БЕЛАРУСЬ · 18 апреля 2017, 11:46 · DianaVasileva - Author в dev.by
Минская финтех-компания оценивает кредитоспособность заёмщика с помощью машинного обучения

В портфеле минского разработчика «прорывных» решений для финансового сектора HiEnd Systems (HES) — ПО для автоматизации процесса кредитования, обработке платежей, антифрод-системы. Новый продукт компании — платформа GiniMachine, оценивающая кредитоспособность заёмщика на базе алгоритмов машинного обучения. Основатели проекта Дмитрий Долгоруков, Иван Коваленко и Юрий Зеленский расказали dev.by о применении технологических трендов в автоматизации бизнес-процессов в мире финансов.

В офисе HES

Оценка кредитоспособности: от традиционных методов к ИИ

Проект GiniMachine зародился в декабре прошлого года и пока существует в рамках компании HES. На рынке он представлен чуть больше трёх месяцев и уже работает у первых клиентов за рубежом.

Опыт Ивана и Дмитрия в сфере финтеха и Юрия в машинном обучении трансформировался в продукт, лежащий на стыке этих направлений.

GiniMachine — это платформа оценки кредитоспособности заёмщика, построенная на базе алгоритмов машинного обучения. Система позволяет «бороться» с «плохими» кредитами и повышает доходность портфеля кредитора.

«За время работы в финтехе мы обнаружили ряд задач, с которыми сталкиваются как банки, так и небанковские кредитные организации. Одна из них — оценка кредитоспособности заёмщиков,  — рассказывает Иван Коваленко. — Нередко для оценки кредитного рейтинга используются универсальные модели, а они заведомо уступают специализированным. Кроме того, для создания скоринговых моделей требуются квалифицированные специалисты и дорогостоящее ПО. А объём и разнообразие данных постоянно растут, как и скорость принятия кредитных решений. Использование машинного обучения и элементов ИИ позволяет решить эти проблемы».

По словам основателей проекта, необходимость классификации «плохих» и «хороших» заёмщиков существует с тех пор, как появились финансовые взаимоотношения между кредиторами и заемщиками.

«В силу того, что понятие скоринга появилось ещё в середине прошлого века, на рынке доминируют традиционные подходы вычисления кредитоспособности заёмщиков. А искусственный интеллект и машинное обучение использует узкий круг «продвинутых» мировых банков. Наша цель в том, чтобы небольшие кредитные организации, так же как и крупные банки, имели доступ к новейшим разработкам в финансовом секторе», — объясняет Дмитрий Долгоруков.

Будущее скоринга — большие данные и искусственный интеллект  

Основатели GiniMachine говорят, что количество информации о клиентах, которую собирают банки и кредитные организации перед тем, как выдать кредит, растёт экспоненциально.

«Раньше информацию о клиенте получали из пары десятков вопросов анкеты, а сейчас — это сотни параметров, которые собирают из множества источников, таких как данные кредитных бюро, социальные сети. Фиксируются даже особенности поведения пользователя на сайте», — утверждают авторы проекта.

На принятие банком решения о выдаче кредита влияют не только социодемографические данные или место работы заёмщика, но и данные о его мобильных устройствах, времени заполнения анкеты и т.д.

«Сбор и обработка всех этих параметров стоят немалых денег. Но далеко не все они нужны при составлении успешной модели оценки кредитоспособности заёмщика. Одна из задач GiniMachine — определять, какие из параметров действительно важны, — рассказывает Иван Коваленко. — Важная особенность нашей платформы в том, что она умеет работать с «сырыми» данными. Как результат — полученная на выходе модель является уникальной для каждого клиента».

По словам собеседников, реакция рынка на продукт оказалась «на удивление благоприятной».  

Иван Коваленко

«Потенциальные заказчики с интересом восприняли разработку. Мы провели успешные пилотные проекты в нескольких странах, часть из которых уже конвертировалась в клиентов. Секрет успеха GiniMachine в том, что финансовые выгоды для клиента очевидны уже на этапе пилота», — добавляет Иван Коваленко.

Машинное обучение «с секретным соусом»

Решение GiniMachine основано на актуальных методах машинного обучения, дополненных набором эвристик и методологических находок. Оно позволяет строить скоринговые модели автономно, без привлечения экспертизы в области математической статистики и машинного обучения со стороны заказчика.

«На создание модели требуется всего несколько минут. Поэтому её можно перестраивать по мере накопления или устаревания исторических данных, при этом получая уникальные модели, адаптированные к определённой экономической ситуации и целевой аудитории», — поясняют авторы проекта.

Для построения скоринговых моделей применяется градиентный бустинг над решающими деревьями — аналог известного метода машинного обучения Random Forests.

«Архитектура решения позволяет работать практически с любым методом машинного обучения. Мы экспериментировали и с логистической, и с линейной регрессиями, методом опорных векторов. Изучаем возможность построения моделей на основе нейронных сетей. Каждый из этих методов имеет свои преимущества, но нам ещё предстоит подобрать для них секретный соус», — говорит Юрий Зеленский, экс-CTO Itransition.

Юрий Зеленский

Часть GiniMachine, связанная с ИИ, реализована на Python, а CRUD-модуль — на проверенной связке Java Spring, Hibernate, React.

«В рамках экосистемы Python созданы библиотеки, реализующие большинство современных методов машинного обучения. Они предоставляют удобные и удачно спроектированные инструменты для работы с данными: Scikit-learn, NumPy, Pandas, — рассказывает Юрий. — Интерактивные среды, как Jupyter (IPython), очень удобны для проведения исследовательских работ и обсуждения результатов исследований внутри команды. Зрелые библиотеки для визуализации данных — Matplotlib и ggplot (пришедший из экосистемы языка R) — дополняют боевой набор практика Data Science».

Место белорусских финтех-стартапов в мире  

По мнению Дмитрия Долгорукова, белорусские стартапы в области финтеха пока не достаточно заметны на мировом рынке.

«Многие стартапы в области финтеха занимаются либо платежами, либо управлением персональными финансами, либо программами лояльности. Эти темы существуют уже не первый год, в них представлены очень сильные игроки. Поэтому проекты с такими идеями могут рассчитывать на весьма небольшой кусочек в этом огромном пироге. А действительно прорывных идей пока совсем немного», — говорит Долгоруков.

Дмитрий Долгоруков

Собеседники считают, что особый интерес для отечественных финтех-стартапов могут представлять блокчейн-технологии и искусственный интеллект для алгоритмической торговли и управления активами, решения в области страхования.

Также они верят в то, что расцвет белорусского финтеха ещё впереди.  

«Есть ли рынок для GiniMachine в Беларуси? Конечно, есть. Более того, некоторые банки уже проявили интерес и сейчас проходит пилотный проект для одной организации. Уверен, после конференции желающих станет больше», — сказал Дмитрий Долгоруков.

GiniMachine — на «Цифровом банкинге-2017»

На конференции «Цифровой банкинг-2017», организованной Нацбанком Беларуси и Ассоциацией «Инфопарк», основатели GiniMachine подрообно расскажут о современных подходах, предсказывающих риск дефолта заёмщика.

 

Фото: Андрей Давыдчик, dev.by

Источник: dev.by

Обсуждение

Missing-male

Я бы не назвал machine learning последним технологическим трендом в credit scoring, такие системы разрабатываются далеко не первый год, не говоря уже о том, что предсказывалось активное применение десяток лет назад. Но похоже раньше были в основном инхаус разработки в банках под свои нужды, а теперь бум на сравнителньо универсальные сервисы для игроков помельче.

2467f521ec448242444fb883e247f3ae?1492595520
Never_Know
– Developer в EPAM

Так практически любой стартап это "что-то очевидное", но грамотно запиленное и вовремя и к правильному месту приложенное.

Missing

Все это замечательно. Вот только ни один регулятор такую модель ни примет в качестве оценки кредитного риска и требований к капиталу. Поэтому какую бы фантастика там не придумали, это все равно накручивается поверху стандартных скоринговых моделей. Да, risk costs со временем упадут и стандартная модель перекалибрируется, но к тому моменту уже давно что-нибудь другое будет.

А в банках машинное обучение можно куда прище прикрутить хоть на каждом углу. И нейронные сети не нужны. Как выше сказано - красивая обертка вовремя и нужном месте. Кто-то купился, а в реалиях жизни - скорее игрушка.


Авторизуйтесь, чтобы оставлять комментарии

© 2008-2017 Частное предприятие "Дев Бай"
Использование материалов, размещенных на сайте, разрешается при условии прямой гиперссылки на dev.by. Ссылка должна быть размещена в подзаголовке или в первом абзаце публикации.
datahata — хостинг в Беларуси