Как ИИ помогает принимать стратегические решения

Люди эмоциональны и потому необъективны. Ты вкладываешься в проект, в который веришь, он приносит убытки и нет никаких причин, чтобы ситуация поменялась в будущем. Но ты продолжаешь верить, что проект вот-вот «выстрелит», и сжигаешь в нем все больше денег.

Было бы классно, если бы в этот момент кто-то мог бы честно и непредвзято проанализировать ситуацию и дать совет. Это вполне мог бы быть искусственный интеллект – чего у него точно нет, так это когнитивных искажений. Он оперирует только фактами.

Как раз такую задачу мы решали для «Сбера». Нужно было разработать систему для топ-менеджеров, которая помогала бы им принимать обоснованные объективные решения. Для работы мы использовали фреймворк CRISP-DM (Cross-industry standard process for data mining):

Определили бизнес-задачу. Мы определили ключевые процессы, на основе которых топ-менеджмент принимает решения, и согласовали методологию расчета KPI для каждого процесса. Например, мы проанализировали шаги выдачи кредитной карты — от получения клиентской заявки до активации карты. А затем написали KPI по всем этапам — время обработки заявки, процент одобрений и т.д.

Получили текущие данные по процессам. Это было сложно — пришлось искать в нескольких системах и договариваться с менеджерами. Но мы справились!

Привели данные в единый формат. Данные были неполными и в разных форматах. Мы очистили их и дополнили сведениями из дополнительных источников.

Построили ИИ-модели для прогнозирования метрик. Сделали это на основе полученных данных и выработанных KPI. Логистическая регрессия показала неплохие результаты.

Провели A/B-тестирование моделей, разделив данные на контрольную и тестовую группы. Сравнили эффективность модели с текущими показателями и убедились в ее надежности. Также проверили, чтобы модели соответствовали требованиям безопасности банка.

Внедрили модели в промышленный контур банка и настроили мониторинг качества. Чтобы модели не деградировали со временем, разработали процесс регулярного переобучения, используя MLOps-практики.

Также мы учли сложные взаимосвязи между процессами, чтобы предсказывать комплексные события. Например, рынок меняется из-за макроэкономических процессов, и это влияет на внутреннюю работу банка.

Чтобы связать модели и спрогнозировать влияние одного процесса на другой, мы использовали композитное моделирование и инструменты автоматического машинного обучения FEDOT и LightAutoML.

Конечно, ИИ пока не способен заменить людей в принятии решений. Но он может стать помощником, если вы хотите принимать бизнес-решения не на основе убеждений и интуиции, а руководствуясь точными и непредвзятыми данными.

#кейсы