Внедрение искусственного интеллекта в механизм скоринг моделей коммерческих банков

Содержание

Введение

1. Теоретические основы скоринга в коммерческих банках

• 1.1 1. Виды и понятие кредитного скоринга.
• 1.2 Методология и факторы скоринговых моделей
• 1.3 Особенности построения и внедрения скоринговых систем в банковской практике

2. Анализ практики применения ИИ в скоринг‑моделях ПАО Сбербанк

• 2.1 Организационно‑экономическая характеристика ПАО Сбербанк:

Масштаб деятельности и доля на рынке розничного кредитования.

Цифровая стратегия банка до 2026 г.

Инфраструктура данных для машинного обучения

• 2.2 Текущая скоринг‑система Сбербанка:

Архитектурные особенности (микросервисы, ETL‑процессы).

Используемые источники данных (кредитная история, транзакции, цифровые следы).

Показатели эффективности (NPL, одобрение/отказ, ROE).

• 2.3 Опыт внедрения ИИ‑решений в скоринг:

Примеры реализованных моделей (ансамбли XGBoost/LightGBM, нейросетевые предикторы).

Интеграция с платформой «СберАналитика».

Кейсы снижения дефолтов за 2021–2024 гг.

3. Оптимизация скоринг‑модели Сбербанка с применением ИИ: предложения и оценка эффективности

• 3.1 Направления совершенствования скоринг‑системы:

Включение альтернативных данных (соцсети, телеком‑сигналы).

Применение трансформерных архитектур для анализа текстовых заявок.

Реализация Explainable AI (XAI) для интерпретации решений.

• 3.2 Методический инструментарий разработки модели:

Этапы предобработки данных (импутация, кодирование, балансировка классов).

Выбор метрик оптимизации (AUC‑ROC, KS‑статистика, Gini).

Валидация на отложенной выборке и стресс‑тестирование.

• 3.3 Экономико‑технологическая оценка предложений:

Расчёт ROI от внедрения (снижение потерь, рост одобрений).

Оценка рисков (смещение моделей, кибератаки, регуляторные штрафы).

Дорожная карта внедрения (пилотный этап, масштабирование, мониторинг).

Заключение

Список литературы