Ученые Центра практического искусственного интеллекта Сбербанка совместно с командой Sber AI разработали новый подход к работе с цифровыми поведенческими следами — FinTRACE. Научная статья, подготовленная под руководством исполнительного директора по исследованию данных Центра практического искусственного интеллекта Сбербанка Максима Макаренко принята на 49-ю международную конференцию ACM SIGIR по исследованиям и разработке в области информационного поиска.
В основе решения лежит новая технология, которая превращает произвольные истории финансовых операций в структурированную базу знаний о поведении человека, его паттернах и правилах. Затем эту базу используют для рассуждений большой языковой модели. Такой единый и многократно используемый слой интерпретируемых поведенческих привычек помогает ИИ качественнее работать с длинными и нерегулярными последовательностями событий, где смысл распределен во времени, суммах, категориях покупок и множестве других признаков.
«Для нас было принципиально важно обратиться к человеку, а не просто к цифрам. Увидеть его потребности за огромным массивом информации. Для этого нужно по-новому выстроить общение с искусственным интеллектом — не пытаться скармливать ему горы транзакций как бессвязный текст, ведь за каждой операцией стоит живой человек.
Новый подход FinTRACE помогает искусственному интеллекту сначала увидеть целостную картину — устойчивые паттерны, привычки, финансовые стратегии — и только потом принимать решение. Это значит, что человек сможет получить более персонализированное предложение или справедливую оценку рисков даже в тех случаях, когда данных о похожих людях очень мало. Банки смогут быстрее замечать потенциальные трудности своих клиентов и предлагать помощь на ранних этапах. А главное, человек больше не будет чувствовать себя перед "черным ящиком" — объяснимость решений становится неотъемлемой частью технологии», — рассказал директор Центра практического искусственного интеллекта Сбербанка Николай Тиден.
Отмечается, что банки, финтех-компании и платежные сервисы смогут использовать FinTRACE как универсальный слой поверх любых событийных данных. Прогнозирование оттока, кредитный скоринг, маркетинговые кампании, персонализация предложений и комплаенс-контроль — для всех этих задач больше не нужно будет перестраивать систему с нуля. Крупные банки и экосистемы, где множество сценариев опирается на одни и те же цифровые поведенческие следы клиентов, смогут создавать более гибкие, экономичные и адаптируемые ИИ-модели. Подобные подходы можно применять в том числе для улучшения прогнозирования в медицине (на основе данных о визитах к врачу и анализах). В результате можно будет диагностировать заболевания на ранних этапах и эффективнее планировать лечение.
Для научного сообщества работа открывает новые горизонты в соединении информационного поиска, объяснимых правил и рассуждений больших языковых моделей применительно к структурированным временным данным.