Мы видим текущий фокус применения нейросетей (алгоритма, который фильтрует информацию, анализирует ее и постоянно обучается) не в сфере кредитования, как это принято считать, а в оптимизации и диджитализации, потому что кредитование вряд ли в ближайшее время будет сильно развиваться в силу макроэкономической обстановки. (Сейчас не ожидается бума кэш-кредитования).
Сейчас в области кредитования в части автоматизированных риск-стратегий используется в основном регрессионный анализ. Потенциально его можно заменить на нейронные сети и ИИ (искусственный интеллект).
Как нейронная сеть могла бы работать в принятии решений по кредитам? Вы обучаете нейронные сети на большом количестве примеров, потом подаете на вход новые данные в том же формате и получаете результат, который не могли заранее запрограммировать. Допустим, вам нужно принять решение по заёмщику: дать ему кредит или не дать. Вы структурируете набор параметров этого заемщика (возраст, стаж, наличие просроченных кредитов и многие другие характеристики), а потом выгружаете примеры: каким заёмщикам какие кредиты предоставлялись и как они платили. Так вы получаете большой массив информации из примеров плохих и хороших заемщиков. Задаете 100 тысяч таких примеров сети: нейронная сеть обучается на 100 тысячах примеров. Когда вы заводите нового клиента с такими же параметрами, она вам предсказывает, будет он хорошим или плохим на основе предыдущего опыта.
Мы же используем не такой механизм, а математические модели, которые также способны предсказать, будет ли человек плохим или хорошим заемщиком. Можно сказать, что такие модели обучаются на основе опыта банков алгоритмами регрессионного анализа.
Сейчас мы экспериментируем с искусственным интеллектом, но пока далеко не продвинулись: не достигли более высокой точности предсказания результата, чем тот, что мы достигаем регрессионными путями. Как только эта технология станет эффективнее, мы будем использовать ее, а пока работаем над этим.
Главными направлениями в применении нейросетей в банковской сфере для нас являются оптимизация и диджитализация. Существует масса действий и операций, которые пока что выполняются вручную и при этом с трудом поддаются алгоритмизации. Автоматизация таких операций возможна как раз через замену заранее созданного алгоритма на машинное обучение.
Как это работает? Есть банк с определенным количеством людей и компьютеров. Компьютеры выполняют работу вместо людей. Постепенно мы автоматизируем все процессы, и людям остается все меньше и меньше работы, но за счет появления новых продуктов инноваций работа все равно остается. Основной вектор развития – это применение практик искусственного интеллекта в тех областях, которые до этого не поддавались алгоритмической автоматизации. Например, такой процесс как открытие счета. При открытии счета работают сотрудники – верификаторы по процессу верифицирования документов, которые подаются для открытия счета для юридического лица. Необходимо выполнить кросс-чек реквизитов, чтобы исключить потенциальное мошенничество и ошибки. Сейчас практически во всех банках эти действия выполняют люди, потому что алгоритмов которые могут разобрать неструктурированные документы произвольного формата, учесть абсолютно все параметры и полностью их автоматически сверить без человека, не существует. Это большая функциональность банка, и достаточно много людей этим занимаются. Алгоритм искусственного интеллекта позволяет этот участок частично автоматизировать, тем самым, с одной стороны, сократить издержки банка, а с другой - существенно ускорить ускорить.
Конечно, технологии, которая уверенно распознает все тексты, пока нет. Наши текущие эксперименты позволяют разобрать тексты с точностью до 60% неструктурированного текста. Выглядит это таким образом: 60% информации поднимается автоматически нейтронными сетями из документов, и есть человек, который доподнимает остальные 40% данных. Например, адрес прописки очень часто бывает написан ручкой в штампе и очень плохо распознается текущим алгоритмом. Мне кажется, это закономерно: технологии в полной мере не должны заменить человек в банковской сфере. Наш опыт показывает, что такая автоматизация пока имеет определённый предел.
В банках много процессов, завязанных на обработке внешних данных по определенным алгоритмам. Например, распознавание документов, идентификация клиентов или кредитный скоринг – с этим алгоритмы машинного обучения справляются уже лучше людей.
И да, они смогут заменить оператора контакт-центра с его скриптами.