«Будущее банковского бизнеса – это "борьба" одного искусственного интеллекта против другого» – Вадим Кулик, Сбербанк

Вадим Кулик, заместитель председателя правления Сбербанка, рассказал FutureBanking, на решении каких задач сейчас «тренируется» ИИ в организации, зачем это нужно банку стратегически, и когда платформа заработает в полную мощность.

Почему Сбербанк проявляет повышенный интерес к Data Science?

Сбербанк исторически располагает значительной клиентской базой, что позволяет нам использовать большие объемы данных для целей аналитики и оценки рисков. Так уже более 5 лет все розничные кредиты в банке выдаются по технологии «Кредитная фабрика», недавно усиленной применением методов машинного обучения и анализа данных. Именно данная технология помогает банку сохранять баланс между уровнем одобрения и уровнем принимаемого риска и позволяет на текущий момент иметь самый высокий уровень одобрения при одном из самых низких на рынке уровне риска.

Преимущество данной технологии заключается в том, что внутри нее работают сотни различных статистических моделей, которые анализируют потенциального заемщика не только с точки зрения уровня кредитного риска, но и с точки зрения уровня его благонадежности, склонности к мошенничеству и т.д., при этом учитываются характеристики «потока» заявок в целом. В результате мы можем поддерживать одобрение на уровне 50%, имея при этом минимальный уровень риска. В терминах доходов это впечатляющая экономия на риске.

В результате развития данной технологии за последние несколько лет мы смогли значительно расширить наши компетенции в сфере анализа данных и аналитики – теперь мы можем разрабатывать и внедрять целые библиотеки моделей, которые на имеющемся объеме данных имеют колоссальную ценность.

Наше конкурентное преимущество за счет возможностей моделирования и анализа больших массивов информации стало для нас очевидным еще в 2011-2012 гг. Сейчас мы как никогда понимаем, что ценность, которую банк может извлекать из данных, очень значительна. Большая клиентская база означает огромный объем информации. Более того, развитие технологий работы с Big Data позволяет «обогащать» профиль неструктурированными данными из таких источников, как данные социальных сетей, поисковых систем, геолокация и т.д. Сегодня для нас доступны не просто данные, а совершенно новые классы данных. В сочетании с новыми технологиями их обработки и хранения, а также нашим уровнем компетенций, мы обладаем колоссальными возможностями для их использования – не только в кредитных процессах или в управлении рисками, но и в предоставлении совершенно новых услуг и сервисов для наших клиентов, как внешних, так и внутренних.

Какие это услуги и сервисы?

Потенциальных задач очень много. Например, задача предсказания возможных поломок банкоматов с использованием методов машинного обучения, что относится и к области «интернета вещей» – необходимо анализировать логи, которые банкоматы отправляют.

Другая интересная задача – скоринг потенциальных кандидатов на работу. С помощью статистических моделей мы можем спрогнозировать ключевые характеристики совместимости сотрудника и роли, оценить вероятность его успешной адаптации или риск преждевременного увольнения и т.д.

Еще один класс задач – выявление «паттернов поведения»: так, например, если клиент купил стиральную машину, то, скорее всего, в ближайшее время он захочет приобрести еще что-нибудь с этим связанное. Знание таких паттернов, позволит нам предвосхитить ожидания наших клиентов и предложить им услуги, которые подойдут именно им в данный конкретный момент времени.

Это всего лишь несколько примеров тех задач, которые мы на данный момент решаем.

Как Сбербанк реализует переход к использованию Machine learning, Deep learning и искусственного интеллекта?

Сейчас Сбербанк находится в процессе перехода на новую банковскую платформу, в которой применяются данные технологии. Переход осуществляется, в том числе, с развитием такой функциональности систем принятия решения, как способность самообучаться. Так, например, мы стремимся к тому, чтобы в зависимости от времени суток система могла самостоятельно изменить порядок проведения операций. Или чтобы, как только клиент подходит к стойке обслуживания в отделении, система автоматически распознавала клиента и перестраивала все экраны сотрудника, отображая всю доступную информацию по данному клиенту и предлагая именно те услуги, которые могут его заинтересовать

Сегодня данные технологии – не фантастика, реализовать такие сервисы действительно возможно. Мы сейчас находимся на стадии перехода – от простого анализа Big Data к искусственному интеллекту. Технически возможно не просто хранить, накапливать и обрабатывать данные и строить на их основе модели. Сейчас возможно уже разрабатывать «адаптивные» модели – то есть «обучить» машину так, чтобы она могла самостоятельно делать какие-то итерации и принимать решения.

Мы работаем над проектами, в которых «машина» самостоятельно производит алгоритмы и модели. Пока все еще под контролем человека, но это уже во многом искусственный интеллект. Пока мы пробуем это очень аккуратно и проводим тщательное тестирование данных подходов, так как важно оценить все модельные риски в данном случае. Еще полгода назад мы запустили первые алгоритмы на основе методов искусственного интеллекта, в тестовом и параллельном контуре они уже работают и «самообучаются». Ограничитель в развитии данной истории – это, скорее, наши собственные переживания и желание все держать под контролем.

Для разработки моделей такого класса нужны высококвалифицированные специалисты. Сейчас в банке во многих направлениях есть специалисты, которые работают с данными и аналитикой, однако, ядро команды data scienсе составляет порядка 80 человек.

С одной стороны, мы понимаем, что текущий штат специалистов не может масштабироваться с той скоростью, которая нам необходима, с другой – мы также понимаем, что это стратегическая на данный момент компетенция, и ключевые специалисты, за счет которых и будет осуществляться конкурентная борьба в современном мире. Будущее банковского бизнеса – это «борьба» одного искусственного интеллекта против другого, выиграют те, кто быстрее станут Data driven организациями. Для достижения этой цели мы хотим собрать лучших специалистов в области исследования данных в нашей команде. Именно поэтому мы проводим Sberbank Data Science Journey – открытый чемпионат по решению сложных математических задач. Первый такой чемпионат, который мы организовали этой осенью, состоял из онлайн-соревнования по анализу данных, конкурса стартапов в этой сфере и финального мероприятия, на котором выступили ведущие российские и зарубежные эксперты. В итоге число участников конкурса превысило 3 000, более 11 000 присланных решений – это российский рекорд для подобных мероприятий. Думаю, что результаты Sberbank Data Science Journey в следующем году окажутся еще более впечатляющими.

То есть ИИ пока все же сам не умеет строить модели, нужно много data scientist'ов?

Алгоритмы искусственного интеллекта работают в реальном времени, но им пока не разрешено самостоятельно принимать решения. Сами модели, к которым данные алгоритмы применяются, существуют еще с 2008 года, это порядка 200 моделей, используемых в розничном кредитном процессе. Алгоритмы искусственного интеллекта перестраивают данные модели в онлайн-режиме. В данном случае эти алгоритмы выполняют часть работы data scientist'ов, и могут предоставить значительные преимущества в скорости и качестве разрабатываемых моделей. Если раньше необходимо было 2-3 недели для того чтобы разработать, провалидировать и запустить новую версию модели в промышленную эксплуатацию, то благодаря алгоритмам искусственного интеллекта данный процесс можно перевести практически в онлайн-режим. Подобных задач, в которых Machine learning и искусственный интеллект могут помочь, множество.

В перспективе мы хотим, чтобы наша новая платформа умела распознавать клиента по голосу, изображению или даже по походке, понимать, что это за клиент, в зависимости от его запросов в интернете, как с ним лучше поздороваться или какое у него настроение, для того, чтобы переключить его на подходящего оператора контакт-центра. У нас есть проекты по так называемым системами работы с естественным языком человека (natural language processing). Сейчас мы разрабатываем алгоритмы и базы знаний для электронных помощников, есть задачи по интеллектуальному разбору текстов, есть даже сверточные нейронные сети, которые сочиняют стихи, используя стили известных русских поэтов. На первый взгляд, не совсем понятно, зачем это все в банковской деятельности. Но, на самом деле, эти задачи во многом позволяют «натренировать» системы для того, чтобы они могли более точно понимать структуры реальных диалогов, обращений и жалоб людей.

Когда новая платформа будет запущена?

Некоторые функции платформы уже работают и запущены с лета этого года, сейчас поэтапно запускаются другие ее элементы, например, в контакт-центре, в мобильном банке. Пик запуска придется на 2017 год, а до середины 2018 г. будут запущены все основные компоненты.