Искусственный интеллект в банковском секторе

Среди российских банков уже формируется группа лидеров в области применения технологий искусственного интеллекта и машинного обучения (далее – ИИ). Пока банковский сектор чаще всего использует решения на основе ИИ при оценке кредитного риска и в смежных сферах, но лидеры этим уже не ограничиваются. Отставание во внедрении технологий ИИ может осложнить выживание и крупным банкам, но догнать лидеров все еще реально без запредельного уровня инвестиций.

Среди лидеров в сфере ИИ преобладают банки со специализацией на обслуживании физлиц, но есть и универсальные кредитные организации (см. подготовленную рейтинговым агентством «Эксперт РА» и RAEX (РАЭКС-Аналитика) классификацию банков в таблице 1). Банки-лидеры адаптировали под нужды ИИ свои ИТ-платформы, собрали сильные команды, организовали работу с данными, накопили опыт использования продвинутых алгоритмов машинного обучения. В многом благодаря их усилиям российский банковский сектор не отстает от общемировой тенденции превращения банков в подобие зарегулированной технологической компании.

Чаще всего ИИ российские банки используют в кредитном анализе, при этом пока доминируют линейные модели (включая логрегрессию).

Среди нелинейных моделей оценки кредитного риска наиболее популярны композиции решающих деревьев (случайный лес, градиентный бустинг). О применении нейронных сетей заявили только 2 банка из 11, принявших участие в анкетировании. Возможно, это связано с тем, что нейронные сети весьма требовательны к объему исходных данных, их сильным местом чаще называют распознавание образов, а не оценку рисков. В целом кредитный скоринг в том или ином виде есть у всех банков, участвовавших в анкетировании. Далее идет близкая к кредитному анализу сфера взыскания задолженности, которую отметили 2/3 респондентов. Еще 1 очень популярное направление – маркетинг, включая формирование индивидуальных предложений для клиентов. Работающее решение по автоматизации колл-центров имеет только 1 банк из опрошенных, аналогичная ситуация в области защиты информации.

Наибольшего финансового эффекта от технологий ИИ российские банки ждут в таких сферах, как выявление мошеннических транзакций, взыскание задолженности и кредитный скоринг, – именно их банки чаще всего включали в тройку самых перспективных. Менее перспективными, по мнению опрошенных, являются работа колл-центров (их автоматизация за счет чат-ботов), контроль за соблюдением 115-ФЗ, маркетинг и алгоритмическая торговля. Реже всего российские банки рассчитывают на значимый результат от использования ИИ в управлении персоналом, отслеживании информационного фона в отношении банка, удаленной идентификации клиентов. На наш взгляд, такая оценка связана не столько с неприменимостью ИИ в этих областях, сколько с трудностями определения соответствующего финансового эффекта.

Применению технологий ИИ мешает разрозненность сведений и информационных систем, но, решив проблему, банки столкнутся с острым дефицитом специалистов, способных обрабатывать эти данные. Среди ключевых трудностей при использовании ИИ опрошенные банки чаще всего отмечали разрозненность данных и информационных систем, низкую вероятность валидации модели регулятором как основы IRB-подхода и сложности в интерпретации результатов нелинейных моделей. Последние 2 проблемы тесно связаны – затруднения в общении с регулятором нередко вызваны тем, что у многих банков наилучшие результаты показывают скоринговые модели на основе нейронных сетей и композиций решающих деревьев, детальное описание алгоритмов которых настолько сложно, что их часто называют «черными ящиками». Гораздо реже опрошенные банки жалуются на нехватку компетенций у сотрудников, несоответствие политике безопасности или высокую стоимость решений. Вместе с тем в публичных выступлениях банковских специалистов нехватка кадров с необходимыми навыками очень часто оказывается на первом плане. Растущий интерес федеральных органов власти и Банка России к цифровизации сейчас усугубляет проблему с кадрами, но в перспективе создает более благоприятную регулятивную среду, что очень важно для банков, внедряющих технологии ИИ.

Активное применение технологий ИИ уже в ближайшие годы может стать решающим аргументом в конкурентной борьбе за массовые сегменты.

При этом прогресс в сфере ИИ в значительной мере обесценит сделанные ранее инвестиции банков в региональную сеть, обучение сотрудников, привлечение клиентов и повышение их лояльности. Хорошая новость в том, что попасть в группу лидеров в области ИИ пока можно даже без запредельного уровня инвестиций. Плохая – догонять надо прямо сейчас. Погоню за лидерами может облегчить большая доступность исходных данных: широкое распространение дистанционных каналов упрощает сбор структурированной информации, все больше данных могут предложить внешние поставщики. Вместе с тем собрать большую и слаженную команду, способную превзойти уже существующие на рынке решения, становится все труднее.

Классификация банков по уровню использования технологий ИИ

Рейтинговое агентство «Эксперт РА» и RAEX (РАЭКС-Аналитика) на основе указанной ниже методологии и проведенного анкетирования банков подготовили их классификацию по уровню использования технологий ИИ (см. таблицу 1). В опросе приняли участие в первую очередь лидеры российского рынка в сфере применения технологий искусственного интеллекта и машинного обучения. В классификации, приведенной в таблице 1, нет класса «ниже среднего», поскольку банки, которые мало внимания уделяют технологиям ИИ, изначально не дали согласия на заполнение анкеты. Кроме того, от раскрытия информации отказался ряд банков, которые могли претендовать на класс «выше среднего», но не были уверены в попадании в группу лидеров.

Таблица 1. Классификация банков по уровню использования технологий ИИ

«Эксперт РА», «РАЭКС-Аналитика» на основе приведенной выше методологии и анкет банков

Методология исследования: ключевые аспекты

Под искусственным интеллектом и машинным обучением в рамках исследования мы понимаем спектр алгоритмов, которые решают задачи, характерные для взаимодействия человека с внешней средой (например, распознавание и генерация речи, текстов, изображений и шаблонов поведения, предсказание поведения на основе предыдущих данных).

Оценку уровня использования технологий искусственного интеллекта и машинного обучения мы производили на основе анкет, заполненных банками. Такая возможность была предоставлена примерно 50 банкам из числа топ-100 по активам. Анкету изначально не рассылали банкам, играющим роль институтов развития (Росэксимбанк, МСП Банк), небанковским кредитным организациям, банкам, которые обслуживают только крупных корпоративных клиентов, участникам банковских групп с низкой степенью самостоятельности в развитии бизнеса (например, анкету было предложено заполнить Альфа-банку, но ее не направляли в санируемый им Балтийский банк).

Итоговая оценка учитывает нижеперечисленные факторы:

1. Уровень использования ИИ в рамках кредитного анализа

(вес 45%), включая следующие показатели:

1.1 Охват сегментов кредитного бизнеса, развиваемых банком, технологиями ИИ (доля направлений кредитного бизнеса, где технологии ИИ применяют в принципе, включая ситуации, когда их используют только для отсечения наименее качественных заявок или для заявок вне «серой зоны»).

1.2 Уровень доверия к имеющимся алгоритмам (доля направлений кредитного бизнеса, где технологии ИИ применяют для принятия решения по всем заявкам без исключения).

1.3 Сложность алгоритмов, применяемых в кредитном анализе. Минимальный балл – при использовании только линейных моделей (включая логистическую регрессию, которая при логарифмировании принимает линейный вид); применение нелинейных моделей оценивалось более высоко; максимальный балл можно было получить при использовании графовых моделей, требующих прикладывать существенно больше усилий в сборе и обработке информации, но позволяющих банкам рассматривать своих клиентов комплексно, а не обособленно. Модели, основанные на графах, обычно выступают как источник новых признаков для комплексной модели, поэтому их использование может говорить о переходе банка на новый уровень моделирования и анализа.

1.4 Наличие экспертизы (доля направлений кредитного бизнеса, по которым у банка существует собственная экспертиза, то есть алгоритмы, разработанные самостоятельно).

1.5 Разнообразие источников данных для разработки моделей (чем больше количество используемых при создании скоринговых моделей внешних источников, тем выше оценка).

2. Уровень использования ИИ в рамках деятельности банка в целом

(вес – 55%), включая следующие показатели:

2.1 Число направлений банковской деятельности, где решение на базе ИИ уже в промышленной эксплуатации (максимальный вес среди показателей раздела).

2.2 Число направлений банковской деятельности, где решение на базе ИИ применяют в рамках пилотного проекта.

2.3 Число направлений банковской деятельности, где решение на базе ИИ в разработке.

2.4 Число направлений банковской деятельности, где решение на базе ИИ в стадии оценки и планирования.

2.5 Решение на базе ИИ обсуждали, но от внедрения отказались (минимальный вес среди показателей раздела).

Наибольший вес придан разделу 2, поскольку он характеризует широкий спектр возможностей использования ИИ. Более детальное изучение технологий кредитного анализа связано с тем, что обычно это направление банки развивают одним из первых, и на текущем этапе для выявления лидеров в данной сфере необходимо рассмотреть значительное число показателей.

Хотя в методологии исследования использованы показатели, привязанные к активным для данного банка направлениям (то есть если в банке только 3 направления кредитного бизнеса, из них решения на базе ИИ применяют только в 2, то показатель охвата будет равен 2/3), специализированные банки (например, БКС Банк, Банк «ДельтаКредит») обычно получали несколько более низкую итоговую оценку из-за невысокого балла по разделу «Уровень использования ИИ в рамках деятельности банка в целом».

Источник: dstglobal.ru