Бизнес вызов

Стресс-тестирование обычно используется банками для оценки их финансовой устойчивости в сложных экономических условиях и кризисных сценариях. Стресс-тесты позволяют банкам убедиться в наличии достаточного капитала, чтобы оградить себя от экономических проблем. Правительства и регулирующие органы по всему миру ввели строгие правила в отношении стресс-тестирования, чтобы обеспечить надежность всей банковской системы. Например, Банк Англии проводит три типа стресс-тестов для британских банков и других финансовых учреждений. Банки, не показавшие удовлетворительных результатов в стресс-тестах, должны будут принять меры для укрепления своего финансового положения.

Стресс-тесты часто требуют осмысления больших наборов данных, что может быть непросто. Прозрачность принятия решений на основе данных также имеет первостепенное значение для обеспечения удовлетворительного соблюдения нормативных требований. Прогностические возможности искусственного интеллекта и машинного обучения могут значительно повысить ценность процессов, которые используются для стресс-тестирования банков.

Компания

TurinTech работал с британским коммерческим банком над разработкой устойчивого и масштабируемого решения для машинного обучения для задач стресс-тестирования.

🔢Данные

Банк работал с общедоступными макроэкономическими данными, которые включали такие переменные, как ВВП, уровень безработицы и процентная ставка. У банка также были данные о собственной кредитной истории.

🛠 Состояние существующей системы

Банк тестировал основанный на машинном обучении подход к разработке моделей стресс-тестирования на основе своих данных, но ни одна модель не достигла уровня развертывания.

🚫 Узкие места в реализации

  1. Сложные наборы данных. Макроэкономические данные, собранные банком, содержали несколько переменных, что увеличивало количество функций для модели. Это привело к переоснащению модели во время внутреннего процесса построения модели.
  2. Недостаточная объяснимость. Поскольку банк должен был соответствовать нормативным требованиям, объяснимость моделей имела первостепенное значение. Модели, имевшиеся в распоряжении банка, соответствовали некоторым критериям объяснимости, но их можно было улучшить.
  3. Долгие сроки разработки. Внутренний процесс обучения и тестирования моделей отнимал очень много времени, что делало процесс развертывания неустойчивым.

evoML для стресс-тестирования

evoML объединяет весь конвейер обработки данных на единой платформе, автоматизируя разработку и оптимизацию моделей машинного обучения. С помощью evoML банк смог быстро создать прототип с дополнительными возможностями моделирования AI/ML и усилить прогнозирование.

Время развертывания сократилось с месяцев до недель

evoML — это действительно «швейцарский армейский нож» в разработке моделей автоматизированного машинного обучения. Платформа укрепила позиции команды банка по обработке и анализу данных, предоставив им надежный инструмент, позволяющий быстрее и точнее делать выводы. С помощью evoML банку удалось разработать, оценить и развернуть модель за несколько недель.

Интеллектуальная разработка функций для получения максимальной отдачи от сложных наборов данных

У банка был ряд переменных, которые они хотели использовать для задач стресс-тестирования, но не было достаточно исторических данных по каждой переменной. Это привело к переоснащению модели во время построения модели собственными силами. evoML предлагает ряд вариантов выбора функций и инженерных решений, что позволило команде критически оценить значение каждой переменной и отфильтровать любой «шум». Разработка функций evoML в конечном итоге привела к более высокой точности модели.

Расширенная объяснимость для лучшего соответствия нормативным требованиям

evoML предоставляет пользователям ряд показателей объяснимости, включая информацию о дисбалансе данных и о том, как были созданы функции, которые банк может использовать для лучшего понимания сгенерированных моделей. Более глубокое понимание процесса принятия решений моделями сделало весь конвейер более прозрачным и объяснимым.

Специальная записка

evoML также оценил возможность извлечения информации из неструктурированных текстовых данных при стресс-тестировании, что стало возможным благодаря функциям платформы LLM (LLM расшифровывается как Large Language Model, тип алгоритма глубокого обучения, используемый для извлечения информации из текстовых данных). Команда TurinTech изучила такие источники, как новостные статьи, данные из социальных сетей и годовые отчеты компаний, чтобы понять, как информацию из этих источников данных можно использовать для лучшего прогнозирования и подготовки к будущим экономическим тенденциям.

Подпишитесь на это пространство, чтобы получать больше обновлений о постоянно развивающихся возможностях LLM evoML!

Первоначально опубликовано на https://www.turintech.ai 31 мая 2023 г.