Ученые разработали метод обучения нейронных сетей, благодаря которому алгоритмы могут учитывать одновременно локальные и глобальные уровни данных о банковских операциях. Это поможет оптимизировать бизнес-процессы, повысить безопасность и качество обслуживания клиентов в банках. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в International Journal of Information Management Data Insights.
Банки используют алгоритмы искусственного интеллекта (ИИ) для обработки и анализа данных и прогнозирования целого ряда процессов. Например, ИИ позволяет анализировать финансовые транзакции — денежные переводы между организациями и отдельными людьми, — по которым можно спрогнозировать банкротство компаний и риски непогашения кредитов. Кроме того, нейросети помогают автоматически выявлять случаи мошенничества по не характерным для пользователя транзакциям, например, крупным списаниям средств со счетов, а также по звонкам с подозрительных номеров. Также ИИ помогает банкам подбирать индивидуальные предложения для клиентов в зависимости от их потребностей. При этом для решения разных задач нужно анализировать сильно различающиеся наборы данных — от локального уровня (последовательность отдельных банковских операций за короткий период) до глобального (вся история транзакций клиента). Однако существующие алгоритмы фокусируются только на каком-то одном из этих уровней, из-за чего решают не все задачи одинаково эффективно.
Исследователи из Лаборатории искусственного интеллекта Сбербанка и Сколтеха (Москва) предложили метод обучения нейросетей, которые используются в банковской сфере для задач по обработке последовательностей событий. Авторы разделили такие задачи на три типа: глобальные, локальные и динамические. Глобальные требуют оценки некоторой общей характеристики последовательности, которая почти не меняется за рассматриваемый промежуток времени: возраст клиента, платежеспособность, удовлетворенность услугами банка. Локальные опираются на характеристику, которая постоянно меняется во времени, например определение мошеннических транзакций. Локальные задачи требуют, чтобы нейросеть могла быстро реагировать на резкие изменения поведения клиента, к примеру, выявлять смену страны жительства.
На всех вышеперечисленных задачах исследователи протестировали широкий набор передовых моделей, использующихся для анализа последовательных данных. Исходя из результатов, авторы разработали совершенно новую методику анализа. Она заключается в том, что при анализе учитывается внешняя контекстная информация, то есть данные о других клиентах, особенно тех, кто по ряду признаков похож на анализируемого. Это помогает принять во внимание различные глобальные тенденции. Такой подход улучшает качество моделей на всех предложенных задачах, в некоторых случаях с отрывом в 20%.
«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. На мой взгляд, это одно из основных достоинств работы, отличающей ее от большинства журнальных статей по искусственному интеллекту, которые на момент публикации уже немного устаревают», — рассказывает Андрей Савченко, доктор технических наук, научный директор Лаборатории искусственного интеллекта Сбербанка.
«Одно из уникальных свойств нейронных сетей – универсальность, способность адаптироваться к разным задачам без дополнительных затрат. 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. На публикации работа не заканчивается, и дальше мы планируем использовать метод для новых типов данных, повысить устойчивость нейросетей к аномалиям», — подводит итог руководитель проекта, поддержанного грантом РНФ, Алексей Зайцев, кандидат физико-математических наук, заведующий лабораторией прикладных исследований «Сколтех-Сбербанк» Центра ИИ Сколтеха.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
