От первого лица , Весь мир ,  
0 

«Для прогнозирования клиентского поведения нужна технологичная среда»

Фото: пресс-служба
Фото: пресс-служба
Об универсальном и гибком механизме разработки и внедрения моделей машинного обучения РБК+ рассказала вице-президент, директор департамента интегрированных рисков банка «Открытие» Анастасия Демская.

— Какие сценарии использования машинного обучения наиболее распространены в банковском бизнесе?

— В финансовом секторе технологии анализа больших данных и машинное обучение применяются для довольно широкого круга задач. Прежде всего, на основе технологии Machine Learning (ML) осуществляется кредитный скоринг заемщиков, физических и юридических лиц. Передовой сферой применения машинного обучения благодаря большому объему и доступности данных является также система управления рыночными рисками.

Кроме того, модели ML используются в системах мониторинга и предотвращения мошеннических операций, так называемых антифрод-системах. В маркетинге на основе алгоритмов создается большинство моделей формирования индивидуальных предложений для клиентов.

Популярны модели ML и решения по автоматизации call-центров и HR-подразделений. Серьезное развитие ML-моделей идет в области кибербезопасности.

То есть модели машинного обучения внедряются в банках практически повсеместно. В «Открытии», например, в этом году был создан общебанковский хаб Data Science&Analytics (DS&A), в том числе для подразделений, у которых нет своей экспертизы в работе с большими данными.

— Какие требования вы предъявляете к ML-платформе?

— Летом этого года мы при технологической поддержке Neoflex запустили платформу для разработки и внедрения моделей машинного обучения IRIS, которая стала общебанковской.

Для нас были важны ее гибкость, универсальность, надежность и масштабируемость.

В основе платформы лежат Open Source продукты компании Databricks и других лидеров интеграции данных, моделей и процессов. Подобный подход уже внедрен у таких ИТ-гигантов, как Facebook и Google. Для развития и поддержки такой платформы требуется глубокая экспертиза в технологиях обработки больших данных, а также в таких областях, как ML и DevOps (практике непрерывной интеграции и развертывания программных продуктов. — РБК+). Гибкость и масштабируемость платформы обеспечиваются за счет «контейнеров» системы Kubernetes, на которой реализована промышленная платформа банка.

— В чем преимущества инфраструктуры, созданной по принципу MLOps?

— Концепция MLOps обеспечивает непрерывность разработки и внедрения моделей машинного обучения с последующей интеграцией моделей в бизнес-процессы банка.

Архитектура платформы IRIS включает в себя развернутый контур разработки и контур применения моделей: разработка ведется в отдельном окружении, при этом прошедшие тестирование модели могут быть переданы в эксплуатацию в любой момент практически без ручных операций. Важная особенность платформы — возможность бесшовного внедрения модели в среду применения. Раньше на внедрение разработанных моделей ML уходили месяцы, приходилось, например, перепрограммировать модель в другой системе. Концепция MLOps предполагает внедрение моделей любой сложности буквально несколькими кликами мыши.

MLOps-платформа IRIS развернута в масштабах всего банка для работы одновременно нескольких команд разработчиков. Она позволяет настраивать различное программное окружение под каждую команду. Вычислительные ресурсы гибко перераспределяются между командами разработчиков в зависимости от потребности. Специалисты могут оперировать различными технологическими стеками, применять различные языки программирования, переиспользовать настроенные интеграции с системами и подключенные источники данных. Такой подход становится конкурентным преимуществом для привлечения дата-сайентистов, разработчиков, инженеров, которые на рынке в дефиците.

— Модели работы с одними сегментами бизнеса применимы для другой целевой аудитории?

— В банке несколько подразделений, которые занимаются моделированием в промышленных масштабах. Каждому из них нужен соответствующий инструментарий. До создания общебанковской платформы каждое подразделение вынуждено было разрабатывать его самостоятельно. В результате мы имели несколько непромышленных, зачастую дублирующих систем со схожей архитектурой, дублирование трудозатрат без возможности синергии и гибкого перераспределения мощностей.

Создание общебанковской платформы позволяет реализовать универсальный промышленный стек технологий для разработки и внедрения моделей ML (как онлайн-моделей, так и моделей «по расписанию») и открывает возможности для синергии команд.

Например, алгоритм определения потенциальных клиентов — лидов, реализованный на IRIS для сегмента крупного инвестиционного бизнеса, показал хороший результат и в сегменте среднего бизнеса. Маркетинговая кампания показала высокий уровень конверсии, при этом было затрачено минимальное количество ресурсов и времени на адаптацию модели.

— Как вы решаете проблему доступа к внешним источникам данных?

— Работа с данными — это более 80% разработки моделей для машинного обучения. Развитие дистанционных банковских каналов упростило сбор структурированной информации. Больше структурированных данных могут предложить и внешние поставщики. Подключение новых данных у нас начинается с анализа их применимости к текущим моделям: проводится проверка, усиливают ли они предсказательную силу моделей в совокупности с данными, которые уже доступны банку. В случае если внешние данные статистически улучшают модель, мы строим финансовую модель с доказательством, что расходы на новый источник окупаются.

В среднем цикл одного подключения нового источника данных вместе с анализом составляет около полутора месяцев.

— Когда планируется ввод платформы IRIS в промышленную эксплуатацию?

— Платформа, а именно контур применения, должна быть введена в промышленную эксплуатацию осенью этого года. До конца года в ее среду должны быть интегрированы кредитные конвейеры всех подразделений — розничного бизнеса, малого и среднего бизнеса, а также крупного бизнеса для возможности внедрения ML-моделей в этих сегментах по новой технологии.

Сейчас IRIS находится в опытной-промышленной эксплуатации. На контуре платформы уже функционируют модели лидогенерации и мониторинг крупного бизнеса. Именно в сегменте крупного бизнеса платформа исторически зарождалась. До конца года мы планируем внедрить модель оценки риска клиентов розничного бизнеса и транзакционную модель МСБ. В настоящий момент активно настраиваются правила «общежития» команд разработчиков на новом контуре, автоматизируется жизненный цикл управления моделями, выделяются стримы для дальнейшего развития платформы. Нам еще многое предстоит сделать.

Решения Власти субъектов РФ развивают цифровое управление
Скачать Содержание
Закрыть