На форуме FinMachine руководители технологических подразделений банков и специалисты по data science рассказали в своих докладах, как искусственный интеллект, машинное обучение и Big Data помогают банку быть эффективнее.
Анастасия Изыкова, начальник управления повышения эффективности Альфа-Банка, предложила свой критерий выбора приоритетных проектов. Это финансовая модель с ее простой арифметикой: доходы против расходов или экономия против расходов. Если расчетный финансовый результат проекта значительный, проекту дается отмашка.
Этап исследований и «пилотов» в части использования новых технологий банком в основном пройден, поэтому финансовые модели достаточно точны и прогностичны. Альфа-Банк — большая организация с широким набором услуг, и проекты с использованием Big Data и ML идут во многих департаментах: продажи, безопасность, операционный блок. При этом, поскольку новые технологии появляются быстро, какой-то бюджет закладывается и для пилотных исследований.
Заместитель директора IT-развития банка «Открытие» Дмитрий Первухин считает, что браться следует только за заведомо успешные проекты. А успех проекта — это прежде всего четкая постановка задачи и понимание путей ее решения. AI, ML, Big Data — область новая, и культура постановки задач в ней еще не сложилась.
Заказчики от бизнеса часто сами не знают, в чем задача, и специалисты по data science не знают. С этим и надо разбираться. А шарить в темноте в надежде найти что-то чудодейственное — это, как полагает Дмитрий Первухин, верный путь к неудаче. Новые технологии — лишь инструменты для решения задач. Задачи решают люди, а инструменты сами по себе ценность не производят.
Денис Суржко, начальник управления алгоритмов машинного обучения Газпромбанка, рассказал об IT-архитектуре компании, базовыми элементами которой являются озеро данных и три платформы: графовая, геолокационная и платформа текстовой аналитики.
Единый контур обработки информации позволяет сопоставлять данные различной природы, значимо повышая точность оценок и прогнозов при решении практически любых характерных для банка задач, от оценки недвижимости до построения оптимальных маршрутов инкассации. Денис Суржко сделал акцент на созданной в Газпромбанке многослойной карте геоданных, насыщенность которой социально значимой информацией, по его оценкам, беспрецедентна.
В частности, в системе скоринга хорошие результаты показал анализ соответствия декларируемых заемщиком доходов месту его проживания. При оценке корпоративных заемщиков оказалось невозможным ориентироваться только на данные системы СПАРК: восстанавливаемые связи компаний обрываются на иностранных юрлицах, а информация об акционерах часто неполна.
Для восполнения информационных пробелов большой корпус новостных лент пропускался через системы текстовой аналитики, срабатывал алгоритм распознавания российских компаний, и на последующих этапах обработки этот механизм позволил получать более полные и точные сведения.