Разработка AI-системы анализа кредитоспособности с ML-скорингом

Традиционный скоринг (FICO, НБКИ) оценивает лишь одного из пяти заёмщиков с тонким кредитным файлом — остальные получают отказ или высокую ставку. По данным FICO, охват thin file редко превышает 30%. ML-модели с альтернативными данными позволяют захватить нелинейные сигналы: например, регулярные пополнения депозита или стабильную подписку на сервисы. Мы имеем 8+ лет опыта встраивания таких моделей в production — это даёт прирост Gini на 15–25 п.п. относительно регрессии. По нашим наблюдениям, ML-скоринг сокращает число пропущенных дефолтов в 2-3 раза по сравнению с традиционными методами, а экономия на рисковых потерях может составлять до 25% от портфеля просрочки. Средняя стоимость пилотного проекта — от 500 000 до 1 500 000 рублей, при этом окупаемость обычно наступает в течение первого года за счёт снижения потерь.

Какие данные делают модель точнее?

Традиционные кредитные данные — история платежей, загруженность лимита, запросы. Без них не обойтись, но их недостаточно для thin file.

Альтернативные источники:

• Транзакции через Open Banking (стабильность получения и трат, накопления).
• Телефонные метаданные (регулярность пополнений, оператор).
• Поведение в браузере (с согласия заёмщика).
• Подтверждённая занятость.

Сравнение подходов:

ML-скоринг с альтернативными данными не просто улучшает метрики — он даёт бизнесу доступ к новым сегментам клиентов, которые ранее были исключены. В частности, ML-скоринг охватывает в 3 раза больше thin-file заёмщиков по сравнению с традиционным скорингом.

Как мы строим production-ready модель?

Используем LightGBM с временным сплитом (TimeSeriesSplit), калибровку изотонической регрессией и аудит fairness. Также применяем fine-tuning гиперпараметров с помощью Optuna для достижения максимального Gini. Пример пайплайна:

import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit
from sklearn.calibration import CalibratedClassifierCV

credit_features = ['dpd_30d','dpd_60d','dpd_90d','utilization','num_accounts']
transaction_features = ['avg_income_3m','income_stability','gambling_ratio']
all_features = credit_features + transaction_features

model = lgb.LGBMClassifier(n_estimators=500, learning_rate=0.01, num_leaves=63,
                           min_child_samples=50, colsample_bytree=0.7,
                           class_weight='balanced', random_state=42)
tscv = TimeSeriesSplit(n_splits=5)
scores = cross_val_score(model, X[all_features], y, cv=tscv, scoring='roc_auc')
calibrated_model = CalibratedClassifierCV(model, method='isotonic', cv=3)

После калибровки модель выдаёт корректные вероятности дефолта, что критично для принятия кредитных решений.

Explainability: почему отказ?

Каждый отказ сопровождается SHAP-разложением — топ-3 негативных фактора и их численный вклад.

import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_single)
negative = sorted(zip(features, shap_values[1]), key=lambda x: x[1])[:3]
# Вывод: высокая загруженность лимитов, короткий стаж, просрочки 24м

Это обязательное требование для регуляторов (ECOA, GDPR). Мы гарантируем compliance с любыми местными нормами.

Fairness: как не допустить дискриминации?

ML-модели могут воспроизвести исторические смещения. Обязательные шаги:

• Disparate Impact: approval rate по группам не должен отличаться >20%
• Equalized Odds: TPR/FPR одинаковы для всех групп
• Proxy detection: адрес не должен быть proxy на этничность

Мы используем adversarial debiasing и ревьюфинг — это часть нашей экспертизы. Дополнительно проводим fairness-аудит с отчётом, который можно предоставить регулятору.

Мониторинг: когда переобучать модель?

После деплоя отслеживаем PSI (Population Stability Index). При PSI > 0.25 — переобучение. Также делаем vintage analysis: сравниваем дефолты когорт по месяцам выдачи. В кризис динамически калибруем baseline default rate.

Пошаговый процесс внедрения ML-скоринга

1. Аудит данных и feature engineering (2–4 недели). Оцениваем доступные кредитные и альтернативные источники.
2. Разработка baseline-модели на исторических данных (2–3 недели). Проверяем прирост Gini.
3. Оптимизация гиперпараметров и fine-tuning модели (1–2 недели). Используем Optuna.
4. Калибровка вероятностей и fairness-аудит (1 неделя).
5. Интеграция в IT-инфраструктуру (API или батч-скорринг) и деплой (3–6 недель).
6. Настройка мониторинга PSI, vintage и fairness (1–2 недели).
7. A/B-тест и финальная настройка (4–8 недель).

Что входит в нашу работу по ML-скорингу?

• Аудит доступных данных и feature engineering (включая альтернативные источники)
• Разработка baseline-модели и финальной production-версии
• Интеграция модели в вашу IT-инфраструктуру (API, батч-скорринг)
• Дашборды мониторинга PSI, vintage и fairness
• Полная документация и обучение команды (2-3 дня воркшопов)
• Поддержка на этапе A/B-теста и первого месяца после деплоя

Сроки и стоимость

Сроки: от 4 до 8 месяцев в зависимости от объёма данных и требований к регуляторному review. Пилотный проект на 2-3 месяца позволяет быстро проверить гипотезы. Экономия на рисковых потерях от внедрения ML-скоринга обычно окупает проект в течение первого года. Свяжитесь с нами для аудита ваших данных и расчёта точной стоимости внедрения.

Почему стоит начать с пилота?

Пилот на 2-3 месяца даёт:

• Проверку прироста Gini на ваших данных
• Оценку эффекта от альтернативных данных
• Прототип модели для внутренней презентации
• Понимание объёма работ для полного внедрения

Получите консультацию — оценим потенциал ML-скоринга на ваших данных. Свяжитесь с нами для запуска пилотного проекта.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.