Обрабатываем терабайты данных в кредитном скоринге / Евгений Смирнов (Альфа Банк)

• Евгений Смирнов, руководитель лаборатории машинного обучения Альфа-Банка, рассказывает о задачах кредитного скоринга и эволюции его использования в банке.  

• Он объясняет, что банк хочет научиться определять, выдаст ли он кредит клиенту и вернет ли он его.  

• Банк также хочет улучшить качество ранжирования клиентов и снизить риск.  

• Евгений объясняет, что улучшение моделей кредитного скоринга может привести к увеличению количества выдач и снижению риска.  

• Он также подчеркивает, что улучшение моделей может быть использовано для защиты финансовых эффектов и увеличения чистого операционного дохода банка.  

• Евгений рассказывает о том, как кредитный скоринг эволюционировал в Альфа-Банке, начиная с использования ручной оценки в 2000 году и заканчивая использованием нейронных сетей в 2019 году.  

• Он отмечает, что внедрение нейронных сетей привело к улучшению метрик качества кредитного скоринга на 9 процентных пунктов.  

• В банке используются различные источники данных для кредитного скоринга, включая транзакции, кредитные истории, логи с сайта и мобильного приложения, а также данные о платежах и переводах.  

• Для работы с этими данными используются классические методы машинного обучения и нейронные сети.  

• Для решения задачи бинарной классификации используются различные архитектуры, включая рекурентные нейронные сети, двунаправленные рекурентные сети, архитектуры по типу ResNet и регуляризацию.  

• Для улучшения качества обучения используются различные методы, включая использование исторических данных, регуляризацию и пулинги.  

• Для обучения моделей на больших объемах данных используются различные методы, включая пакетирование данных и использование паков сиквенс из библиотеки Torch.  

• Это позволяет ускорить обучение моделей и проводить больше экспериментов для улучшения качества.  

• В 2022 году в Альфа-банке использовали три нейронные сети и один градиентный бустинг для кредитного скоринга.  

• В 2023 году добавили больше источников данных, включая чеки операторов фискальных данных и социальные связи клиентов.  

• Смешивание нейронных сетей и логистической регрессии на уровне эм беннингов добавило два дополнительных пункта джини.  

• В 2020 году внедрили первые нейронные сети в продакшн.  

• В 2021 году разработали сервисную архитектуру для масштабирования нейронных сетей на все сегменты бизнеса и задачи.  

• В 2022 году разработали сервис, который на вход принимает обучающую выборку, строит модель под конкретную задачу и диплоирует ее в продакшн.  

• В будущем планируют масштабировать сервис на все ключевые задачи банка, экономить на железе и данных, а также проводить исследования и улучшать сервис.  

• В настоящее время работают над ускорением обучения модели, чтобы она выдавала результат быстрее.  

• Спикер обсуждает, как нейронные сети работают с различными источниками данных и как они могут быть использованы для принятия решений.  

• Он также отвечает на вопрос о том, как нейронные сети могут обрабатывать большие объемы данных и как они могут быть использованы в онлайн-режиме.  

• Спикер отвечает на вопросы о том, как нейронные сети могут быть использованы для оценки входящих данных, как они могут быть взломаны и как они могут быть использованы в экстремальных ситуациях.  

• Он также обсуждает, как нейронные сети могут быть использованы для снижения риска и как они могут быть использованы для принятия решений на основе данных.