{"id":8721,"title":"\u0427\u0442\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u043e\u0433\u043e \u043c\u043e\u0436\u043d\u043e \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0438\u0437 \u0440\u044b\u0431\u044c\u0435\u0439 \u0447\u0435\u0448\u0443\u0438","url":"\/redirect?component=advertising&id=8721&url=https:\/\/vc.ru\/promo\/316632-odezhda-kotoraya-rastet-vmeste-s-rebenkom-biotoplivo-i-krossovki-iz-chaynogo-griba&placeBit=1&hash=3f7bfd5e764a97a666a0f91fc9e9278a2147bac49abdacebb6449b781d4d5ca0","isPaidAndBannersEnabled":false}
Финансы
Яков Обабков

Использование AI в банке — подходы, области применения, кейсы

Искусственный интеллект (AI, от англ. artificial intelligence) — одна из наиболее перспективных банковских технологий, которая обещает принести значительные дивиденды. В данной статье я расскажу о том, как подойти к вопросу использования AI в банке «с нуля» и о конкретных кейсах применения AI из своего опыта.

Я работаю в компании eKassir , мы занимаемся разработкой коробочного ПО для банков и финансовых организаций, в том числе — фронтальных приложений, решений для обработки платежей и т.д. Так как в наших продуктах и фронтальных системах клиентов есть много полезных данных, мы задумались о том, что с их помощью можно улучшать банковские продукты, используя AI.

Разберемся с понятиями: AI, Machine learning, Data Science

Искусственный интеллект (AI) — это область, посвященная созданию интеллектуальных систем, работающих и действующих как люди. Основной целью таких искусственно созданных систем является воспроизведение черт человеческого интеллекта:

  • планирование
  • обучение
  • рассуждение
  • решение проблем
  • оперирование данными и их использование
  • восприятие
  • контроль и манипулирование объектами
  • и, в меньшей степени, социальный интеллект и креативность.

Термины AI и Data Science пересекаются в области машинного обучения (ML, machine learning).

ML — это класс методов искусственного интеллекта, характерной чертой которого является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. ML — наиболее простой класс методов ИИ, которые можно применить в любой организации (в том числе и в банке) и достичь практического результата без каких-то крупных вложений.

Data Science - это наука о данных, объединяющая разные области знаний (информатику, математику и системный анализ). Сюда входят:

  • методы обработки больших данных Big Data
  • интеллектуальный анализ данных (Data Mining)
  • статистические методы
  • методы искусственного интеллекта, в том числе машинное обучение (ML)

Как работает машинное обучение (ML)?

Разберем на примере, который давно используется во многих банках — кредитный скоринг.

Бизнес цель: Улучшить качество кредитного портфеля.

Задача: Реализовать алгоритм оценки кредитоспособности входящего потока клиентов и обосновать его эффективность на кредитном комитете.

Подготовка к решению. Задачу оценки кредитоспособности клиента решим через прогнозирование вероятности дефолта по клиенту. Главное, что нам нужно, перед тем как к ней приступить — это найти данные по клиентам и случаи наступления кредитных дефолтов по ним же. Так как это влияет на качество предсказания, очень важно собрать максимально доступный набор параметров клиентов (например, пол, возраст, образование, ежемесячный доход, информация о посещаемых сайтах, количество фотографий в соцсетях). По найденному набору данных делаем слияние параметров с наличием просрочки по кредиту, и, исходя из этого, можем спрогнозировать по входящему клиенту и его параметрам вероятность попадания на просрочку.

Порядок решения задачи:

  • Готовим Data set — собираем из разных систем максимальное количество клиентских параметров и данных по ним
  • Очищаем данные и работаем с аномалиями признаков — насколько правильно у нас заполнены параметры клиентов? например, какие-то параметры могли раньше не заполняться или изменить свое значение со временем
  • Переводим параметры клиентов в значимые: текст — к списку, непрерывные значения — к сегментам (возраст, например, к группам)
  • Добавляем к параметрам целевую переменную: в нашем примере — бинарную (дефолтный клиент или нет)
  • Обучаем разные виды моделей
  • Сравниваем качество предсказания у разных моделей
  • Выбираем лучший вариант по качеству предсказания и интерпретируемости
  • Внедряем модель в действующие бизнес процессы
  • Периодично пересчитываем модель, отслеживая рыночную ситуацию.

Поговорим о данных — обычных и больших

Как связаны Big Data и машинное обучение? Для построения моделей машинного обучения требуется много и разных данных. Big Data — это обозначение данных, обладающих 5 характеристиками:

  • данные больших объемов
  • разнообразные
  • достоверные
  • ценные
  • быстрорастущие

В таблице ниже показаны особенности работы с обычными и большими данными.

Большинство банков сейчас работает с обычными данными, которые хранятся в реляционных базах данных — например, данные транзакционных систем.

Примером Big Data могут быть телефонные звонки в аудио-формате — это огромное количество информации, содержащей полезные данные, но из них сложно извлечь какую-то ценную информацию. Для работы с большими данными необходима новая аппаратная платформа (с новой файловой системой и базой для хранения), эксперты для её разворачивания и специалисты в области Data Science для обработки больших объемов данных.

Основная причина неуспешных DS-проектов

Процесс работы с данными начинается от бизнесмена: он должен сформулировать проблему. Далее необходимо перевести её в область данных, собрать Data set, и только после этого имеет смысл подключать Data Scientist’а к алгоритмизации, инжинирингу фич и математическому моделированию.

После формирования модели важно проанализировать варианты её интерпретации и возможность внедрения в инфраструктуру банка.

На практике много проектов проходит этап разработки и зависает на этапе моделирования и внедрения в промышленный контур, так как не было учтено, что для успешной работы модели в пром надо подать определенный поток данных. А это может потребовать большого количества времени и ресурсов.

Как решить эту проблему?

1. Банк обучает бизнес-экспертов инструментам Data Science и методам Big data. Очень частое явление в крупнейших банках: обучать представителей бизнес направлений Data Science, программированию на Python и т.д.

2. Погрузить эксперта Data Science в предметную область. Банк ищет эксперта Data Science и учит его бизнесовому мышлению и банковскому делу. Но вопрос — захочет ли такой специалист погружаться в другую область?

3. Оптимальный вариант — привлечь внешнюю компанию, которая имеет опыт и в работе с данными, и в предметной области, и в понимании продуктовых вещей.

Но на сегодняшний день на рынке специализированных компаний для банков нет. Поэтому eKassir стремится стать экспертом в этой области и помочь банкам в решении Data Science задач.

Этапы работы с Big data «с нуля»

С чего начать, если банк всё-таки решился поработать с большими данными с нуля?

Собрали информацию о том, что необходимо сделать и с помощью каких инструментов, если вы собрались работать с Big data своими силами.

Особенно важен последний этап — модель необходимо постоянно актуализировать, пересчитывать, так как она постоянно меняется со временем. Например, если она связана с клиентами — меняется портрет клиента, меняется рыночная ситуация и т.д. Важно все эти вещи отслеживать и закладывать время на поддержку моделей в пром. контуре — пересчет и работу с ними.

Наш реальный опыт

Как конкретно мы в eKassir применяем технологии AI в своих решениях.

1. Проверка заполнения поля «Назначение платежа».

Как обычно происходит оплата у юридических лиц? Бухгалтер набивает платежку, отправляет её в банк, в банке платежка уходит на обработку, потом в ручном режиме надо проконтролировать её статус — ушла ли она в обработку или нет. Часто необходима ручная обработка платежки операционистом. Чтобы сократить время обработки и снизить нагрузку на оперблок в банке, мы разработали решение для проверки заполнения полей платежного поручения в онлайн-режиме.

Основную массу параметров платежного поручения можно проверить с помощью справочников и регуляторных выражений. А для проверки поля «Назначение платежа» (неструктурированный параметр, без четких признаков, какое назначение платежа правильное, а какое — нет) мы решили применить нейронную сеть.

Текст назначения платежа направляем в режиме реального времени по Rest API в наш сервис (обученную нейронную сеть RoBERTa), а на выходе получаем его разобранный по полям:

Теперь мы можем проверить наличие необходимых данных и сразу ответить клиенту, чего не хватает или что надо исправить. Например, если в назначении платежа написано «Оплата по договору», но нет даты договора, мы возвращаем сообщение «Добавьте дату». Сейчас этот сервис работает не хуже реального операциониста — характеристика качества Macro F1=0,965.

Также эта нейронная сеть может использоваться для финмониторинга. Если прогнать через неё все входящие и исходящие платежи, то она поймет, за что юрлицо получает/отправляет деньги и на основе простого анализа сможет сигнализировать, когда в платежах появятся какие-то аномалии, и работа юрлица вызовет подозрения.

2. Управление наличными денежными средствами в банке.

В числе прочих у нас есть решение и для терминалов и банкоматов (управляющее мультивендорное ПО «ATM Terminal»). Соответственно, у нас в системе собираются полные данные о наличности в сети — в каком банкомате в какой кассете сколько листов осталось, когда что загружалось, как быстро выдается. Владея таким Data set, мы решили сделать систему кэш-менеджмента (планирования инкассаций). На базе накопленных данных сделать предиктивную модель и сравнить с существующей на сегодня эффективностью работы сети АТМ в банке. Тут оценить эффективность довольно просто — достаточно посмотреть, сколько устройств простаивали из-за того, что их вовремя не инкассировали, или у них кончился какой-то номинал.

Дальнейшие планы по развитию решения — интегрировать с системой планирования инкассаций, работающей по аналогии с программным обеспечением для курьеров (составляющей маршрут для инкассаторов). И добавить туда предиктивные вещи:

  • например, выгодна ли замена конкретного банкомата на ресайклер или нет?
  • оповещения о замене каких-то деталей в устройстве, чтобы избежать выхода из строя
  • оповещения о своевременном пополнении наличных (например, в зарплатных проектах, когда банкомат стоит на предприятии, и необходимо в определенный день его пополнять, чтобы не было проблем с выдачей зарплаты сотрудникам).

Заключение

В статье мы постарались разобрать основные понятия, которые необходимо знать для начала работы с технологиями AI банковским управленцам и поделились своим опытом применения этих технологий конкретно в банковской сфере. Будем рады ответить на вопросы в комментариях и обменяться опытом с коллегами (если у вас в компании есть опыт применения AI в финансах).

#ai #machinelearning #fintech

0
0 комментариев
Популярные
По порядку
Читать все 0 комментариев
Разговор PRO: аналитика рекламы

Эксперты компании Registratura, входящей в iConText Group, вместе со своим клиентом «Олант» приняли участие в спецпроекте AdIndex.ru, где поговорили о рекламной аналитике.
Сергей Ерофеев, генеральный директор Registratura, Андрей Сахаров, руководитель отдела продаж Registratura, и Филипп Иванов, директор по интернет-маркетингу и e-commerce «Олант»…

Как найти перспективное IPO
«Как иронично, что фирме в сфере психического здоровья плевать на психическое здоровье собственных работников» Статьи редакции

Сотрудники Spring Health жалуются на соучредительницу Эйприл Го: она запугивает их, увольняет при всех, вынуждает работать по 70 часов в неделю и не нанимает тех, кто спрашивает про переработки. Го объясняет: «Мы носимся как безголовые цыплята, потому что на кону человеческие жизни».

Эйприл Го — на ноябрь 2021 года самая молодая женщина-директор компании с оценкой более $1 млрд Slush
Плюшки – от робота, а преференции – для резидента

Как наладить взаимовыгодное сотрудничество на территории ОЭЗ «Технополис Москва».

Юбилей кешбэка: как в 130 лет выглядеть «на все сто»

Кешбэк — возврат определенного процента наличных на карточный счет клиента после покупок в магазинах-партнерах банка или полетах на самолетах авиакомпаний-партнеров-банка или вообще за любые покупки в конкретный период времени — очень популярен в народе. Он выглядит как современная модная финансовая фишка

Кейс «АнтиШколы»: мы впустую потратили два года на разработку своей платформы и выжили в пандемию благодаря Edvibe

После вуза мы с партнером запустили неформальную АнтиШколу по английскому — с кофе, печеньками, играми и атмосферой антикафе. Но столкнулись с проблемой в онлайне: два года разрабатывали приложение для студентов и потратили порядка $40 тысяч в никуда. Рассказываю, как это было.

Так мы занимаемся английским на крыше! Никаких унылых парт

Как обустроить домашнюю студию звукозаписи при скромном бюджете Статьи редакции

Почему сведённый трек нужно проверять на паршивой Bluetooth-колонке, какие плагины выгоднее брать новичку и с каким синтезатором работал Ханс Циммер, создавая саундтрек к «Тёмному рыцарю», — в пересказе Pitchfork.

AudioMunk
Факап на 45 млн рублей, выгорание и новый стартап

Это история моего прошлого проекта: ошибок, выводов и опыта, который я применил при создании нового стартапа.

Это я (слева) и Саша (аккаунт менеджер), гуляем по Москве, ждем встречи с партнерами
IKEA начала сдавать в Токио квартиры в 10 м² за $0,86 в месяц, чтобы показать, что в них тоже можно жить Статьи редакции

Внутри есть мини-спальня, рабочая зона, диван, стиральная машина и другое.

null