Daria Demekhina
ноябрь 2016.
2902

Как можно применить нейронные сети в банковской сфере?

Ответить
Ответить
Комментировать
2
Подписаться
0
3 ответа
Поделиться
АВТОР ВОПРОСА ОДОБРИЛ ЭТОТ ОТВЕТ

Мы видим текущий фокус применения нейросетей (алгоритма, который фильтрует информацию, анализирует ее и постоянно обучается) не в сфере кредитования, как это принято считать, а в оптимизации и диджитализации, потому что кредитование вряд ли в ближайшее время будет сильно развиваться в силу макроэкономической обстановки. (Сейчас не ожидается бума кэш-кредитования). 

Сейчас в области кредитования в части автоматизированных риск-стратегий используется в основном регрессионный анализ. Потенциально его можно заменить на нейронные сети и ИИ (искусственный интеллект). 

Как нейронная сеть могла бы работать в принятии решений по кредитам? Вы обучаете нейронные сети на большом количестве примеров, потом подаете на вход новые данные в том же формате и получаете результат, который не могли заранее запрограммировать. Допустим, вам нужно принять решение по заёмщику: дать ему кредит или не дать. Вы структурируете набор параметров этого заемщика (возраст, стаж, наличие просроченных кредитов и многие другие характеристики), а потом выгружаете примеры: каким заёмщикам какие кредиты предоставлялись и как они платили. Так вы получаете большой массив информации из примеров плохих и хороших заемщиков. Задаете 100 тысяч таких примеров сети: нейронная сеть обучается на 100 тысячах примеров. Когда вы заводите нового клиента с такими же параметрами, она вам предсказывает, будет он хорошим или плохим на основе предыдущего опыта. 

Мы же используем не такой механизм, а математические модели, которые также способны предсказать, будет ли человек плохим или хорошим заемщиком. Можно сказать, что такие модели обучаются на основе опыта банков алгоритмами регрессионного анализа.

Сейчас мы экспериментируем с искусственным интеллектом, но пока далеко не продвинулись: не достигли более высокой точности предсказания результата, чем тот, что мы достигаем регрессионными путями. Как только эта технология станет эффективнее, мы будем использовать ее, а пока работаем над этим.

Главными направлениями в применении нейросетей в банковской сфере для нас являются оптимизация и диджитализация. Существует масса действий и операций, которые пока что выполняются вручную и при этом с трудом поддаются алгоритмизации. Автоматизация таких операций возможна как раз через замену заранее созданного алгоритма на машинное обучение.

Как это работает? Есть банк с определенным количеством людей и компьютеров. Компьютеры выполняют работу вместо людей. Постепенно мы автоматизируем все процессы, и людям остается все меньше и меньше работы, но за счет появления новых продуктов инноваций работа все равно остается. Основной вектор развития – это применение практик искусственного интеллекта в тех областях, которые до этого не поддавались алгоритмической автоматизации. Например, такой процесс как открытие счета. При открытии счета работают сотрудники – верификаторы по процессу верифицирования документов, которые подаются для открытия счета для юридического лица. Необходимо выполнить кросс-чек реквизитов, чтобы исключить потенциальное мошенничество и ошибки. Сейчас практически во всех банках эти действия выполняют люди, потому что алгоритмов которые могут разобрать неструктурированные документы произвольного формата, учесть абсолютно все параметры и полностью их автоматически сверить без человека, не существует. Это большая функциональность банка, и достаточно много людей этим занимаются. Алгоритм искусственного интеллекта позволяет этот участок частично автоматизировать, тем самым, с одной стороны, сократить издержки банка, а с другой - существенно ускорить ускорить.

Конечно, технологии, которая уверенно распознает все тексты, пока нет. Наши текущие эксперименты позволяют разобрать тексты с точностью до 60% неструктурированного текста. Выглядит это таким образом: 60% информации поднимается автоматически нейтронными сетями из документов, и есть человек, который доподнимает остальные 40% данных. Например, адрес прописки очень часто бывает написан ручкой в штампе и очень плохо распознается текущим алгоритмом. Мне кажется, это закономерно: технологии в полной мере не должны заменить человек в банковской сфере. Наш опыт показывает, что такая автоматизация пока имеет определённый предел.

8

Нейронная сеть – гибкая модель. С одной стороны, хорошо, высокая точность, с другой стороны, трудная интерпретируемость. И поэтому в том же кредитном скоринге чтоб понять, что за клиентов в качестве «плохих» и «хороших» выбрала нейронная сеть, часто приходится строить вторую или суррогатную модель (дерево, регрессию). Возникает вопрос, почему бы тогда сразу не построить дерево?

Другой момент – транспарентность модели. Сдаем модель, регулятор задает вопрос «какова взаимосвязь между переменной X и оценкой интересующего события?». Например, одна из независимых переменных – возраст клиента, покажите, что с увеличением возраста уровень риска снижается или, наоборот, возрастает. Если модель позволяет это показать, она не является «черным ящиком». В логистической регрессии взаимосвязь показывает знак соответствующего коэффициента, в деревьях решений CHAID аналогично – смотрим узлы, где используется возраст, и какую вероятность получают их листья. А в глубокой нейронной сети или случайном лесе вопрос останется без ответа.

Наконец, возможность корректировки модели. Например, взяли метод случайного леса, подали на вход независимые переменные и получили скоринговую модель, которая демонстрирует очень высокую точность. Внедряем модель. Со временем, из-за макроэкономики или новой кредитной политики происходят изменения в популяции заемщиков, что выражается в смещении переменных и получении ошибочных прогнозов. Обычно смещаются не все переменные сразу, а одна-две переменных, тогда можно их просто скорректировать без переделывания всей модели. В методе логистической регрессии решение заключается в том, чтобы посмотреть среднее значение предиктора на обучающей выборке, среднее значение предиктора на новой (тестовой), взять отношение, умножить на него регрессионный коэффициент. В случае использования нейронной сети получить эти коэффициенты невозможно.

Бизнесу нужны прозрачные, интерпретируемые прогнозы. Мне возразят, мол, нейросеть точнее регрессии. Что касается точности, то для логистической регрессии работает такая схема: обогащаем данные более сильными переменными, если их нет, конструируем новые переменные на основе имеющихся, подробнее изучаем распределение переменных, с помощью графиков квантиль-квантиль подбираем наиболее подходящее распределение, либо для переменных с симметричными распределениями и линейными зависимостями строим модель логистической регрессии, для переменных с несимметричными распределениями и нелинейными зависимостями – модель дерева и результаты объединяем («хорошо размеченный ансамбль»). Также хорошо работает логистическая регрессия с коррекцией данных по значениям выбросов, полученных с помощью матрицы близостей случайного леса. По данным наших экспериментов такая регрессия уже не уступает в 80% случаев лесу и может конкурировать с нейросетью. Последнее – авангард, то, чем сейчас занимается Адель Катлер, разрабатывавшая с Лео Брейманом лес.

0
Ответить
Прокомментировать

В банках много процессов, завязанных на обработке внешних данных по определенным алгоритмам. Например, распознавание документов, идентификация клиентов или кредитный скоринг – с этим алгоритмы машинного обучения справляются уже лучше людей.

И да, они смогут заменить оператора контакт-центра с его скриптами.

2

В контак центре интереснее - для тех клиентов которые уже предпочитают чат - да. Для тех кто любит голосовое общение - технологии пока слабоваты, хотя шагнули сильно дальше старых голосовых роботов

0
Ответить
Прокомментировать

Оперировать мозги банковских работников , потом , нынче одна женщина пересадку головы хочет попробовать сделать , если удасться , думаю обмен участками мозга тоже не будет проблемой(со временем) (свой рынок появится) ...провода из нейронов неважные , да и сгниют , (правда если их законсервировать как-то...)но всё равно толку ...нейронный компьютер для банка построить так это уже искусственный мозг получится , нееее лучше не надо , еще миром с этими банковскими работниками завладеет  .Можно поить банковских работников коктейлями из мозга животных.думаю это полезно , память улучшится .можно выстроить банки большие такие , в форме мозга , (для поддержание температуры форма оптимальная) через извилины будет накапливаться вода и фильтроваться.если банк в жакрой стране ,то мозг красим в белый , если в холодной - в тёмный .

-10
Прокомментировать
Ответить