Нейрондық желілер банк клиенттерінің несие қабілеттілігін бағалауды үйренді

Сколтех зерттеушілері Еуропаның ірі банктерінің бірімен бірге клиенттердің несиелік қабілетін бағалау үшін банктік транзакция деректерін пайдалану бойынша ең заманауи шешімдерден асып түсетін нейрондық желіні ойлап тапты.

Зерттеу нәтижелері 2020 жылғы IEEE International Conference on Data Mining (ICDM) халықаралық конференциясының еңбектерінде жарияланған. Машиналарды оқыту алгоритмдері тәуекелдерді басқаруда кеңінен қолданылады, банктерге клиенттерді және олардың қаржылық жағдайын бағалауға көмектеседі. “Қазіргі адам және әсіресе банктің клиенті сандық әлемде өз іздерін үнемі қалдырады. Мысалы, басқа адамға ақша аудару туралы ақпарат әрқашан төлем жүйесінде қалады.

Осылайша, әр адам көптеген байланыстарды қалыптастырады, олар клиентті бағалау үшін қосымша пайдалы ақпаратты қамтитын бағытталған график түрінде ұсынылуы мүмкін. Біздің зерттеуіміздің негізгі міндеті − клиенттер арасындағы байланыс туралы әртүрлі ақпараттың тиімді өңделуін және пайдаланылуын қамтамасыз ету”, – делінген жарияланған мақалада.

Зерттеушілер Сколтех Максим Панов, Кирилл Федянин және олардың банк саласындағы әріптестері клиенттер арасындағы аударымдар туралы деректерді пайдалану тек берілген клиент туралы деректерді пайдаланатын алгоритмдермен салыстырғанда несие скорингінің сапасын едәуір жақсартатынын көрсете алды. Мұндай деректерді есепке алу банктерге сенімді клиенттері үшін тиімді ұсыныстар дайындауға мүмкіндік беріп қана қоймай, алаяқтық әрекеттердің теріс салдарын азайтады.

“Банктің кез-келген жеке клиенті оның басқа адамдармен әлеуметтік және қаржылық байланыстарының жиынтығымен сипатталады, сондықтан біздің жағдайда банк клиенттері өзара байланысты қаржы агенттерінің тобы ретінде қарастырылды. Бұл зерттеуде біз белгілі мақал − мәтел қаржы агенттеріне қатысты ма, жоқ па, соны анықтау міндетін қойдық”, – дейді Максим Панов.

Зерттеушілер графиктерді өңдеу үшін арнайы архитектураның конвульсиялық графикалық нейрондық желісін қолданды, онда графтың түйіндері банк клиенттерінің жеке куәліктеріне, ал шеттері олардың арасындағы байланыстарға сәйкес келеді. Бұл байланысты клиенттердің деректерін біріктіруді және берілген клиент үшін несиелік рейтингті болжауды қамтамасыз етеді.

Ұсынылған тәсілдің басты ерекшелігі-банктік деректерде бар ауқымды уақыттық графиктерді өзгермейтін түрде, яғни алдын-ала өңдеусіз өңдеу мүмкіндігі, бұл көбінесе көп уақытты қажет етеді және осы мәліметтердегі ақпараттың ішінара жоғалуына әкеледі.

Зерттеушілер алты модельді Мұқият тәжірибелік салыстыруды жүргізді, онда EWS-GCN моделі жеңіске жетті. “Бұл модельдің сәттілігін үш фактормен түсіндіруге болады. Біріншіден, модель банктік операциялар туралы толық деректерді тікелей өңдейді және сол арқылы олардағы ақпараттың жоғалуын азайтады. Екіншіден, модель құрылымы бір уақытта жоғары болжау сапасына ие және есептеу тиімді болатындай етіп арнайы жасалған. Соңында біз жалпы жүйе үшін арнайы оқыту процедурасын ұсындық”, − дейді Максим Панов.

Сондай-ақ, ол банк саласында қолдануға арналған кез-келген модель өте сенімді болуы керек екенін баса айтады. “Нейрондық желілердің күрделі модельдері әлі күнге дейін әмбебап шабуылдарға осал болып келеді, сондықтан мұндай модельдерді өндіріс процесіне енгізу туралы айтпас бұрын, біздің модельдің қосымшасында кері шабуылдар сияқты құбылысты толығымен түсініп, қосымша зерттеулер жүргізу керек”, − деп атап өтті Панов.

Ғылым саласындағы жаңалықтардан хабардар болу үшін біздің Telegramға жазылыңыз.