Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Технологии искусственного интеллекта в банковской сфере. Учебное пособие
.pdf
Глава 2
Помимо того что с каждым годом объем информации только увеличивается, а производительность НС требует постоянного улучшения, в последнее время значимость глубокого обучения становится наиболее ценной, поскольку это достижение
результатов, которые были невозможны ранее.
Глубокое обучение представляет собой совокупность алгоритмов машинного обучения, моделирующих абстракции высокого уровня с
использованием архитектур, состоящих из не-
скольких нелинейных преобразований [18].
Для беспилотных автомобилей это ключевая технология,
помогающая им распознавать дорожные знаки или отличать
пешехода от какого-либо иного предмета. Модели, как правило, обучаются на огромных наборах данных, с использованием
нейронно-сетевых архитектур, содержащих множество слоев.
В общем виде классифицировать нейронные сети
можно
следующим образом:
1. По способу обучения: с учителем, без учителя и с под-
креплением.
Обучение с учителем — подраздел машинного обучения,
применяемый для классификации и обработки данных, главной целью которого является построение алгоритма, способного, исходя из заранее подготовленных, помеченных данных,
выдать достаточно точный ответ какому-либо иному объекту.
Точность
ответов измеряется введением функционала качества, то есть средней ошибкой ответов по всей выборке, а сама
обучающая выборка и есть учитель или же тот, кто указал на
заданных объектах верные ответы.
Контролируемое обучение в основном используется для
решения двух типов задач: классификации и регрессии.
Для задачи классификации обычно строят алгоритм, соот
носящий произвольный объект из исходного множества к определенному классу. Алгоритмы классификации — это линейные классификаторы, метод опорных векторов (SVM), дерево
решений, метод k-ближайших соседей (KNN), случайный лес
(Random forest) и др.
-
21
Технологии искусственного интеллекта в банковской сфере
Регрессия используется для понимания отношений между
зависимыми и независимыми переменными. Популярными
алгоритмами регрессии являются линейная, логистическая и
полиномиальная регрессия.
Обучение с учителем помогает решить ряд проблем,
встречающихся в любом современном бизнесе. Наиболее частые способы применения алгоритмов контролируемого обучения:
— определение местоположения, классификация объектов
из видео или изображений;
— создание прогнозных
систем аналитики для обеспече-
ния глубокого понимания различных бизнес-процессов. Подобные информационные системы на основе заданных параметров позволяют предвидеть конечный результат, тем самым
помогая руководству принимать правильные управленческие
решения;
— анализ настроения клиентов. Извлекая важные части
информации, включая контекст, эмоции и намерения людей,
модель может лучше понять, что действительно
хочет, желает
клиент, и это ему предложить;
— обнаружение спама. Для эффективной сортировки электронной почты предприятия могут бороться со спамом, обучая
базы данных распознавать шаблоны или аномалии в новых,
входящих данных.
Бывают ситуации, когда объект выборки не содержит ответ, в этом случае используют обучение без учителя.
Для неконтролируемого обучения
создаются алгоритмы,
которые выполняют поставленную задачу без вмешательства
людей со стороны. Способность обнаруживать сходство и различия в информации делает его идеальным решением для разведочного анализа, перекрестных продаж и сегментирования
клиентов.
Некоторые из наиболее распространенных вариантов при-
менений обучения без учителя:
— классификация новостных разделов;
— компьютерное зрение;
22
Глава 2
— медицинская визуализация (НС могут точно диагностировать и выявить заболевания, патологии у пациентов и быстро назначить необходимое лечение);
— обнаружение аномалий (повышает осведомленность о
неисправном оборудовании, ошибках, допущенных людьми,
или о нарушении безопасности);
— рекомендации (опираясь на информацию о поведении
клиентов при покупке каких-либо товаров или услуг, программа
помогает в дальнейшем обнаружить тенденции, зави-
симости в данных).
В обучении с подкреплением учителя нет, обучаясь, система взаимодействует с некой интерактивной средой, используя обратную связь от собственных действий и опыта. Вместо
целевых сигналов для сети используется функция оценки (reward function), по которой проводится оценка качества работы
сети, при этом значения
на выходе оказывают влияние на поведение сети на вход. Максимизация ожидаемого совокупного
вознаграждения — это главная цель агента в обучении с подкреплением.
Рассмотрим несколько условий, при которых не рекомен-
дуется использовать данный способ обучения, а именно:
— если данных действительно много и решить проблему
можно с помощью контролируемого метода обучения;
— следует помнить, что вычисления в обучении с подкреп-
лением являются очень трудоемкими и сложными.
Сферы применения: робототехника для промышленной автоматизации, беспилотные автомобили, планирование бизнесстратегии, машинное обучение и обработка данных.
2. По способу настройки весов: фиксированные коэффици-
енты, динамические коэффициенты.
3. По типу решаемой задачи: прогнозирование и оценка
значений параметров,
распознавание образов, отбор информа-
тивных признаков, кластеризация, оптимизация.
Разновидность видов нейронных сетей возрастает экспоненциально, поэтому рассмотрим самые популярные.
23
Технологии искусственного интеллекта в банковской сфере
Персептрон.
Модель Perceptron, предложенная Розенблаттом, является
одной из самых простых и старейших моделей нейрона. Это
самая маленькая единица нейронной сети, которая делает
определенные вычисления для обнаружения функций или анализа во входных данных. Он принимает взвешенные входы, а
также функцию активации для получения вывода в качестве
конечного результата. Персептрон — это контролируемый ал
горитм обучения, который классифицирует данные на две категории, поэтому это двоичный классификатор [19].
Нейронная сеть с прямой связью.
Feed-Forward Neural Network (F-F NN) — простая форма
нейронной сети, позволившая добавить еще много скрытых
слоев, не беспокоясь о вычислительном времени. F-F NN также стал популярным благодаря открытию метода обратного
распространения ошибки Backpropagation Джеффом Хинтоном в 1990 г. Входные данные
поступают только в одном направлении, проходя через искусственные нейронные узлы и
выходя через выходные узлы. Скрытые слои могут отсутствовать. На основании этого они могут быть дополнительно классифицированы как однослойная или многослойная нейронная
сеть.
Из недостатков можно выделить следующее:
— нельзя использовать с последовательными данными;
— плохо работает с
изображениями.
Многослойный персептрон.
Многослойный перцептрон Румельхарта, или Multi-Layer
Perceptron (MLP), — глубокая искусственная нейронная сеть,
состоящая минимум из множества входных узлов, образующих входной слой для приема сигнала, одного или нескольких
скрытых и одного выходного слоя, который принимает решение или делает прогноз. Часто применяется в обучении с учителем, тренируясь на наборе пар
входных данных и учась моделировать корреляцию между этими входами и выходами.
Обучение MLP включает регулировку параметров, весов с целью минимизации ошибки.
-
24
Глава 2
В настоящее время MLP все так же используют для решения разнообразных сложных задач. В частности, они являются
универсальным аппроксиматором функций.
Сверточные нейронные сети (CNN).
Сверточные нейронные сети (ConvNet / CNN) — класс искусственных нейронных сетей, предложенный Яном Лекуном,
который обрел популярность в различных задачах компьютерного зрения [20]. Основное применение CNN находит в задачах по распознаванию
и классификации изображений, видео,
текста или звука.
Они особенно полезны для поиска паттернов, встречающихся на изображениях при распознавании лиц, объектов, тем
самым избавляют человека в ручном извлечении признаков.
Факторы, из-за которых данный тип нейросети стал востребованным:
— нейронная сеть сама извлекает признаки;
— показывает отличные результаты распознавания;
— может
быть предобучена для новых задач распознава-
ния в существующих сетях.
Рекуррентные нейронные сети.
Рекуррентная нейронная сеть (RNN) — тип нейронной сети, использующий последовательные данные или данные временного ряда. Эти алгоритмы глубокого обучения обычно
применяются в задачах, связанных с обработкой естественного
языка.
RNN работают немного иначе, чем традиционные глубокие нейронные сети
. Они принимают информацию от предыдущих входов, чтобы влиять на текущий ввод и вывод, то есть
зависят друг от друга, от предшествующих элементов в последовательности.
2.2. Примеры задач, решаемых в банковской индустрии
при помощи искусственного интеллекта
Рассмотрим основные задачи, которые уже решаются с
помощью нейронных сетей в банковской сфере.
25
Технологии искусственного интеллекта в банковской сфере
Сегментация клиентов и релевантные предложения.
Анализируя данные о покупках, транзакциях людей, банковские системы способны сегментировать и применять персонализированный подход к каждому клиенту. Например, если
раньше человек не имел автомобиль, но сейчас система отследила расходы на топливо, мойку и так далее, то теперь можно
судить о том, что у
клиента появилась машина и можно вы-
слать ему интересные, уникальные предложения.
Кредитный скоринг.
Кредитный скоринг — статистический анализ, проведенный финансовыми учреждениями с целью выдачи кредита физическому лицу или небольшому бизнесу.
Данный инструмент делит потенциальных заемщиков на
различные группы по уровню кредитоспособности. В его основе лежит математическая модель, определяющая
уровень
риска банкротства заемщика, исходя из различных показателей. Например, возраст, наличие высшего образования, количества детей, уровня заработной платы.
Чтобы оценить кредитоспособность клиента и убедиться в
его добросовестности, применяются не только традиционные
данные, но и графы связей потребителей, построенные на денежных переводах, информация из социальных сетей и мобильной
связи.
Отнесение заемщика к определенному классу является задачей классификации. Обычно для ее решения выбирают нейронную сеть прямого распространения, имеющую один скрытый слой — МLP.
Внутренний анализ работы сервисов банка.
Один из способов оптимизации работы сервисов банка —
анализ тональности текстов, ставший очень полезным инструментом для обработки мнений, выраженных
любым текстовым источником. Классификация текста по настроению — это
основная задача данного метода. Так, например, Nevbank, отслеживая положительные и отрицательные отзывы в Интернете, смог определить проблемные участки в своем отделении.
26
Глава 2
Выявление мошеннических операций.
Тема fraud detection (безопасность данных) до сих пор яв-
ляется наиболее актуальной в банковской индустрии.
Как правило, все мошеннические операции проходят по одинаковому сценарию, поэтому за счет наличия больших объемов данных нейронные сети научились отслеживать подозрительную активность, не соответствующую обычному поведению пользователя, и блокировать сомнительные действия.
Задача классификации п
рименима для большинства мето-
дов обнаружения мошенничества.
Персонализированный финансовый менеджмент.
Личный финансовый консультант может отслеживать доходы и расходы человека, планировать бюджет, вносить платеж по кредиту, оплатить коммунальные услуги, а банки в
свою очередь, на основе имеющейся информации, могут персонализировать различные скидки и услуги.
f
f
Технологии искусственного интеллекта в банковской сфере
Глава 3
МАШИННОЕ ОБУЧЕНИЕ
Машинное обучение — область научного знания / научная
дисциплина, которая имеет дело с алгоритмами, способными
обучаться. В данной главе будут рассмотрены основные методы машинного обучения, применяемые в том числе и в банковской сфере.
3.1. Классические методы машинного обучения
Линейный классификатор.
Простейший алгоритм машинного обучения контролируем. Дадим формальное определение ему, а также некоторым
связанным понятиям. Допустим, у нас есть некоторые объекты
произвольной природы, пусть они описываются n числовыми
характеристиками (признаками)
:
i
:,1,,
XRin
ii
где X — множество данных объектов; R — множество действительных чисел.
Множество
n
в данном случае называют пространством
R
решений.
Далее, пусть Y — это конечное множество некоторых
классов, на которые нужно разбить объекты. Им тоже можно
придать числовые характеристики. Для простоты возьмем случай двух классов (хотя, конечно, их может быть произвольное
количество):
{1, 1}Y
называется отображение
28
. Тогда линейным классификатором
:gX Y
:
n
f
f
x
(, ) () (, ),
gxw sign wf x w signxw
ii
i
0
Глава 3
(1)
где
признаку (данный параметр в терминологии машинного обу-
чения называется весом);
ного произведения вектора весов на признак описания объекта. При этом изначально считаем, что
оптимального вектора весов для уравнения (1) и минимизации
функции потерь, которая предназначена для измерения расхождения между фактическим и желаемым результатом. Подругому данный алгоритм называется линейной регрессией.
Для оптимизации применяются различные методы, при этом
выбираются различные функции потерь (это распространяется
и на другие
квадратическая ошибка или абсолютная ошибка. Также стоит
отметить метод градиентного спуска, суть которого заключается в следующем: нужно найти минимум функции
скорейшего возрастания функции, то оптимизацию нужно осуществлять в направлении антиградиента
нахождения минимума сводится к следующему: на каждом
шаге k вычисляется значение
— некоторый параметр, который присваиваем i-му
w
i
n
ww
В правой части уравнения (1) стоит функция знака скаляр-
Таким образом, задача классификации сводится к поиску
методы машинного обучения), например средне-
(): ,
n
xR R
Так как фактически градиент задает направление наи-
().
x
причем
1
kkkk
xx fxk
()fx
— вектор весов.
i
i
() 1fx
0
такая, что существует градиент
( ), 0,1...,
.
. Алгоритм
()fx
(2)
k
где
(например, делится каждый раз на некоторое число) или оста-
ется неизменным (в этом случае метод может расходиться).
Вычисление
выбирается на каждом шаге определенным образом
1k
и выбор следующих
k
проводится до тех
29
Технологии искусственного интеллекта в банковской сфере
A
A
B
B
P
B
пор, пока не будет выполнено определенное условие. Последнее вычисленное значение и будет точкой оптимума. Критериями остановки алгоритма могут послужить, например,
1kk
xx
положительное наперед заданное действительное число [21].
Байесовский классификатор.
Данный метод тоже применяется для классификации и основан на известной теореме Байеса:
или
1
kk
()() ,
fx fx
где — любое
|,
PAB
PB
PAPBA
где
роятность некой гипотезы
(после опыта) вероятность гипотезы
события
при истинностиA;
бытия
Если кратко описать суть метода, то она заключается в
следующем: для объекта, который необходимо классифицировать, вычисляются плотности вероятностей каждого из известных классов, далее по ним находятся апостериорные вероятности классов. В качестве класса, к которому относится объект, выбирается тот, у которого наибольшая
стериорная вероятность. Заметим, что есть целая группа байесовских методов, например линейный дискриминант Фишера,
квадратичный дискриминант и некоторые другие. Наиболее
известным является наивный байесовский классификатор, при
котором признаки рассматриваемых объектов предполагаются
независимыми. К положительным свойствам наивного байесовского классификатора относят высокую скорость мультиклассовой классификации, при допущении о
— априорная (до получения результатов опыта) ве-
PA
;
;
при любых условиях (полная вероятность).
— вероятность наступления события
|PBA
— вероятность наступления со-
B
|
(3)
— апостериорная
|PAB
в случае наступления
по значению апо-
независимости
30
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]