Как мы решаем задачу кредитного скоринга 🪪

Обычно решение задачи кредитного скоринга в банке основывается на построении мощных моделей градиентного бустинга на большом наборе табличных признаков. Лаборатория машинного обучения Альфы пошла другим путём и совместила этот подход с нейросетевым

Делимся статьей с Хабра, из которой вы узнаете:
— что такое кредитный скоринг и почему он критически важен для банков
— как мы делаем выборку для обучения моделей, которые помогают определить дефолтность клиентов
— какие модели используем
— и каких результатов добиваемся

⏺Читайте материал по ссылке

#aaa_habr #aaa_ML #aaa_hardposting

Запускаем постоянную рубрику Deep dive в Deep Tech 🦾

Будем регулярно делиться самыми свежими новостями и аналитикой из мира продвинутых технологий!

📢 Сегодня расскажем о рейтинге XB100, который объединяет 100 ведущих мировых частных компаний в области Deep Tech

Что такое Deep Tech?
Deep Tech — это технологии, которые в прошлом были научной фантастикой, а сегодня являются частью нашей реальности. Происходит это благодаря направленному финансированию научных исследований со стороны бизнеса

Рейтинг XB100 построен на основе четырёх критериев:
➖Влияние достижений компании на человечество
➖Стоимостная оценка
➖Научная концентрация (считали количество докторских степеней сотрудников и зарегистрированных патентов)
➖Коммерческий трекшн (показатель прогресса начинающей компании)

Компании XB100 разделены на 9 категорий, которые активно двигают человечество вперед:
🟣Сельское хозяйство
🟣Искусственный интеллект
🟣Авиация
🟣Климат
🟣Мобильность
🟣Биотехнологии последнего поколения
🟣Квантовые технологии
🟣Робототехника
🟣Космос

⏺Чтобы изучить список компаний XB100 и посмотреть видео с их фаундерами и CEO, переходите по ссылке

#aaa_news

ААА! Это что, розыгрыш? 😍

📢 Нашему каналу чуть меньше двух месяцев, а вас уже невероятно много. И с каждым днём становится всё больше!

Здесь мы делимся экспертизой Центра продвинутой аналитики Альфы, интересными бизнес-кейсами, полезными фоллоу-апами и важными достижениями

Однако бывает, что не всегда попадаешь в нужные метрики с первого раза. Иногда буксует вывод в прод модели, над которой 24/7 работала целая команда. Может упасть сервер или вовремя не обновиться лицензия на софт. А иногда просто что-то не получается… Знакомо? Поделитесь с нами вашими историями!

Чтобы принять участие в конкурсе:

1. Пишите в комментариях о самом факапном факапе, который случался в вашей карьере и как вы находили решение 👻

2. Ставьте реакции и оставляйте комментарии к другим историям 👍

3. Участнику, чей комментарий наберёт больше всего реакций, мы отправим топовый мерч от Альфы ❤️

Результаты объявим 17 июля, в понедельник, в 20.00 (мск)

⏺Готовы читать ваши истории, делиться своими и ставить реакции 👇🏻

#aaa_fun

И у нас есть победитель! 🎉

📢 На часах 20:00, а это значит, что пришло время объявить победителя конкурса

Обладателем мерча от Альфы становится @Karina_Dozornova! Именно история Карины набрала наибольшее количество ваших реакций 🥳

В течение недели свяжемся с победителем и передадим приз 🎁

Благодарим каждого, кто поделился своей историей! Мы в Центре продвинутой аналитики уверены, что факапы — это тоже часть пути и их открытое обсуждение неминуемо приведёт вас к успеху!

Не бойтесь говорить об ошибках открыто, ваш ЦПА ❤️

#aaa_fun

Как Альфа решает, в каких регионах расширять своё присутствие ❤️

Как понять, сколько менеджеров потребуется, чтобы эффективно работать, например, в Туле в течение 3-х лет без необходимости сокращений? Как это соотносится со стратегическими целями Альфы в регионах, и как изменится рыночная картина через 3 года?

📢 Делимся с вами новой статьёй на Хабре от Центра продвинутой аналитики, где найдёте ответы на эти вопросы!

Валерий Новиков, senior data scientist, рассказал, как мы построили инструмент, с помощью которого:
🟣принимаем решение, сколько нужно менеджеров для привлечения юридических лиц в качестве клиентов в городах, где есть отделение Банка
🟣оцениваем будущий эффект от ввода дополнительного количества менеджеров
🟣моделируем рынок с учётом его важнейших параметров (как управляемых, так и неуправляемых) для среднесрочного и долгосрочного стратегического планирования численности ресурсов Банка

P.S. Модель для оценки эффективности менеджеров мы строили с помощью такого простого алгоритма моделирования, как линейная регрессия. Интересно почему? Ответ также найдёте в статье😉

💖Читайте материал по ссылке и смотрите кружочек от Валеры👇🏻

#aaa_habr #aaa_ML #aaa_hardposting

Как получить работающий конвейер после ухода вендора? 🫥

Чем больше компаний осознают пользу от машинного обучения, тем чаще они задаются вопросом: «Как использовать умные технологии эффективнее?»

Эффективнее — это, во-первых, с доступным минимумом издержек, а во-вторых, с понятной пользой для бизнеса. Пользу обеспечивает скорость, с которой ML-модели «приземляются» на текущие процессы — её может дать автоматизация

Автоматизировать вывод моделей в продакшен — это, по сути, запустить непрерывный конвейер. Такой конвейер в Альфе начали строить 1,5 года назад. Из них полгода выбирали оптимальное архитектурное решение, инструментарий, договаривались о минимально необходимом функционале

Разработкой сначала занимался вендор:
➕Это сэкономило время и ресурсы внутренних команд
➖Внешняя разработка обнаружила свои ограничения

С чем столкнулась наша команда:
🟣 Изначально не была настроена промышленная среда: быстро «починили», но удивились самому факту
🟣 Были по-разному реализованы стенды функционального и нагрузочного тестирования: выравнивание заняло больше месяца, тоже удивились
🟣 Не было доделано логирование: сначала его дорабатывал подрядчик, потом доделывали сами
🟣 Использовался устаревший софт: сами обновляли до актуальных версий и переустанавливали
🟣 Не было настроено бэкапирование: доделывали сами

Начав плотнее работать с системой, поняли, что нужны и другие доработки:
— Провели рефакторинг плэйбуков: переработали код системы, чтобы ускорить вывод моделей и повысить масштабируемость
— Разработали новый технический процесс: запустили новый пайплайн поставки моделей на боевую среду
— Доработали изначально непродуманный код
— Улучшили логику работы с Hadoop

Дальше решили автоматизироваться еще больше: разрабатываем автоматические тесты для моделей ML

🗣️ Наш вывод: за конвейером нужно бдительно следить, а, привлекая вендора, рассчитывать силы на то, чтобы быстро вносить доработки самим

Если было интересно, ставьте 🔥 Будем чаще делиться подобными кейсами!

#aaa_MLOps #aaa_hardposting

Поговорим о техно- датасетах 🎧

📢 Стартовал новый сезон «Деньги любят техно» — подкаста о финтехе в самом широком смысле этого слова

Первый выпуск посвящён датасетам для искусственного интеллекта!

В выпуске Алексей Каширин, директор Центра продвинутой аналитики Альфа-Банка, и Сергей Голицын, вице-президент, заместитель руководителя Департамента анализа данных и моделирования ВТБ, поговорили:
➖о применении ИИ в финтехе и других отраслях
➖об опыте работы своих команд
➖и о самых заметных событиях в этой области

Слушайте техноподкаст на платформах:
🟣Яндекс Музыка
🟣Spotify
🟣Apple Podcasts
🟣Google Podcasts

#aaa_experts