Научный руководитель:
Область исследования
Тип исследования
Аннотация (краткое описание)
В настоящее время банки внедряют искусственный интеллект (ИИ) и машинное обучение в каждый бизнес процесс и планируют распространять эту технологию на все направления своего бизнеса. Например, первичный скоринг заемщиков банки уже давно проводят автоматически. Модели ИИ работают в риск-менеджменте, в бизнес-планировании и комплаенс. Банки развивают технологии компьютерного зрения, обработки языка, речевой аналитики, что позволяет сократить время, стоимость и повысить качество принимаемых решений (ускорение процессов в десятки раз). Внедрение систем ИИ обеспечивают обработку документов, необходимых для формирования клиентского досье. Интегрированные технологии распознавания позволяют в автоматическом режиме обрабатывать и вносить данные клиентов при открытии счетов и совершении банковских операций, где требуется подтверждение личности. Технология ИИ используется в следующих основных направлениях: риск-менеджменте, сегменте малого и среднего бизнеса и в рознице. В риск-менеджменте ИИ помогает предотвратить мошенничество, в малом и среднем бизнесе, а также в рознице, с помощью искусственного интеллекта банк решает задачи повышения конверсии продаж за счет моделирования предпочтений клиентов и с помощью систем прогнозирования. Технология ИИ также может начать массово использоваться крупными банками для кредитования средних и крупных предприятий. Искусственный интеллект используется для решения самых разнообразных задач, и одна из них – сокращение среднего времени обслуживания клиентов, увеличение доли решения их запросов на стадии FCR (First Call Resolution, коэффициент решения вопроса при первом обращении) за счет качественного и удобного сервиса, достигаемого путем автоматизации работы контактного центра. На первоначальном этапе теоретические и прикладные исследования проблемы базируются на классе методов искусственного интеллекта и машинного обучения, а также средствах математической статистики, теории моделирования, семантического анализа. Большинство методов машинного обучения эффективно работают благодаря прорывам в области представлений (representations) данных и входных признаков, а также оптимизации нейронных весов. Также используются алгоритмы глубинного обучения (deep learning), целью которых является замещение человека в определенных рутинных задачах. Глубинное обучение доказало свою состоятельность и способность достаточно точно работать над поставленной задачей. Основными методами машинного обучения, описанными в этом исследовании, являются логистическая регрессия, стохастический градиентный спуск, нейронные сети, k-ближайшие соседи (kNN), дерево решений (decision tree), случайный лес (random tree), XGBoost, наивный Байесовский классификатор (Naïve Bayes)). Выбор этих методов обоснован анализом алгоритмов, основанные на правильности классификации (accuracy), точности (precision) и ряде других показателей. Нелинейные модели показывают более точные прогнозы по сравнению с линейными моделями. Предлагаемая интеллектуальная система основана на моделях машинного обучения, которые широко используются в различных сферах человеческой деятельности и продолжают доказывать свою эффективность и практичность в реальных задачах. Однако, в финансовой сфере, в частности в задачах банка существует потребность в глубоком изучении и внедрении технологии ИИ для повышения эффективности работы. Работа интеллектуальной системы состоит из нескольких этапов. На первом этапе осуществляется корректный сбор данных о заемщиках. После предобработки и очистки данных запускается алгоритм машинного обучения. От правильного выбора алгоритма зависит результат работы интеллектуальной системы. Отклонения в данных оказывают негативное влияние на работу скоринговой модели и приводят к ложному принятию решения. Построение скоринговой модели, основанной на существующих финансовых технологиях и методах машинного обучения, имеющей отличие от решений на отечественном рынке является востребованной со стороны бизнеса задачей. Современные отечественные решения зачастую состоят из разрозненных проектов, которые сложно поддаются интеграции и масштабированию. Разрабатываемая скоринговая модель основана на передовых технологиях в области ИИ и использует перспективные инструменты разработки, тестирования и интеграции в этой области. В Казахстане нет кредитных линий для производителей и импортеров товаров, поэтому многие компании используют зарубежные решения для коммерческого использования технологий на внутреннем рынке. Следовательно конфиденциальные пользовательские данные, экспортируемые с применением зарубежных решений отрицательно сказывается на экономике Казахстана. Они включают в себя распространение персональных данных, которые в настоящее время оцениваются как ценный национальный ресурс.Сведения о финансировании
ГосбюджетДанный документ располагается в коллекциях
Научные проекты
ГФ
Файлы документа
Документ не загружен