Skip navigation EPAM

Сбер & ЕPАМ: Управление модельным риском

Проект
  • Банки и финансы

AI Russia Works - Библиотека эффективных кейсов

Сбер активно внедряет технологии AI и ML в различные бизнес-процессы своей экосистемы. Количество моделей, используемых для поддержки принятия решений, удваивается каждый год, их общее количество превышает несколько тысяч. Модели со временем могут начать ошибаться, и решения, которые автоматически будут приниматься на основе их использования, будут неверными. Крайне актуальной становится задача управления новым видом риска — модельным риском. Его необходимо идентифицировать, контролировать и управлять им.

Поставлена задача разработать специализированные методики управления модельным риском и технологическое решение для их применения. Важно снизить требования к компетенциям людей, которые будут использовать эти инструменты.

ПОЯВИЛИСЬ ВОПРОСЫ?

Если вы хотите получить более детальную информацию о проектах, решениях и возможностях EPAM, свяжитесь с нами по адресу: 
sales_cis@epam.com

Или отправьте запрос через форму обратной связи.

Решение

Сбер в партнерстве с компанией EPAM разработал систему управления модельным риском. Она реализована на базе универсальной платформы SberDS, которая позволила автоматизировать управление модельным риском на всех этапах жизненного цикла моделей.

Разработана методология, позволяющая повысить точность оценки и контроля модельного риска, в том числе — оценку риска в денежном выражении и предсказание ухудшения качества модели в будущем.

Платформа SberDS предоставляет готовый набор LowCode/NoCode-инструментов для автоматизированной разработки AI- и ML-моделей, включая преднастроенные рекомендации по решению основных классов задач.

Технологии

Решение построено на использовании передовых технологий в области AI и ML, а также распределенных, облачных вычислений на больших данных: Hadoop, OpenShift, реализована интеграция с суперкомпьютером «Кристофари». Использованы все современные возможности ядра Linux.

Основные AI-алгоритмы, применяемые в решении:

  • Для оценки уровня модельного риска в денежном выражении —  Semi Supervised Learning
  • Алгоритмы градиентного бустинга позволяют прогнозировать, когда модель ухудшит свое качество и потребуется ее перестройка
  • AutoML-алгоритмы оценивают, можно ли построить более качественную или простую модель

Благодаря использованию в алгоритмах техник Partial Derivative Function и Shap Values сложные BlackBox-модели автоматически интерпретируются на язык, понятный бизнес-пользователям.

Технологическое ноу-хау — использование технологий изоляции при запуске на Hadoop.

На ряд технологий, используемых в системе, поданы заявки на патенты.

Как это работает?

Бизнес-процесс

До проекта

  • Нет механизмов гибкого управления модельным риском
  • Только 50% моделей попадали под контроль
  • Время реагирования на инциденты могло доходить до нескольких месяцев
  • Необходим высокий уровень компетенций для работы с модельным риском

После проекта

  • Управление модельным риском автоматизировано
  • Разработана методология оценки уровня модельного риска, в том числе в денежном выражении.
  • Постоянный контроль качества 100% моделей и прогнозирование ухудшения их работы
  • Автоинформирование при выявлении потенциальных угроз
  • Снижены требования к уровню знаний, необходимых для использования инструментов управления модельным риском

Результаты

Бизнес-эффект

  • 100% моделей попадают под управление
  • на 50% сокращена себестоимость процесса проверки моделей (валидации)
  • в 12 раз выросла средняя частота проверок качества моделей и алгоритмов
  •  более 2 000 пользователей использую систему в своих процессах

Имиджевый эффект

  • Рост точности оценки уровня модельного риска
  • Увеличение скорости реакции на выявленные инциденты модельного риска
  • Система пилотируется в ряде других индустрий

ЧЕМ МЫ МОЖЕМ ВАМ ПОМОЧЬ?



Наши офисы