Технологии искусственного интеллекта в банковской сфере
Покупка
Новинка
Тематика:
Общенаучное знание и теории
Издательство:
Балтийский федеральный университет им. И. Канта
Автор:
Ткаченко Сергей Николаевич
Год издания: 2024
Кол-во страниц: 120
Возрастное ограничение: 12+
Дополнительно
Вид издания:
Учебное пособие
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-9971-0900-4
Артикул: 891705.01.99
Рассматриваются как теоретические основы технологий искусственного интеллекта и принципы функционирования информационных систем в банковской сфере, так и конкретные примеры внедрения подобных технологий, а также решение практических задач. Особое внимание уделено методам и алгоритмам в области машинного обучения и искусственных нейронных сетей. Предназначено для формирования у обучающихся представления об использовании искусственного интеллекта в банковской сфере, знакомства с алгоритмами, методами и программным обеспечением, при помощи которого реализуются технологии искусственного интеллекта. Для студентов направлений 01.03.02 и 01.04.02 «Прикладная математика и информатика»; 02.03.03 и 02.04.03 «Математическое обеспечение и администрирование информационных систем»; 09.03.02 «Информационные системы и технологии», изучающих дисциплины, связанные с внедрением технологий искусственного интеллекта.
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 01.03.02: Прикладная математика и информатика
- 02.03.03: Механика и математическое моделирование
- 09.03.02: Информационные системы и технологии
- ВО - Магистратура
- 01.04.02: Прикладная математика и информатика
- 02.04.03: Математическое обеспечение и администрирование информационных систем
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
БАЛТИЙСКИЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ им. ИММАНУИЛА КАНТА С. Н. Ткаченко ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В БАНКОВСКОЙ СФЕРЕ Учебное пособие Издательство Балтийского федерального университета им. Иммануила Канта 2024
УДК 004.8:336.71
ББК 32.813.5
Т484
Рецензенты
А. В. Юров, д-р физ.-мат. наук, проф.,
Балтийский федеральный университет им. И. Канта;
Б. Л. Геллер, канд. техн. наук, доц.,
Калининградский государственный технический университет
Ткаченко, С. Н.
Т484 Технологии искусственного интеллекта в банковской
сфере : учебное пособие / С. Н. Ткаченко. — Калининград : Издательство БФУ им. И. Канта, 2024. — 120 с.
ISBN 978-5-9971-0900-4
Рассматриваются как теоретические основы технологий искусственного интеллекта и принципы функционирования информационных систем в банковской сфере, так и конкретные примеры внедрения подобных технологий, а также решение практических задач. Особое внимание уделено методам и алгоритмам в
области машинного обучения и искусственных нейронных сетей.
Предназначено для формирования у обучающихся представления об использовании искусственного интеллекта в банковской
сфере, знакомства с алгоритмами, методами и программным обеспечением, при помощи которого реализуются технологии искусственного интеллекта. Для студентов направлений 01.03.02 и
01.04.02 «Прикладная математика и информатика»; 02.03.03 и
02.04.03 «Математическое обеспечение и администрирование информационных систем»; 09.03.02 «Информационные системы и
технологии», изучающих дисциплины, связанные с внедрением
технологий искусственного интеллекта.
УДК 004.8:336.71
ББК 32.813.5
© Ткаченко С. Н., 2024
ISBN 978-5-9971-0900-4
© БФУ им. И. Канта, 2024
ОГЛАВЛЕНИЕ Введение ............................................................................................... Глава 1. Организация хранения данных ....................................... 7 Глава 2. Применение искусственного интеллекта в банковской сфере ............................................................................................ 20 2.1. Основные виды нейронных сетей ........................................... 20 2.2. Примеры задач, решаемых в банковской индустрии при помощи искусственного интеллекта .................................................. 25 Глава 3. Машинное обучение ........................................................... 28 3.1. Классические методы машинного обучения .......................... 28 3.2. Ансамблевые методы ............................................................... 35 3.3. Метрики для оценки моделей машинного обучения ............. 41 Глава 4. Технологии распознавания и классификации изображений ................................................................................................ 50 4.1. Нейронные сети ........................................................................ 50 4.2. Обзор инструментов для работы с изображениями на языке Python ............................................................................................... 53 4.3. Удаленная идентификация пользователя ............................... 58 Глава 5. Технологии обработки естественного языка ................ 68 5.1. Основные определения и термины, связанные с обработкой естественного языка ...................................................................... 68 5.2. Создание датасета для обучения NLP-модели ....................... 71 5.3. Построение нейронной сети для виртуального ассистента технической поддержки банка ............................................................ 73 Глава 6. Технологии обработки голосовых команд .................... 86 6.1. Принцип работы виртуальных помощников .......................... 87 6.2. Проектирование сценариев для голосового помощника ...... 92 6.3. Архитектура приложения голосового помощника ................101 6.4. Разработка NLU-модуля и системы управления диалогом 106 Список рекомендуемой литературы...............................................116
ВВЕДЕНИЕ Время на рубеже 20-х гг. XXI в. принято именовать четвертой промышленной революцией [1]. Текущее развитие техники не имеет аналогов в истории человечества (впрочем, те же слова подходят и для других промышленных революций) ни по своим масштабам, ни по скорости появления и устаревания технологий, ни по требованиям к тем, кто взаимодействует с этими технологиями. Технология может устареть и даже практически исчезнуть в пределах одного поколения, например, как это произошло с пейджинговой связью, которую на российском рынке буквально в течение пяти лет вытеснила мобильная связь и сервис смс-сообщений. На сегодняшний день одной из наиболее интересных и прорывных технологий является искусственный интеллект (ИИ) и машинное обучение. Во всем мире инвестиции в проекты, связанные с машинным обучением и искусственным интеллектом, только растут из года в год. В данном учебном пособии не ставится цель дать полное и исчерпывающее понятие тому, что следует называть искусственным интеллектом, ввиду того, что сложно дать определение для естественного интеллекта. Компания SAS — один из ведущих игроков на рынке по разработке и внедрению интеллектуальных систем анализа — в 2019 г. провела исследование по восприятию искусственного интеллекта различными категориями граждан [2]. Восприятие довольно неоднозначное: от скептического отношения со стороны технических директоров до восторженного — от бизнес-лидеров. Академическое сообщество относится к ИИ скорее настороженно, студенты также волнуются о том, как ИИ повлияет на их дальнейшую жизнь и судьбу, но при этом все им активно пользуются.
Введение Подобная неоднозначность восприятия технологии искусственного интеллекта также не позволяет дать для него однозначное определение. Поэтому будем определять ИИ по аналогии с человеком. Под искусственным интеллектом будем понимать компьютерную систему, имеющую программно-аппаратную природу, способную выполнять действия, аналогичные тем, которые свойственны человеку. Здесь речь идет не столько о каких-то сложных или творческих активностях, хотя в последнее время все активнее внедряется генеративный ИИ, который как раз ориентирован на создание текстов, изображений, музыки и видео. Наиболее перспективно применение ИИ для автоматизации рутинных и монотонных действий. Хорошо натренированная нейронная сеть, лежащая в основе искусственного интеллекта, может очень быстро и точно выполнять одну из задач человека, причем скорость ее работы во много раз превышает человеческую. Соответственно, работу, на выполнение которой у человека уйдет несколько часов, ИИ способен выполнить за несколько секунд. Термин «машинное обучение» неразрывно связан с искусственным интеллектом — это один из классов методов ИИ, которые позволяют получить решение поставленной задачи, не решая ее непосредственно, а опираясь на решение большого количества аналогичных задач. В основе искусственного интеллекта всегда лежат математические методы, а для его реализации используются информационные технологии. Поэтому внедрение элементов ИИ в нашу жизнь всегда обусловлено проникновением ИТ во все сферы деятельности. Что касается банковской сферы, то это большая отрасль экономики любой страны, поскольку она определяет денежную систему, кредитно-денежную политику и в итоге микро- и макроэкономические показатели. Банки характеризуются консолидацией больших объемов данных как о физических, так и о юридических лицах. По этой
причине одной из первых индустрий, которая начала смотреть в сторону экономики, основанной на данных, стала банковская сфера. Решения на основе данных и алгоритмов машинного обучения или искусственного интеллекта довольно легко встроить в информационные системы банков (по сравнению с другими индустриями) ввиду развитости последних. Банки как держатели массивов «сырых» данных заинтересованы в нахождении полезной информации в накопленном массиве, поскольку это позволяет им привлекать новых клиентов, снижать издержки и предлагать новые сервисы. Поэтому одним из драйверов по внедрению решений на основе искусственного интеллекта является банковская сфера. В данном учебном пособии сделана попытка рассмотреть некоторые технологии искусственного интеллекта и их внедрение в банковские процессы. По понятным причинам количество технологий и самих процессов, характерных для банков, очень велико, поэтому здесь внимание сосредоточено на наиболее характерных технологиях и подходах, связанных с ИИ, которые могут быть масштабированы на другие процессы. Развитие технологий искусственного интеллекта в настоящее время проходит столь стремительно, что отразить полную картину на определенный момент является невыполнимой задачей даже для одной конкретной отрасли. Постоянно появляются новые технологии, нейронные сети, подходы к формированию сервисов. После появления новой технологии количество сервисов на ее основе растет лавинообразно, так было и с появлением инструментов для распознавания изображений, так происходит и сейчас с появлением генеративного ИИ. Поэтому в данном издании сделана попытка изложить сущность задач, решаемых при помощи ИИ в банковской сфере. Представлено это в несколько неформальной форме — в виде разбора кейсов, что позволяет увидеть логический ход рассуждений при решении той или иной задачи. В этом случае при появлении новых технологий или подходов их легко будет вставить в логику реализации того или иного проекта. Тем самым решается проблема «устаревания» технологий.
Г л а в а 1 ОРГАНИЗАЦИЯ ХРАНЕНИЯ ДАННЫХ В настоящее время в условиях ужесточения конкуренции большую роль в успешном ведении бизнеса играют данные и информация, которую можно из них извлечь. Многие компании в ходе своей деятельности накопили большие объемы данных, хранящихся в различных системах, однако важно не только хранить данные, но и эффективно их использовать, то есть проводить анализ по тем или иным бизнес-процессам компании. Информация, полученная по результатам такого анализа, позволяет организациям выявлять закономерности, находить узкие места в процессах, оценивать эффективность деятельности с целью выработки правильных управленческих решений. Банковская сфера является одной из сфер бизнеса с большим потоком данных, который предоставляет огромный простор для их дальнейшего анализа. Для проведения всестороннего анализа деятельности банка необходимо создание инструмента, позволяющего консолидировать данные из различных источников и предоставляющего возможность пользователям обрабатывать их в зависимости от конкретной задачи. В этой связи актуален вопрос создания единого объекта для хранения данных, позволяющего всем пользователям обращаться к подобному «хранилищу» и решать именно их аналитические задачи, при этом сокращая время принятия решений и повышая их эффективность. Для большинства банков можно выделить два основных направления оптимизации их деятельности: 1) оценка клиентов и их деятельности с целью развития услуг на имеющейся базе клиентов; 2) анализ продуктов с целью расширения присутствия банка на рынке за счет привлечения новых клиентов.
Для банков характерны четыре основных направления деятельности, в рамках каждого из которых можно внедрять решения на основе искусственного интеллекта. 1. Размещение денежных средств. Кредитование — один из главных продуктов, обеспечивающих основную доходность для банков. Важным предметом анализа данного направления является кредитный портфель (КП) — остаток задолженности по всем выданным кредитам. КП можно рассматривать как по отдельно взятому клиенту, так и как общий портфель банка. В первом случае анализируется качество обслуживания долга клиентом, его кредитная история в банке. В свою очередь, КП всего банка предоставляет большие возможности для всестороннего анализа: Оценить качество портфеля (соотношение ссудной и просроченной задолженности), что дает представление о политике банка в части кредитного риска. На основе полученных данных специализированные подразделения проводят работу по проблемной задолженности. Оценить структуру портфеля [3]: — по заемщикам (кредитование крупного / малого бизнеса, частных клиентов); — по отраслевой принадлежности (строительство, предприятия общественного питания, розничная торговля и т. д.); — по видам кредитных программ (привлекательность для клиента, доходность для банка); — по срокам кредитования (прогнозирование величины КП); — по валюте кредита. Неотъемлемой частью оценки кредитования является анализ кредитных заявок, позволяющий: — прогнозировать выдачи и КП; — анализировать процесс рассмотрения кредитных заявок (выявлять узкие места и возможности для оптимизации процесса); — оценивать процент одобрения заявок и процент выдач для дальнейшего анализа причин отказов клиентов. С целью развития кредитования частных и корпоративных клиентов банки проводят перекрестные и повторные продажи,
а также формируют программы лояльности. Для этого проводится анализ потребностей и предпочтений действующих клиентов, чтобы предлагать им смежные продукты или продукты с особыми условиями. 2. Комиссионный бизнес. Данное направление рассматривается как самостоятельная группа продуктов, используемых клиентом для выполнения необходимых банковских операций, а также в качестве вспомогательного направления, обеспечивающего комплексность обслуживания клиентов, пришедших в банк в качестве заемщиков или для размещения свободных денежных средств. Следует отметить, что основным продуктом в части комиссионного бизнеса выступает расчетно-кассовое обслуживание (РКО) юридических лиц (ЮЛ) в рублях. Данная деятельность также является поддерживающим для кредитования корпоративных клиентов. Сюда же относится и внешнеэкономическая деятельность (ВЭД). В части розничного бизнеса главный продукт банка — депозиты, поскольку они служат инструментом расширения клиентской базы физических лиц (ФЛ), а также источником фондирования операций по кредитованию [4]. Основную долю доходов, кроме РКО ЮЛ, приносят торговый эквайринг и платежные карты. И как следствие, развитие данных направлений — это приоритетная задача для банка. 3. Валютно-обменные операции. Данное направление — важный фактор стабилизации и развития клиентской базы. Основные задачи анализа валютнообменных операций [5]: — оценка структуры и динамики операций по различным иностранным валютам и по видам совершаемых операций (покупка / продажа) с целью прогнозирования валютно-обменных операций и формирования оптимального запаса валют; — прогнозирование влияния изменения величины курсов обмена валют на объемы операций банка; — оценка доли операций в формировании финансового результата банка.
4. Ценные бумаги. По данному направлению банку необходимо анализировать объемы вложений и доходы по различным видам ценных бумаг, а также качество имеющегося портфеля ценных бумаг. Подобный количественный и качественный анализ необходим для формирования портфеля из ценных бумаг высоконадежных эмитентов. На основе аналитики продуктов проводится анализ деятельности по подразделениям (офисам) для определения плановых показателей KPI (Key Performance Indicators — ключевые показатели эффективности), а также оценивается финансовый результат банка в целом и выявляются причины, влияющие на него [6]. Для бизнеса важно понимать продуктовое проникновение в аналитических разрезах (сегменты и группы клиентов, банковские продукты, каналы и точки продаж и т. д.), проводить мониторинг с целью выявления аномалий и быстрого реагирования на них, развивать сильные стороны и оптимизировать слабые при помощи объективной аналитики. Для того чтобы аналитика была объективной, необходимо строгое определение методологии по расчету показателей деятельности банка. Таким образом, аналитика должна стать поддержкой в развитии бизнеса и основой в принятии управленческих решений. Главным источником данных для банков является автоматизированная банковская система (АБС) [7], примером которой может служить программный продукт — ЦФТ-банк. АБС — централизованная система для автоматизации операционной, учетной, управленческой деятельности банка. Главным контейнером для данных, собранных через АБС, является аналитическое хранилище данных (АХД). Оно предоставляет пользователям возможность в построении сводных отчетов, используя аналитические витрины. Рассмотрим АХД как аналитическую систему процесса сбора, обработки и анализа данных.