Исследование поддержал Российский научный фонд, а его результаты опубликовали в журнале International Journal of Information Management Data Insights.

Банки уже давно используют искусственный интеллект (ИИ) для анализа данных и прогнозирования. Например, ИИ помогает разбираться в финансовых транзакциях — переводах денег между людьми и компаниями. С его помощью можно предсказать, когда компания окажется на грани банкротства или когда клиент не сможет погасить кредит. Также нейросети выявляют мошенничество: например, если со счета списывают крупную сумму, что нехарактерно для владельца, или если звонят с подозрительных номеров. Еще ИИ помогает банкам предлагать клиентам персонализированные услуги, учитывая их потребности.

Но для решения разных задач нужны разные данные. Например, иногда важно смотреть на локальный уровень — отдельные операции за короткий период. А иногда нужно анализировать глобальный уровень — всю историю транзакций клиента. Проблема в том, что существующие алгоритмы умеют работать только с одним из этих уровней, поэтому не справляются со всеми задачами одинаково хорошо.

Исследователи из Лаборатории искусственного интеллекта Сбербанка и Сколтеха предложили новый метод обучения нейросетей, который учитывает оба уровня. Они разделили задачи на три типа:

1. Глобальные: например, оценка возраста клиента, его платежеспособности или уровня удовлетворенности услугами банка. Эти характеристики почти не меняются со временем.
2. Локальные: например, выявление мошеннических транзакций. Здесь важно быстро реагировать на резкие изменения в поведении клиента, например, если он вдруг начинает совершать операции из другой страны.
3. Динамические: задачи, которые требуют учета изменений в поведении клиента со временем.

Ученые протестировали множество современных моделей для анализа данных и на основе результатов разработали новый подход. Его суть в том, что при анализе учитывается не только информация о конкретном клиенте, но и данные о других клиентах, особенно тех, кто похож на него. Это помогает учитывать общие тенденции и улучшает качество прогнозов. В некоторых случаях точность моделей выросла на 20%.

Андрей Савченко, научный директор Лаборатории искусственного интеллекта Сбербанка, рассказывает:

Раньше большинство задач, с которыми мы работали, были глобальными. Но мы решили заранее подготовиться и найти алгоритмы, которые справятся и с локальными задачами. И оказалось, что сейчас как раз таких задач становится все больше. Получилось, что мы уже готовы к тому, что только начинает появляться. Это, на мой взгляд, главное преимущество нашей работы.

Алексей Зайцев, руководитель проекта, добавляет:

Нейронные сети уникальны тем, что они универсальны и могут адаптироваться к разным задачам. В этой работе мы смогли описать множество задач и предложить решения, которые хорошо работают во всех случаях. Особенно горжусь тем, что нам удалось учесть поведение похожих пользователей — это значительно улучшило качество моделей. Но на этом мы не останавливаемся: планируем применять наш метод для новых типов данных и повышать устойчивость нейросетей к аномалиям.

Ранее мы опубликовали 10 банковских инноваций и трендов, актуальных в 2025 году.