Повышена точность работы нейросетей для банковской сферы

Исследователи из России разработали метод обучения систем ИИ, благодаря которому нейросети смогут учитывать одновременно локальные и глобальные уровни данных по банковским операциям.

Повышена точность работы нейросетей для банковской сферы
© Unsplash

Разработка, поддержанная грантом Российского научного фонда (РНФ), позволит на 20% повысить качество работы подобных алгоритмов, сообщила пресс-служба Сбера.

"Большинство задач, с которыми мы работали до начала этого исследования, можно было отнести к глобальным, но мы попробовали сработать на опережение и найти алгоритмы, которые будут хорошо справляться и с локальными постановками. Удивительно, но сейчас уже большая часть возникающих перед нами задач скорее относится к локальным. Получилось, что практическая потребность только появилась, а у нас уже готово хорошее решение", - пояснил научный директор Лаборатории искусственного интеллекта Сбербанка Андрей Савченко, чьи слова приводит пресс-служба Сбера.

Как отмечают исследователи, сейчас специалисты всех ведущих российских и мировых банков работают над созданием систем машинного обучения, способных анализировать различные последовательности банковских операций и искать в них закономерности, важные для оценки риска. Это позволит использовать системы ИИ для автоматизации оценки кредитного рейтинга, а также выявления мошеннических действий и защиты банков и их клиентов.

При анализе этих цепочек транзакций нейросеть должна учитывать как глобальные факторы, которые почти не меняются за рассматриваемый период времени - к примеру, возраст клиента, так и локальные и динамические, потенциально подверженные сильным переменам - место жительства и другие факторы, способные резко меняться. Существующие подходы для анализа этих данных фокусируются только на одном из этих наборов факторов и при этом не учитывают внешний контекст, в том числе макроэкономические индикаторы.

Российские ученые разработали новый подход для обучения подобных банковских нейросетей, который учитывает наличие всех этих факторов, а также внешнюю контекстную информацию - данные о других клиентах, особенно тех, кто по ряду признаков похож на анализируемого индивида. Работу этого подхода ученые проверили на наборе из восьми систем ИИ, построенных на базе принципа обучения с самоконтролем, и на пяти разных наборах данных о клиентах. Эти эксперименты показали, что учет внешнего контекста позволяет в некоторых случаях повысить точность прогнозов нейросетей на 20%.

"В работе мы смогли описать широкий набор задач - и предложить решения, которые хорошо справляются со всеми, в том числе в случае изменения поведения пользователя со временем. Отдельно я горжусь тем, что получилось в модели учесть поведение похожих пользователей, что привело к дальнейшему увеличению качества модели", - подытожил заведующий лабораторией Центра ИИ "Сколтеха" Алексей Зайцев, чьи слова приводит пресс-служба Сбера.