MoneyСare внедрила инструменты машинного обучения

19 июня 2017 года компания Columbus сообщила о создании модели прогнозирования на основе облачного сервиса Microsoft Azure Machine Learning по заказу кредитного брокера MoneyCare. Технология помогает оценить вероятность положительного ответа банка на запрос кредита.

Задачи проекта

MoneyCare решила сократить количество анкетных данных до минимально необходимых с целью повышения конверсии кредитных заявок. Одновременно принято решение о создании модели прогнозирования вероятности положительного ответа банка. Задачу - определить минимальный набор данных и создать прототип, компания поручила консалтинговой компании Columbus.

Использование облачных решений позволяет быстро развернуть желаемую инфраструктуру с минимальными инвестициями. Облачные технологии открывают широкое поле для экспериментов и позволяют подбирать наиболее эффективные варианты самых инновационных решений. Например, использовать машинное обучение для прогнозирования, не вкладываясь в развитие вычислительных мощностей или аналитических инструментов. Евгений Лебедев, руководитель направления по развитию бизнеса облачных решений компании Columbus

Выбирая платформу машинного обучения специалисты MoneyCare остановились на облачном сервисе Azure Machine Learning.

Точное прогнозирование – ключевая ступень к успеху на финансовом рынке. Microsoft Azure Machine Learning предоставляет интерактивное визуальное рабочее пространство, упрощая создание, тестирование и самое главное развертывание для последующего использования моделей прогнозной аналитики. Татьяна Делягина, менеджер по продвижению Data Insight компании Microsoft

Ход проекта

На первом этапе был создан прототип классификатора в Azure Machine Learning, задача которого - отбор более 60% заявок на кредит с вероятностью одобрения более 80%. Используемые методы машинного обучения:

• дискриминантный анализ,
• регрессионный анализ,
• кластеризация,
• классификация на основе разделимости (SVM, ANN),
• алгоритмы сокращения размерности (PCA).

Вторая часть проекта - обучение сотрудников заказчика принципам работы совместная среда разработки для совершенствования прототипа. В этот этап вошло консультирование по настройке моделей в Azure Machine Learning, типовым задачам машинного обучения, определение дальнейших действий.Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft

Итог проекта

Несмотря на популярность темы, реализованных проектов по машинному обучению не так много. Во-первых, сказывается плохое качество исходных данных – информации, которая может быть использована для прогнозирования, зачастую просто нет. Вторая проблема – дефицит кадров. Можно спроектировать любой прототип, вопрос в том, кто его будет потом использовать. Нашей задачей было не просто создание модели прогнозирования при помощи средств машинного обучения - необходимо было обучить внутри заказчика специалиста Data Science, способного развивать модель, тестировать на ней новые гипотезы и адаптировать параметры к изменяющимся условиям внешней среды. Я думаю, у нас получилось. Роман Михайлов, директор практики информационно-аналитических систем компании Columbus