Loading...
Алгоритмы машинного обучения уже сейчас широко используются банками для оценки финансового положения клиентов и связанных рисков. Поскольку информация о переводах денег всегда остается в платежной системе, у каждого клиента формируется цифровой след из банковских транзакций. Связи между клиентами банка формируют огромную сеть из социальных и финансовых взаимодействий, из которой можно получить данные об окружении каждого человека.
Исследователи из Сколтеха Максим Панов, Кирилл Федянин и их коллеги из крупных европейских банков решили проверить, применима ли известная поговорка «Скажи мне, кто твой друг, и я скажу, кто ты» к финансовым операциям. Ученые сравнили эффективность шести разных моделей для анализа банковских операций. Клиенты рассматривались как группы связанных лиц. Среди нейросеток наиболее успешной оказалась модель EWS-GCN.
«Успех этой модели можно объяснить тремя факторами. Во-первых, модель напрямую обрабатывает полные данные о банковских транзакциях и тем самым сводит к минимуму потери содержащейся в них информации. Во-вторых, структура модели специально построена таким образом, чтобы модель одновременно обладала высоким качеством предсказания и была вычислительно эффективной. Наконец, мы предложили специальную процедуру обучения для системы в целом», — отмечает Максим Панов.
Ученые показали, что данные о сети переводов лучше предсказывают кредитоспособность клиента, в отличии от алгоритмов, использующих только данные о заданном клиенте. Благодаря таким моделям банки смогут предлагать более выгодные условия для надежных клиентов и вычислять мошенников. Модель, предназначенная для использования в банковской сфере, должна быть очень надежной. Поскольку сложные модели нейронных сетей пока остаются уязвимыми для атак, прежде чем внедрять их в производственный процесс, необходимо до конца разобраться в уязвимостях такого подхода.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.