Как одним нажатием кнопки обучить модель, получив на выходе не «чёрный ящик», а готовый инструмент оптимизации реальных бизнес-процессов, рассказывает Валерий Смирнов, руководитель отдела монетизации нейронных сетей, Альфа-Банк.
— Как возникла идея автоматизации моделирования?
В. Смирнов: С 2021 по 2023 год количество ML-моделей, задействованных в бизнес-процессах банка, увеличилось в восемь раз, и сейчас они помогают в решении огромного количества задач: оптимизации процессов привлечения клиентов и различных внутренних процессов (модели геоаналитики, подбора персонала), управления рисками, моделирования жизненного цикла клиентов и пр. При этом многие задачи по-прежнему ждут появления своих моделей.
Этому можно было бы радоваться, если бы не одна проблема: как только мы переводим задачу в термины машинного обучения, начинается бесконечная и однообразная рутина — собираем целевую переменную, берём фичи, хорошо показавшие себя в соседних задачах, выбираем одну из немногочисленных реализаций бустинга и в автоматическом режиме подбираем гиперпараметры. И чтобы масштабировать ML-модели на основную часть бизнес-задач, нужно провести бесконечное множество таких итераций.
При этом нельзя забывать об исследованиях новых источников, обновлениях работающих в проме моделей во избежание их деградации и экспериментах с новыми подходами.
Ситуация становилась критичной, и мы пришли к логичному выводу, что сейчас самое время задуматься об автоматизации процессов внутри банковского Data Science.
— Как вы определили, что момент настал?
В. Смирнов: Для полноценной автоматизации нужна определённая зрелость инфраструктуры. За последние годы у нас:
— появилась единая система исполнения моделей (СИМ);
— организовано единое пространство разработки моделей (Model Development Platform — MDP);
— создан Feature Store — единое пространство для работы и хранения тысяч признаков для ML-моделей.
Количество фичей и источников в Feature Store стремительно растёт: только за прошедший год оно увеличилось в три раза, и сейчас общий счёт перевалил за 10 тыс. Количество моделей в СИМ за этот же период выросло в 15 раз.
— Какие этапы жизни ML-моделей можно автоматизировать?
В. Смирнов: Типичный жизненный цикл модели машинного обучения состоит из четырёх этапов:
— постановка бизнес-задачи;
— подготовка данных;
— моделирование;
— эксплуатация.
Постановку бизнес-задачи мы пока автоматизировать не можем — она находится в зоне ответственности бизнеса и датасаентистов.
В отношении прочих этапов уже наметился прогресс...
Продолжение читайте на https://futurebanking.ru/post/4089
