Нейросети в финансах и аналитике: как банки используют ИИ

Банки применяют ИИ, чтобы автоматизировать и оптимизировать разные процессы: от анализа трат до определения кредитоспособности. Какие еще задачи делегируют нейросетям и почему их трудно интегрировать в банковскую сферу — в нашей статье.

Скоринг — это метод оценки кредитоспособности. Он работает так: каждый заемщик получает оценку, которая показывает, может клиент расплатиться вовремя или нет. На основе этой оценки банк решает, кому выдавать кредит.

Нейросети автоматизируют процесс скоринга, делают его более точным и эффективным. Они обрабатывают большие объемы данных о клиентах: финансовую историю, паттерны трат и т.д. На основе этой информации ИИ дает оценку заемщику. Еще нейросети прогнозируют поведение клиентов и кластеризуют их — делят на группы на основе разных характеристик: кредитной истории, дохода, истории платежей, срока кредитования.

Банки разрабатывают чат-боты на основе нейросетей. Они отвечают на вопросы клиентов, предоставляют информацию о банковских продуктах и услугах, помогают пополнять счет и совершать переводы. Еще банки используют голосовых помощников. Например, клиенты Сбербанка могут переводить деньги и оплачивать счета с помощью виртуального ассистента «Салют».

ИИ используют и для персонализированного обслуживания. Алгоритмы распознают поведенческие паттерны клиенты, его интересы к продуктам и сервисам банка. Так, если пользователь стал тратить больше и запросил кредитный рейтинг, система предложит ему оформить кредит.

Искусственный интеллект может обслуживать не только людей, но и машины:

• Прогнозирует технические сбои: анализирует состояние банкоматов и предсказывает возможные поломки;
• Определяет, какой банкомат нужно заполнить: программы собирают информацию о снятии наличных и предсказывают, когда в конкретной машине закончатся деньги;
• Оценивает качество обслуживания: ИИ отслеживает производительность банкоматов — время и скорость обработки запросов.

ИИ значительно облегчает и ускоряет документооборот:

• Создает цифровые копии бумажных документов;
• Извлекает информацию из текстовых файлов (имена, даты, номера, суммы);
• Классифицирует документы на основе их содержания и формата;
• Переводит файлы на разные языки.

Многие российские банки уже внедрили искусственный интеллект в процесс обработки документов. Например, Росбанк использует технологию распознавания текста. Алгоритм идентифицирует более 70 реквизитов за 2 секунды.

Нейросети могут обнаруживать и предотвращать подозрительные транзакции. Программы собирают данные о клиентах и их платежах, анализируют их в реальном времени и выявляют необычные паттерны — транзакции, которые сильно отличаются от типичного поведения пользователя.

Недавно Альфа-Банк разработал модель, которая следит за всеми транзакциями и сообщает службе безопасности о подозрительных платежах. Нейросеть оценивает каждый перевод по 3501 параметру. Процесс занимает всего 0,03 секунды.

Любую нейросеть надо дообучить на корпоративных данных, чтобы она успешно справлялась с разными задачами. Обучением нейросетей занимаются специалисты по машинному обучению — дата-сайентисты. В России таких специалистов не хватает. Поэтому возникают трудности с внедрением ИИ — не только в банковскую сферу, но и в любые другие.

Еще один барьер — дороговизна использования ИИ. Нейросети требуют очень дорогого оборудования, которое не все компании могут позволить. Поэтому организации используют программы, размещенные на сторонних серверах или в облачных платформах — так значительно дешевле, но менее безопасно. Например, мошенники могут перехватить информацию, когда она отправляется из базы данных компании на сервер или облачную платформу. Банки не могут допустить утечку конфиденциальной информации, поэтому размещают нейросети на собственных серверах. Это требует больших инвестиций.

Итак, нейросети и искусственный интеллект играют важную роль в современной банковской сфере. Они помогают обрабатывать большие объемы данных, проводят скоринг клиентов, улучшают качество обслуживания и борются с мошенниками. Но внедрение ИИ осложняется тем, что на российском рынке не хватает специалистов по машинному обучению.