Документ обсуждает применение искусственного интеллекта в кредитном скоринге, акцентируя внимание на значении машинного обучения и нейронных сетей. Исследование включает анализ влияния лицевых характеристик заемщиков на их кредитоспособность, с использованием большого объема данных и методов предсказания. Также рассматриваются этические аспекты внедрения технологий и потенциал экономической выгоды для финансового сектора.

1. Искусственный интеллект в кредитном скоринге

2. Что такое искусственный
интеллект?
Роботы?
Программы?
Распознавание
объектов, речи,
etc?
Машинное
обучение?
Искусственный интеллект – совокупность его разделов

3. «ИИ» в кредитном скоринге
Искусственный интеллект в
кредитном скоринге
Машинное обучение
(application,
behaviour scoring)
Feature Engineering and
Selection Нейронные сети
Две основные проблемы:
•Проблема качества модели (методология)
•Проблема данных (новых, качественных фич)

4. Предпосылки исследования:
 Черты лица, в свою очередь, зависят от генов.
Согласно Гарвардскому исследованию близнецов: 1/3 поведения формирует генетика,
2/3 - воспитание и характер
Могут ли черты лица влиять на кредитоспособность?

5. Проверка гипотезы:
 На микрофинансовом сегменте: выборка данных – 632 000 займов
 Набор переменных: id заемщика, пол, возраст, регион, объем займа, срок займа,
показатели просрочки, фото заемщика, показатели кредитной истории,
макроэкономические переменные и т.д.
 Обучающая выборка - 80% от общего объема займов
 Тестовая выборка – 20% от общего объема выборки

6. Обучение Предсказание
Распознаем лица и опорные точки
Подсчет пропорций
Добавление остальных переменных
Обучение моделей
Отбор лучшего ансамбля
Проверка на тестовой выборке
Распознаём лицо
Добавляем «переменные»
Подаём на вход обученной модели
Получаем результат

7. Нюансы:
1. Повороты головы
2. Несколько лиц на
фото
3. Разное расстояние до
объекта
4. Низкое качество

8. Только фото:
Повороты головы негативно сказываются на
прогноз, так как при поворотах приходится
представлять голову (лицо) в 3d, что
негативно влияет на восстановление
расположения основных лицевых фич

9.  Пол+возраст+сумма займа+фото.
С дополнительными
переменными:

10. Паспорта vs реальные фото
 В случае с паспортами мы имеем: унифицированное расстояние,
отсутствие поворотов головы.
 … НО
 Разный возраст
 Отсутствие эмоций и мимики
 Плохое качество сканированных копий
Фотография заёмщика при
получении кредита является более
предпочтительной, чем скан
паспорта, ввиду вышеизложенных
факторов

11. Результаты модели
 Общий прирост точности за счет машинного обучения
 Прирост точности на 1,5% при включении лицевых фич

12. Этично или нет?
 Любой скоринг при выдаче кредита – дискриминационный процесс, в связи с
вышесказанным - вполне этично.

13. Перспективы использования
технологии:
 Общая просроченная задолженность на 1 января 2017 года –
2,7 триллиона рублей
 Потенциал ежегодной экономии по РФ приблизительно 40,5
млрд. рублей

14. О нас
 FscoreLab
 data science компания, специализирующаяся на создании
нетривиальных алгоритмов для повышения точности кредитного
скоринга на стыке машинного обучение и компьютерного зрения
 Никита Николаев
Директор FscoreLab
СПБГЭУ, директор бизнес школы Grand School, со-основатель
системы дистанционного обучения Grand Class