Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
Разработчики: | Сбербанк |
Дата премьеры системы: | 2019/02/14 |
Отрасли: | Финансовые услуги, инвестиции и аудит |
Технологии: | Data Mining |
Auto ML — система алгоритмов, которая быстро и самостоятельно создает прикладные решения на основе моделей машинного обучения.
2019: Разработка и тестирование модели Auto ML
Сбербанк разработал модель машинного обучения Auto ML. Об этом 14 февраля 2019 года заявил заместитель Председателя Правления Сбербанка Анатолий Попов. Как он пояснил, Auto ML представляет собой алгоритм, который умеет создавать другие модели. А они, в свою очередь, уже решают прикладные задачи — например, прогнозируют платежеспособность клиента при выдаче кредита или помогают отделять законопослушных клиентов от нарушителей.
Как подчеркнул Анатолий Попов, алгоритм позволяет оптимизировать один из важных шагов создания применяемой в бизнесе модели машинного обучения, а именно — создание baseline-модели (первой версии модели, которая затем развивается уже с участием человека). Качество baseline-моделей созданных алгоритмом Auto ML сопоставимо с качеством модели, создаваемой в ручную. При этом скорость работы алгоритма в 10-15 раз превосходит скорость работы человека, заверил зампредседателя Правления банка.
Разработка уже была протестирована Сбербанком в рамках пилотного проекта в январе 2019 года: алгоритмы Auto ML были применены для создания нескольких baseline-моделей (первых версий) класса Next BestAction (таргетирование кампаний продаж).Группа компаний «ВДГБ»: 28 лет успеха на рынке 1С
По мнению экспертов банка, полученные результаты доказывают возможность использования технологии автоматического моделирования для быстрого формирования базовых моделей обработки данных и запуска кампаний продаж корпоративно-инвестиционного бизнеса Сбербанка.
![]() | Одна из возможностей для повышения эффективности всех бизнес-процессов в банке — внедрение искусственного интеллекта. Однако создание десятков тысяч моделей, чтобы покрыть все аспекты деятельности, является практически нереальной задачей, если для создания и внедрения моделей применять только ручной труд дата-сайентистов и разработчиков. Поэтому мы внедряем у себя один из самых современных в мире подходов к работе с моделями машинного обучения — Auto ML. Систему алгоритмов, которая быстро и самостоятельно создает прикладные решения на основе моделей машинного обучения, — заключил Анатолий Попов, заместитель Председателя Правления Сбербанка. | ![]() |
- Система представляет собой связанные потоками данных ML-модели (machine learning), которые работают на одном из самых крупных в России Hadoop кластере (более 15 петабайт данных).
- При этом модели интегрированы в промышленные бизнес процессы Банка – кредитование, таргетирование продаж, работа колл-центра, процедуры комплаенс и др.
- Система моделей обрабатывает данные по 2 млн юридических лиц и порядка 100 млн физ лиц.
Для создания ML-моделей активно используется ручной подход и пилотируется Auto ML.
Auto ML — алгоритм, который умеет создавать другие модели. А они, в свою очередь, уже решают прикладные задачи — например, прогнозируют платежеспособность клиента при выдаче кредита или помогают отделять законопослушных клиентов от нарушителей.
В 1 квартале 2019 г. был проведен пилот: алгоритмы Auto ML были применены для создания нескольких baseline-моделей (первых версий) класса Next BestAction (таргетирование кампаний продаж).
Алгоритм позволяет оптимизировать один из важных шагов создания применяемой в бизнесе модели машинного обучения, а именно создание baseline-модели (первой версии модели, которая потом развивается уже с участием человека). Качество baseline-моделей, созданных алгоритмом Auto ML, сопоставимо с качеством модели, создаваемой вручную. При этом скорость работы алгоритма в 10-15 раз превосходит скорость работы человека.
Полученные результаты доказывают возможность использования технологии автоматического моделирования для быстрого формирования базовых моделей обработки данных и использования его для запуска кампаний продаж КИБ.
Одно из самых коммерчески эффективных приложений на наш взгляд - это комплаенс.
Разработана и запущена программа-решение, позволяющее применять дифференцированную стратегию работы с клиентами, в деятельности которых установлены операции сомнительного характера. Чтобы не блокировать законопослушных клиентов, чье поведение тем не менее очень напоминает поведение недобросовестных, с помощью ML-моделей удалось минимизировать блокировки таких клиентов и позволить добросовестным клиентам вернуться к их регулярной деятельности.
Одно из основных направлений деятельности Банка – выдача кредитов. В процессе принятия решения о выдаче кредита используются данные, полученные через канал СМЭВ (Система межведомственного электронного взаимодействия). Через СМЭВ с начала 2019 г верифицировано более 4 млн клиентов ИП и ФЛ в рамках 115 ФЗ.
Еще одна из востребованных услуг - открытие счетов для ЮЛ/ИП. С начала года осуществлено более 200 тысяч проверок клиентов через СМЭВ. Это существенно высвобождает время специалистов операционного центра и приближает переход Банка на цифровые каналы взаимодействия с органами государственной власти в рамках реализации программы «Цифровая экономика Российской федерации».
Виртуальные операторы на основе NLP моделей. Чат-боты, как и другие программы с элементами искусственного интеллекта, хорошо продолжают нашу линейку небанковских сервисов. На сегодняшний день именно небанковские сервисы Сбербанка пользуются наибольшей популярностью у бизнесменов, поскольку помогают предпринимателям решить большинство насущных вопросов. В КИБ реализованы и развиваются голосовой виртуальный оператор Анна, текстовый чат бот и помощник оператора колл центра. Уже сейчас можно сказать, что виртуальные операторы сокращают время ответа на вопрос клиента в 4-9 раз.
Реализация проектов происходит командами из 8-10 человек, работающих в agile. Направление ML-моделей и искусственного интеллекта одно из самых интересных и перспективных в КИБ. За год мы расширились с 30 до 90 сотрудников.
Название решения | Разработчик | Количество проектов | Технологии |
---|---|---|---|
Сбербанк Помощник оператора колл-центра | Сбербанк | 0 | Call-центры, Речевые технологии |
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)