Кредитний скоринг на основі 10–20 ознак не бачить платоспроможність клієнтів із тонким кредитним файлом. Антифрод на правильних системах пропускає до 40% шахрайських транзакцій. ML-моделі вирішують ці проблеми: обробляють сотні альтернативних даних і виявляють складні патерни. У нашій практиці — понад 20 проєктів для банків, fintech-стартапів та страхових компаній. Ми гарантуємо explainability моделей та compliance з регуляторами.
ML-моделі на XGBoost показують точність у 1.5 рази вищу за традиційний скоринг за Gini. ML-антифрод кращий за традиційний у 3 рази за precision@top-1%. Завдяки ML-антифроду наш клієнт заощадив 15 млн грн на рік на поверненнях і штрафах.
Як ML покращує кредитний скоринг?
Традиційні скорингові моделі (FICO, НБКІ) використовують 10–20 ознак. ML-моделі на XGBoost або LightGBM (градієнтний бустинг) обробляють сотні альтернативних даних: транзакційну телеметрію, поведінку в браузері, текст з анкет (NLP). Результат — Gini coefficient на 8–15 процентних пунктів вище. Особливо це важливо для тонкого кредитного файлу (thin file) — позичальники без кредитної історії. Ми калібруємо моделі за Platt scaling та впроваджуємо SHAP для пояснення кожного рішення про відмову.
| Характеристика | Традиційний скоринг | ML-скоринг |
|---|---|---|
| Кількість ознак | 10–20 | 100–500 |
| Типи даних | Кредитна історія, дохід | + транзакції, телеметрія, соц. дані, NLP |
| Точність (Gini) | 0.5–0.6 | 0.65–0.8 |
| Пояснюваність | Вбудована | SHAP, LIME |
Чому фінансовим компаніям потрібен Feature Store?
Feature Store (Feast, Tecton) — централізоване сховище ознак із версіонуванням. Без нього кожна модель використовує власні SQL-запити, що призводить до train-serving skew та latency >100 мс. Ми розгортаємо Feature Store для консистентності ознак. Це знижує latency інференсу вдвічі — з 100 мс до 50 мс.
Антифрод на графах
Fraud detection у карткових транзакціях потребує аналізу зв'язків. Ми використовуємо GNN (Graph Neural Networks) на transaction graph та XGBoost на tabular даних. Метрика precision@top-1% — головний KPI: потрібно зловити 90% фроду при <0.1% хибних блокувань. Real-time обробка через Kafka + Flink дає latency <200 мс.
| Підхід | Традиційний антифрод | ML-антифрод |
|---|---|---|
| Тип моделі | Правила + регресія | GNN + XGBoost |
| Затримка | >500 мс | <200 мс |
| Precision@top-1% | 60% | 90% |
| Хибні блокування | >1% | <0.1% |
Управління ризиками
- Credit risk: PD, LGD, EAD з ML (ансамбль DNN + GBM) — точніше класичних логістичних моделей на 20%.
- Market risk: VaR / Expected Shortfall з симуляціями Monte Carlo на GPU — розрахунок за хвилини замість годин.
- Operational risk: передбачення інцидентів на основі логів (NLP-аналіз текстів з тікетів).
- Liquidity risk: прогноз відтоків депозитів з точністю >95% (рекурентні нейромережі LSTM).
Всі моделі forward-looking, відповідають IFRS 9 та Basel III.
Як ми розробляємо AI-систему: розгорнутий кейс із практики
З нашої практики: наш клієнт, банк, побудував платформу кредитного скорингу для малого бізнесу. Використовували:
- Data: транзакції по розрахунковому рахунку, дані податкової, кадастрові записи.
- Features: 300+ ознак, у тому числі cash flow volatility, сезонність, індикатори банкрутства.
- Model: ансамбль XGBoost + LightGBM з Soft Voting, калібрування за Platt scaling.
- Explainability: SHAP для кожного рішення — обов'язкова вимога НБУ.
- Deploy: інференс через Triton Inference Server в Kubernetes, latency <80 мс.
Результат: схвалення заявок за 30 секунд, зростання портфеля на 25% без збільшення дефолтів, економія на операційних витратах склала 15 млн грн на рік, додатково клієнт заощадив 2 млн грн за рахунок автоматичного виявлення шахрайських схем. Зв'яжіться з нами, щоб обговорити подібний сценарій для вашого бізнесу.
Процес роботи
- Аналітика та data audit — оцінюємо якість даних, виявляємо bias (упередженість), визначаємо метрики (AUC-ROC, Gini, KS).
- Feature engineering та прототип — створюємо ознаки (трансформація Box-Cox, агрегації), навчаємо baseline на історичних даних.
- Розробка продакшен-моделі — оптимізація гіперпараметрів (Optuna), крос-валідація (Stratified K-Fold), тестування на out-of-time вибірках.
- MLOps та деплой — контейнеризація (Docker), CI/CD (GitLab CI), моніторинг дрейфу (Evidently).
- Моніторинг та підтримка — дрейф моделі (data drift, concept drift), ретрейнінг за schedule, дашборди для бізнесу (Grafana).
Терміни та вартість
Термін розробки: від 2 місяців (простий скоринг) до 12+ місяців (повна quantitative платформа). Вартість розраховується індивідуально — зв'яжіться з нами, щоб отримати оцінку вашого проєкту. Зазвичай економія від впровадження покриває інвестиції за 6–12 місяців.
Що входить в роботу
- Документація: model card, технічна документація, звіт з explainability (SHAP summary).
- Доступи: ви отримуєте повний код, pipeline та інфраструктуру (Terraform).
- Навчання: воркшоп для data scientists та аналітиків по роботі з feast та mlflow.
- Підтримка: 3 місяці пост-продакшен моніторингу та доопрацювань.
Чому обирають нас
- 5+ років на ринку AI/ML, 20+ успішних проєктів у фінансах.
- Сертифіковані спеціалісти (AWS ML Specialty, GCP ML).
- Експертиза в кредитному скорингу, антифроді, ризик-менеджменті — від прототипу до продакшену.
- Гарантія: compliance з регуляторами (НБУ, ECB, SEC).
- Прозорість: використовуємо open-source компоненти, не прив'язуємо до вендора.
— Вимоги до пояснюваності моделей: SR 11-7 (Federal Reserve), ECOA (US). Детальніше: SHAP.
Замовте розробку AI-системи для вашого бізнесу. Отримайте консультацію — ми оцінимо ваш проєкт протягом 2 робочих днів.