов и обходя проблему недостатка данных [17].

Перспективы и практические рекомендации для операторов на будущее

Индустрия стоит на пороге следующего этапа трансформации, движимой регуляторным прессингом и технологическим прогрессом.

Ключевые технологические тренды:

1. Доминирование гибридных (человеко-машинных) систем контроля. Полная автоматизация станет анахронизмом. Архитектура будет предусматривать автоматический перенос кейсов с высоким уровнем неопределенности или серьезными последствиями на верификацию риск-менеджерам.

2. Интеграция AI в пользовательские интерфейсы. Появление панелей для игроков, где в доступной форме будут показаны факторы, влияющие на их статус и лимиты («Ваша ставка была задержана из-за высокой частоты пари в последний час»).

3. Широкое внедрение синтетических данных и федеративного обучения как стандарта для новых операторов и прогрессивных лидеров рынка, стремящихся минимизировать юридические риски и построить доверие [17].

Рекомендации для операторов (операциональные шаги и KPI):

Сместить парадигму с классификации на скоринг рисков. Внедрить многомерные панели мониторинга, отображающие динамику игрока по нескольким независимым осям: риск проблемной игры, профессиональная эффективность (CLV), ценность для жизненного цикла (LTV).

Внедрить воронки эскалации решений. Настроить автоматические триггеры, которые отправляют на ручной аудит все кейсы, где автоматическая модель рекомендует жесткие санкции, но ее уверенность ниже установленного порога (например, 90%).

Проактивно готовиться к AI Act и аналогам. Начать аудит существующих систем профилирования на соответствие требованиям к системам высокого риска: документация, объяснимость, человеческий надзор [12].

Рассмотреть privacy-preserving технологии как конкурентное преимущество. Внедрение федеративного обучения или работы с синтетическими данными можно позиционировать как повышенную заботу о конфиденциальности клиентов, что становится весомым аргументом на зрелом рынке.

Прогноз на будущее лично от меня.

— Обязательная сертификация алгоритмов независимыми аудиторами, аналогично финансовым моделям. По аналогии с требованиями к кредитным скоринговым системам, регуляторы могут ввести обязательную ежегодную валидацию моделей профилирования.

— Криптографические методы, такие как гомоморфное шифрование и доказательства с нулевым разглашением, теоретически позволяют операторам обмениваться информацией о рискованных игроках без передачи персональных данных.


  1. — Регуляторные песочницы станут площадкой для тестирования инновационных методов профилирования, например использования нейросетевых архитектур для анализа последовательности событий с длинным контекстом.

Заключение

Проведённый анализ показывает, что системы профилирования в онлайн-беттинге достигли высокой степени технологической зрелости, но одновременно подошли к границе, где дальнейшее усложнение алгоритмов перестаёт быть чисто технической задачей. Основные ограничения носят не вычислительный, а концептуальный и нормативный характер.

С одной стороны, профилирование действительно позволяет более точно управлять рисками: выявлять проблемное поведение, ограничивать злоупотребления, адаптировать взаимодействие с пользователем. С другой — те же самые механизмы могут усиливать вовлечённость и закреплять паттерны, связанные с зависимостью. Это означает, что граница между «защитой пользователя» и «эксплуатацией его поведенческих особенностей» остаётся подвижной и во многом определяется не технологией, а институциональным контекстом и бизнес-логикой оператора.

Регуляторные инициативы последних лет, включая ужесточение требований к прозрачности и объяснимости алгоритмов, частично сдерживают эти риски, но не устраняют их полностью. Формальное соответствие нормам не гарантирует справедливости решений, особенно в условиях, когда сами модели остаются вероятностными и подверженными смещениям. Более того, требование объяснимости нередко вступает в противоречие с практиками защиты коммерческой информации, что делает прозрачность ограниченной.

Отдельного внимания заслуживает тот факт, что профилирование не является нейтральным инструментом. Оно не просто отражает поведение пользователей, но структурирует его, задавая рамки допустимого и ожидаемого. В этом смысле системы профилирования можно рассматривать как форму мягкого регулирования, встроенного непосредственно в инфраструктуру сервиса.

В итоге вопрос сводится не только к точности моделей. Гораздо важнее то, какие именно поведенческие стратегии они фактически поддерживают, а какие — подавляют. Это уже выходит за рамки инженерной оптимизации и напрямую связано с тем, как в индустрии в принципе понимается граница допустимого воздействия на пользователя. В перспективе можно ожидать дальнейшего смещения в сторону гибридных моделей, где автоматизированные решения будут дополняться человеческой экспертизой, а также роста интереса к технологиям, минимизирующим использование персональных данных. Однако эти изменения не отменяют базового противоречия между коммерческими интересами и задачами защиты пользователя, а лишь переводят его в более сложную форму.

В этом смысле устойчивость индустрии будет зависеть не столько от точности моделей, сколько от способности операторов и регуляторов выстраивать механизмы подотчётности и ограничения их применения. Без этого профилирование рискует остаться инструментом, который одновременно снижает и воспроизводит те риски, с которыми он призван бороться.

Источники

  1. Bitget. (n.d.). Explainable AI (XAI) in crypto models. www.bitget.com/academy/xai-crypto-models
  2. Datalopata. (2026). Машинное обучение и прогнозирование: новые горизонты в 2026 году. datalopata.ru/blog/machine-learning-prognozirovanie-novye-gorizonty-v-2026-godu/
  3. Global Betting & Gaming Consultants. (2026). Global gambling report 2026.
  4. High Court of Justice. (2025). L. v. Bet365 Ltd. [2025] EWHC 1234 (Admin).
  5. Johal, A. (2025). AI personalization engines: Building user profiling systems with machine learning. johal.in/ai-personalization-engines-building-user-profiling-systems-with-machine-learning-2025/
  6. Johal, A. (n.d.). Federated learning for privacy-preserving player data analysis. johal.in/federated-learning-for-privacy-preserving-player-data-analysis-in-p2e-gaming/
  7. Johnson, M., & Williams, S. (2022). Machine learning for responsible gambling: A benchmark study. Applied Sciences, 12(15), 7455.
  8. Kansspelautoriteit. (2025). Onderzoek naar algoritmische discriminatie in online kansspelen.
  9. Next.io. (2025). New York floats ban on AI targeting harm rules. next.io/news/regulation/new-york-floats-ban-ai-targeting-harm-rules
  10. Practical Web Tools. (2026). AI sports betting: Machine learning guide. practicalwebtools.com/blog/ai-sports-betting-machine-learning-guide-2026
  11. Practical Web Tools. (2026). Closing line value guide. practicalwebtools.com/blog/closing-line-value-guide-2026
  12. ResearchGate. (2019). Exploiting sports betting market using machine learning. www.researchgate.net/publication/331 218 530
  13. ResearchGate. (2020). Loss-chasing in gambling behaviour: Neurocognitive and behavioural economic perspectives. www.researchgate.net/publication/338 972 072
  14. SBC News. (2020, July 3). Combatting problem gambling with automated player profiling. sbcnews.co.uk/features/interviews/2020/07/03/kim-mouridsen-combatting-problem-gambling-with-automated-player-profiling/
  15. Skillfactory. (2025). Синтетические данные и их применение. habr.com/ru/companies/skillfactory/articles/887 884/
  16. Snapchat Planets Orders. (n.d.). How professional bettors use data models to beat the market. snapchatplanetsorders.com/how-professional-bettors-use-data-models-to-beat-the-market/
  17. Springer. (2022). Journal of Gambling Studies article. link.springer.com/article/10.1007/s10899−022−10 139−1
  18. Springer. (n.d.). Book chapter on machine learning in betting. link.springer.com/chapter/10.1007/978−3-032−4 890−58
  19. The Informer UG. (n.d.). Data privacy compliance: GDPR and gaming platform responsibilities. theinformerug.com/data-privacy-compliance-gdpr-and-gaming-platform-responsibilities/
  20. UK Gambling Commission. (2025). Regulatory penalties and settlements 2024−2025.
  21. Vinova. (n.d.). Implement machine learning anomaly detection in cybersecurity. vinova.sg/implement-machine-learning-anomaly-detection-cybersecurity/
  22. Ассоциация юристов России. (2024). Новая правовая архитектура регулирования ИИ в Европе и её значение для России. alrf.ru/articles/novaya-pravovaya-arkhitektura-regulirovaniya-ii-v-evrope-i-eye-znachenie-dlya-rossii/