«Отдайте роботу роботово». Второй ежегодный форум по машинному обучению для банков FinMachine 2017 состоялся в Москве

Форум FinMachine 2017 собрал представителей как бизнеса, так и научной среды, которые поделились кейсами применения машинного обучения в банковской сфере и взглядами на возможное развитие искусственного интеллекта.

Открыл форум Иван Оселедец, доцент Сколковского института науки и технологий, рассказав о применении машинного обучения в высокочастотном трейдинге и в анализе рисков. Поскольку агенты, основанные на обучении с подкреплением, уже давно и успешно играют в компьютерные игры, в «Сколтехе» решили поучить их для создания эффективного алгоритма биржевой торговли, используя метод Advantage Actor-Critic. Лучшая архитектура достигла доходности +66% с учетом комиссии биржи на срочном рынке (2.5 руб Московская Биржа) или 110%, если не учитывать комиссию. Однако ученый заметил, что алгоритм еще не тестировалася на реальных бизнес-данных и пригласил банки к сотрудничеству: «Мне интересно делать прикладные проекты – из них можно узнать то, чего нет в научных статьях».

Алексей Натёкин, директор Data Mining Labs, дал верхнеуровневый взгляд на применение машинного обучения в банковской сфере, насчитав 66 кейсов в разных направлениях. Он отметил, что часть этих кейсов может быть общей для всех отраслей, а часть обладает выраженной банковской спецификой, и начинать стоит с рисков, CRM и маркетинга.

В панельной дискуссии «Искусственный интеллект – хайп или новая нормальность?» эксперты обсудили реальную ценность искусственного интеллекта для бизнеса. Аркадий Сандлер, руководитель направления Artificial intelligence компании МТС, высказал мнение, что это вопрос маржинальности: «Если какая-то операция замыкается на робота, то она начинает стоить условно ноль рублей – соответственно, можно выстраивать совершенно другую финансовую модель».

«Мне бы хотелось, чтобы ML и ИИ более активно внедрялись и эффективно работали в банках, но на это нужно как минимум несколько лет», – сказал Андрей Попов, член правления, руководитель дирекции информационных технологий Райффайзенбанка. Он отметил, что уже сейчас государству надо думать о том, что через 10-15 лет многие профессии уйдут, к этому надо готовиться и готовить людей.

Участники панельной дискуссии согласились, что нет ничего плохого в том, чтобы не заставлять людей выполнять рутинные действия. «Сегодня многих менеджеров и операторов заставляют быть роботами, работать по скриптам и наказывают за то, что они не роботы. Отдайте роботу роботово», – заявил Аркадий Сандлер.

Алгирдас Шакманас, вице-президент, руководитель блока «Цифровой бизнес» Промсвязьбанка, рассказал, что в банке ведется проект Digital Sales Bank, в котором продает робот, при этом отслеживая предложения конкурентов, внутреннюю ситуацию в банке и поведение клиента. «У нас есть исследовательская модель на основе ML, и думаю, что к концу 2018 года как минимум половина продаж будет так или иначе соприкасаться с этой системой», – заявил он.

Никита Блинов, CEO и со-основатель компании Rubbles (SBDA Group), которая занимается созданием подобных систем, заметил, что все крупные банки к этому идут: «100-150 лет назад мало кто мог себе позволить банкинг, но у каждого был персональный менеджер. Вот сейчас технологии позволяют сделать такой персональный сервис массовым».

Кейс по формированию персональных маркетинговых предложений разным группам клиентов с помощью машинного обучения представил Сергей Гмызин, заместитель начальника управления розничными рисками Райффайзенбанка. В частности, в банке выяснили по заданным параметрам, что наибольшее количество интеллигентных девушек живет в Санкт-Петербурге. Таже банк сделал отдельный вид предложений для мужчин с бородой. В ближайших планах банка, например, применение машинного обучения в борьбе с оттоком сотрудников из сети отделений, из-за которого банк теряет деньги.

Александр Фонарев, chief data scientist и со-основатель компании Rubbles (SBDA Group), рассказал, как внешние данные и искусственный интеллект могут превратить банк в проактивного финансового помощника, что позволяет получить 3-кратное увеличение используемости приложения, нарастить NPS на 10-30 пунктов и в 2 раза уменьшить отток. Машина обрабатывает 95% информации и готовит для человека данные предложения для окончательной проверки человеком.

Михаил Шебалков, руководитель дирекции клиентской аналитики и отчетности Банка «УРАЛСИБ», также рассказал о применении методов машинного обучения в ряде процессов банковского CRM. Наилучший результат в банке показали модели на основе градиентного бустинга. Например, индекс джини по кредиту наличными, например, составил 74%, а по карте «копилка» – до 85%.

Чтобы банки могли проще интегрировать машинное обучение в процесс принятие решений, в AI Solutions разработали для этого специальный инструмент PyModel, о котором рассказал Руслан Непершин, ML-инженер компании. PyModel существенно увеличивает скорость масштабирования и развертывания моделей, обладает универсальным многопоточным API и поддержкой всех ML-решений для python.

В сессии о клиентской поддержке с использованием интеллектуальных чат-ботов приняли участие четыре финансовых института. Ярослав Шуваев, начальник отдела исследований и разработок «Ак Барс Цифровые технологии», рассказал о внутренней разработке AIMEE, которая позволяет банку сократить до 34% ресурсов контакт-центра на рутинную работу за счет того, что строит новые ответы на основе уже полученных от оператора пользовательских данных и контекста диалога. При этом необходимую для автоответа степень уверенности в его правильности выбирает сам банк – в пике загрузки, например, она может быть ниже.

Банк «Открытие», говорит руководитель финтех-проектов Сергей Лукашкин, применяет метод «сотрудник в петле», в котором сотрудник банка помогает чат-боту, оценивая правильность его ответа и тем самым позволяя ему учиться. При этом он отметил, что вариативность ответа клиента даже на простой вопрос «Чай или кофе?» может быть существенно выше ожидаемой, поэтому участие человека пока обязательно.

В ID Finance, как рассказал Андрей Атрашкевич, руководитель департамента Data Science холдинга, ИИ позволил разгрузить службу поддержки на 50% против 25% по предустановленным правилам до его внедрения. Но это, как отметил спикер, не равно 2х25%. Система позволила совершенно по-другому подходить к обработке сообщений: не нужно писать огромные правила, отвлекать двух-трех сотрудников на несколько дней в месяц, чтобы они учитывали в лучшем случае 1% от писем, отбираемых случайно. «Сотрудники саппорта стали более клиентоориентированными, потому что им не нужно делать monkey job, отвечать на типовые вопросы», – заявил Андрей Атрашкевич.

Внедрять машинное обучение в работу чата планирует и Рокетбанк, который уже пилотирует технологию. Как рассказала Инга Лабахуа, директор по клиентским операциям сервиса, роботы должны помочь поддержке: «Работа с клиентом в чате – это гораздо сложнее, чем работа по телефону. Тебе практически нужно читать его мысли. … Пока нет ни одного чат-бота, который может понимать контекст вопроса клиента. Даже люди не всегда могут это делать. Поэтому мы пойдем в сторону аналитики, будем смотреть, что происходит, и делать так, чтобы люди отвечали быстрее».

Назвать какие-то определенные преимущества, которые позволяют понять, какой чат-бот умнее, выступающие в ходе панельной дискуссии затруднились. Инга Лабахуа, однако, уверена, что проверить это можно, посмотрев, какой из чат-ботов за меньшее количество сообщений сумеет дать ответ на вопрос клиента. Касательно технологического решения для чат-бота участники дискуссии согласились, что лучше начать с какого-то коробочного решения, а уже затем кастомизировать его под свои нужды.

Довольно подробно, с демонстрацией кода и построением результатов работы модели в онлайн-режиме, об эффекте применения Machine Learning в коллекторской деятельности рассказал Вадим Ковалев, заместитель руководителя блока рисков и комплаенса Бинбанка. Применение машинного обучения в банке дало снижение выхода в просрочку на 22%, что в до конца 2018 года должно принести около 1 млрд прибыли. При этом если Machine Learning дает выигрыш до 30% по сравнению с логистической регрессией, то модели Uplift дают выигрыш до 30% по сравнению уже с Machine Learning.

Владислав Кашин, аналитик департамента информационной безопасности компании Яндекс.Деньги, представил кейс обнаружения фрода с помощью алгоритмов машинного обучения, платежных и неплатежных данных. Он отметил, что большое преимущество в этом могут дать внешние данные (о посещении мошеннических сайтов и т.д.), а также применение алгоритмов Deep Learning, которые хоть и сложнее, но дают большую точность.

Завершил форум workshop от Сбербанка, в ходе которого Максим Еременко, старший управляющий директор, главный исследователь данных и Андрей Черток, глава R&D, Data Science Сбербанка рассказали о том, как в банке построена работа с данными и продемонстрировали несколько кейсов применения машинного обучения. В частности, банк внедрил ML в управлении наличностью в банкоматах, что позволяет сократить объем простаивающих в них денег. «Классические методы работы с временными рядами не работают, "модные" (Facebook Prophet) тоже не справляются», – рассказал Андрей Черток. Классический RandomForest на правильно подобранном датасете справляется с задачей, и предсказывает потребность в наличных лучше, чем живой аналитик.

Также представители Сбербанка рассказали о том, как создавались чат-боты в ходе Sberbank Data Science Journey и продемонстрировали результаты их работы. Для этого сначала пришлось подготовить данные – люди специально формировали по статьям Википедии пары «вопрос – ответ», на которых учились боты. В итоге на заданные из зала вопросы на естественном языке по продемонстрированному на экране параграфу большинство из 10 ботов Сбербанка давали правильный ответ.

Для развития возможностей ботов Сбербанк привлекает сообщество, и, по словам его представителей, готов делиться своими наработками, если они не содержат чувствительных данных. Отдельные инициативы в этой области, возможно, вскоре будет анонсированы на портале FutureBanking.ru.

Эта статья была разослана 3617 людям, которые подписались на тему «Инновации»

Чтобы подписаться на «Инновации», просто введите Ваш электронный адрес.