Поделиться
Павел Балтабаев: Значимость навыков программирования в разработке продуктов на основе ИИ возрастает
Согласно опросу среди руководителей крупнейших мировых компаний, проведенному в рамках исследования McKinsey, около 40% организаций планируют увеличить свои инвестиции в Искусственный Интеллект. Среди индустрий, ожидающих наибольший рост от внедрения генеративных моделей ИИ, можно выделить фармацевтическую, образовательную и банковскую сферы. В связи с этим эксперты по аналитике и ИИ становятся незаменимыми. CNews побеседовал с Павлом Балтабаевым — специалистом международного уровня по анализу данных в крупнейших банках. Вместе с командой он разработал модели прайсинга депозитов и ряд моделей моделей кредитных рисков, которые уже приносят значительные результаты в банковской сфере, а своим бесценным опытом эксперт делится с коллегами, реализуя образовательные программы на предприятиях. Павел рассказал нашей редакции о своем пути в Data Science, значимых проектах и вызовах, с которыми он сталкивается, а также о том, какие навыки необходимы для успешной карьеры в этой динамично развивающейся области.
CNews: Павел, как вы оцениваете перспективы и вызовы, связанные с внедрением искусственного интеллекта в банковском секторе в России в 2024 году?
Павел Балтабаев: Внедрение искусственного интеллекта в банковский сектор России в 2024 году обещает значительные изменения и улучшения. Основные перспективы связаны с повышением эффективности бизнес-процессов, улучшением качества обслуживания клиентов и снижением операционных рисков. ИИ может существенно ускорить обработку данных, автоматизировать рутинные задачи и обеспечить более точные прогнозы. Однако, существуют и вызовы, среди которых можно отметить необходимость масштабной адаптации технологий под существующие системы, обеспечение кибербезопасности и защиты данных, а также обучение персонала новым навыкам. Сложность также заключается в том, что многие банки пока не готовы к полному переходу на цифровые технологии и требуют времени для адаптации и внедрения ИИ-решений в свои процессы.
CNews: Вы успели поработать с десятками различных моделей машинного обучения в крупнейших банках США, России и СНГ, а сегодня строите успешную карьеру в Нью-Йорке и продолжаете внедрять ИИ в банках по всему миру. А с чего начался ваш путь в мир аналитики и искусственного интеллекта? Какие ключевые моменты повлияли на ваше решение выбрать эту карьеру?
Павел Балтабаев: Безусловно, именно математическое образование заложило основы для моей карьеры. С этой точки зрения можно сказать, что мой путь начался задолго до этого, как я узнал о мире Искусственного Интеллекта — во времена учебы в физико-математическом лицее и университете. С раннего возраста я увлекался точными науками, успешно выступая на различных олимпиадах, но также интересовался миром экономики и бизнеса. Однако, ключевым моментом для принятия решения о профессии стало изучение ряда прикладных дисциплин по выбору на математическом факультете ВШЭ. В частности, большое впечатление на меня произвел курс по машинному обучению. Как оказалось, математика может быть не только абстрактной, но и крайне эффективно использоваться в реальном мире.
Уже тогда во многих задачах модели ИИ умели предсказывать события лучше человека — это не могло не удивлять. На время моего обучения пришелся бум Data Science, на волне которого я успешно нашел несколько стажировок, после чего я решил вспомнить о своей старой мечте — поработать в стратегическом консалтинге. Так, после выпуска из университета я попал в компанию «Большой Тройки», где мне удалось совместить и математические навыки, и интерес к прикладным бизнес-задачам. После первых проектов я начал фокусироваться на банковском секторе, где проходило множество цифровых трансформаций с применением аналитики, машинного обучения и искусственного интеллекта.
CNews: Очевидно, что ваша работа с банками требует точных и эффективных моделей. Например, разработанная вами модель прайсинга депозитов помогает банковским клиентам снизить свои процентные расходы, а финансовым организациям оставаться более конкурентными в период нестабильности. Можете рассказать, как вам пришла такая идея?
Павел Балтабаев: Эта модель была создана во время цикла активного подъема ставки Федеральной резервной системы в США. Модель является внутренней разработкой моей компании под кодовым названием PriceOptimizer. В основе данного инструмента лежат алгоритмы машинного обучения, натренированные на исторических данных десятка американских банков и сотен тысяч депозитов их коммерческих клиентов. Прайсинг коммерческих депозитов для разных клиентов может значительно отличаться, процентные ставки на счетах колеблются от 1% до 5%, и зачастую определяются индивидуально клиентскими менеджерами. Здесь в качестве подсказчика на помощь приходит Искусственный Интеллект, который подскажет, кому из коммерческих клиентов важно поднять ставку, чтобы сохранить баланс, а кому процентный доход не так принципиален. Поэтому такой инструмент как PriceOptimizer способен увеличить чистый процентный доход коммерческих депозитов, измеряемый от нескольких до десятков миллионов долларов в зависимости от размера портфеля.
CNews: Еще один инструмент вашей разработки был внедрен в двух крупных российских банках — проект трансформации кредитных рисков, который помогает банкам оценить платежеспособность заемщиков на основе внутренних данных и данных кредитных бюро. Какие основные вызовы вы встретили при оптимизации кредитных воронок, и как вам удалось их преодолеть?
Павел Балтабаев: Большинство изменений в процессе кредитных рисков встречают серьезное сопротивление, поскольку по-настоящему оценить их влияние можно будет лишь спустя 6-12 месяцев, когда в портфеле новых выдач начнут появляться основные дефолты. Поэтому для принятия решений требуется серьезный статистический анализ. К сожалению, банки зачастую не имеют достаточно информации на основе собственных выдач кредитных продуктов, чтобы полноценно оценить каждое из риск-правил. Не говоря уже о том, что сама по себе выборка банка на основе одобренных заявок, как правило, является смещенной в том смысле, что во время процесса принятия решений упускаются из виду часть добросовестных клиентов. Здесь на помощь рисковикам приходят кредитные бюро, которые собирают информацию о заемщиках по всей стране. В ходе серии проектов в нескольких российских банках нам с коллегами удалось сформировать специальный подход по оптимизации кредитной воронки на совместных данных банка и кредитных бюро, что позволило нам преодолеть основные вызовы, с которыми сталкиваются рисковики. В ходе оптимизации на основе статистического анализа пересматривается набор рисковых правил и переобучаются скоринговые модели машинного обучения. Таким образом, банки перестают отказывать надежным заемщикам и начинают более точно угадывать будущие дефолты. Это позволяет поднять сквозную конверсию кредитной воронки без увеличения риска.
CNews: Ваша экспертиза заинтересовала профессиональное сообщество и вас пригласили в судейство на внутренних проектах по обучению Data Science для металлургической компании. Можете поделиться с нами, какие критерии вы используете для оценки проектов и команд, и какие наиболее значимые результаты вы можете отметить?
Павел Балтабаев: Мы обучали Data Science около тысячи человек по всей организации, от начальников цехов до СЕО. Мы разделили всех участников на команды и проводили еженедельный подсчет результатов на основании выполнения заданий по пройденным темам и активности на лекциях. При подготовке материалов я заранее придумывал задачи для участников, которые покрывали различные темы по анализу данных, статистике, машинному обучению и нейронным сетям, а затем проверял присланные решения от команд и обновлял рейтинг. Ключевым критерием при выставлении оценок была степень понимания пройденного материала, правильность полученных ответов на задачи. Благодаря соревновательному духу и вовлеченности менеджмента, нам удалось получить высокую активность на лекциях и полноценное выполнение заданий от десятков команд. Наиболее успешные участники получили различные призы, связанные с темой цифровизации и анализа данных.
CNews: О проектах, к которым вы приложили руку, мечтают многие начинающие специалисты. Но подобные разработки требуют обширных знаний и навыков. Что, по вашему мнению, является ключевым для успеха в области аналитики и искусственного интеллекта?
Павел Балтабаев: На данный момент сфера искусственного интеллекта переживает период бурного роста, поэтому умение быстро учиться становится как никогда актуальным: каждый месяц в индустрии появляются новые технологии и наработки. По этой же причине, как и прежде, важно иметь сильную математическую базу, особенно для задач в области аналитики. Отдельно отмечу рост значимости программирования и разработки, поскольку это основные навыки для создания продуктов на основе ИИ. На сегодняшний день модели машинного обучения встраиваются в сложные системы софта различных приложений, поэтому количество инженерных задач, связанных с программированием, возрастает.
Короткая ссылка
