Кредитный скоринг на основе 10–20 признаков не видит платёжеспособность клиентов с тонким кредитным файлом. Антифрод на правильных системах пропускает до 40% мошеннических транзакций. ML-модели решают эти проблемы: обрабатывают сотни альтернативных данных и выявляют сложные паттерны. В нашей практике — более 20 проектов для банков, fintech-стартапов и страховых компаний. Мы гарантируем explainability моделей и compliance с регуляторами.
ML-модели на XGBoost показывают точность в 1.5 раза выше традиционного скоринга по Gini. Благодаря ML-антифроду клиент сэкономил десятки миллионов рублей в год на возвратах и штрафах.
Как ML улучшает кредитный скоринг?
Традиционные скоринговые модели (FICO, НБКИ) используют 10–20 признаков. ML-модели на XGBoost или LightGBM обрабатывают сотни альтернативных данных: транзакции, телеметрия, поведение в браузере. Результат — Gini coefficient на 8–15 процентных пунктов выше. Особенно это важно для тонкого кредитного файла (thin file) — заёмщики без кредитной истории. Мы калибруем модели и внедряем SHAP для объяснения каждого отказа.
| Характеристика | Традиционный скоринг | ML-скоринг |
|---|---|---|
| Количество признаков | 10–20 | 100–500 |
| Типы данных | Кредитная история, доход | + транзакции, телеметрия, соц. данные |
| Точность (Gini) | 0.5–0.6 | 0.65–0.8 |
| Объяснимость | Встроенная | SHAP, LIME |
Почему финансовым компаниям нужен Feature Store?
Feature Store (Feast, Tecton) — централизованное хранилище признаков с версионированием. Без него каждая модель использует собственные SQL-запросы, что приводит к train-serving skew и latency >100 мс. Мы разворачиваем Feature Store для консистентности признаков. Это снижает latency инференса в 2 раза — с 100 мс до 50 мс.
Антифрод на графах
Fraud detection в карточных транзакциях требует анализа связей. Мы используем GNN на transaction graph и XGBoost на tabular данных. Метрика precision@top-1% — главный KPI: нужно поймать 90% фрода при <0.1% ложных блокировок. Real-time обработка через Kafka + Flink даёт latency <200 мс.
| Подход | Традиционный антифрод | ML-антифрод |
|---|---|---|
| Тип модели | Правила + регрессия | GNN + XGBoost |
| Задержка | >500 мс | <200 мс |
| Precision@top-1% | 60% | 90% |
| Ложные блокировки | >1% | <0.1% |
Управление рисками
- Credit risk: PD, LGD, EAD с ML — точнее классических логистических моделей на 20%.
- Market risk: VaR / Expected Shortfall с симуляциями Monte Carlo на GPU — расчёт за минуты вместо часов.
- Operational risk: предсказание инцидентов на основе логов.
- Liquidity risk: прогноз оттоков депозитов с точностью >95%.
Все модели forward-looking, соответствуют IFRS 9 и Basel III.
Как мы разрабатываем AI-систему: развёрнутый кейс из практики
Из нашей практики: для банка построили платформу кредитного скоринга для малого бизнеса. Использовали:
- Data: транзакции по расчётному счёту, данные налоговой, кадастровые записи.
- Features: 300+ признаков, в том числе cash flow volatility, сезонность, индикаторы банкротства.
- Model: ансамбль XGBoost + LightGBM с Soft Voting, калибровка по Platt scaling.
- Explainability: SHAP для каждого решения — обязательное требование ЦБ.
- Deploy: инференс через Triton Inference Server в Kubernetes, latency <80 мс.
Результат: одобрение заявок за 30 секунд, рост портфеля на 25% без увеличения дефолтов, экономия на операционных расходах составила десятки миллионов рублей в год, дополнительно клиент сэкономил значительную сумму за счёт автоматического выявления мошеннических схем. Свяжитесь с нами, чтобы обсудить подобный сценарий для вашего бизнеса.
Процесс работы
- Аналитика и data audit — оцениваем качество данных, выявляем bias, определяем метрики.
- Feature engineering и прототип — создаём признаки, обучаем baseline на исторических данных.
- Разработка продакшен-модели — оптимизация гиперпараметров, кросс-валидация, тестирование на out-of-time выборках.
- MLOps и деплой — контейнеризация, A/B тестирование, CI/CD pipeline.
- Мониторинг и поддержка — дрейф модели, ретрайнинг, дашборды для бизнеса.
Сроки и стоимость
Срок разработки: от 2 месяцев (простой скоринг) до 12+ месяцев (полная quantitative платформа). Стоимость рассчитывается индивидуально — свяжитесь с нами, чтобы получить оценку вашего проекта. Обычно экономия от внедрения покрывает инвестиции за 6–12 месяцев.
Что входит в работу
- Документация: model card, техническая документация, отчёт по explainability.
- Доступы: вы получаете полный код, pipeline и инфраструктуру.
- Обучение: воркшоп для data scientists и аналитиков.
- Поддержка: 3 месяца пост-продакшен мониторинга и доработок.
Почему выбирают нас
- Опыт в AI/ML для финансов более 5 лет.
- Сертифицированные специалисты (AWS ML Specialty, GCP ML).
- 20+ проектов: от скоринга до high-frequency trading.
- Гарантия: compliance с регуляторами (ЦБ, ECB, SEC).
- Прозрачность: используем open-source компоненты, не привязываем к вендору.
— Требования к объяснимости моделей: SR 11-7 (Federal Reserve), ECOA (US). Подробнее: SHAP.
Закажите разработку AI-системы для вашего бизнеса. Получите консультацию — мы оценим ваш проект в течение 2 рабочих дней.