Деньги ведь что ёж, которого легко словить, но непросто удержать
Клавдий Элиан



 

Отзывы о банках


InfoBank.by – Все банки Беларуси  >  Эксперт: «Машинное обучение без приложения к решению конкретной задачи не имеет большого практического смысла»

Эксперт: «Машинное обучение без приложения к решению конкретной задачи не имеет большого практического смысла»

Размер шрифта:    Уменьшить шрифт  Восстановить исходный рзмер  Увеличить шрифт 
1367

27 июля 2018 года в Минске пройдет семинар-практикум на тему «Машинное обучение для руководителей»Семинар направлен на развитие практических навыков ТОП-менеджеров, лидеров цифровизации, руководителей проектных офисов банков и других компаний Перед мероприятием мы взяли интервью у бизнес-тренера Сергея Лукашкина.
 
Сергей Лукашкин, Директор по управлению проектами цифровой трансформации Банк ВТБ

— Сергей, добрый день. В одном из своих выступлений, вы говорили, что внедрение чат-ботов позволило автоматизировать до 50% диалогов. И это один из примеров проектов с машинным обучением. Машинное обучение всегда дает такой серьезный эффект?
 
— Да, часто машинное обучение может ощутимо повысить эффективность, потому что это хороший способ автоматизации сложных и нечетко описанных задач.
 
Так, задачи связанные с автоматизацией работы с текстом могут снизить расходы и позволить лучше обрабатывать входящий поток задач. Это и чат-боты, и автоматическое составление договоров, автоматическая проверка договоров, обработка звонков и многие другие.
 
Машинное обучение открывает новые возможности для работы с огромным объемом информации, с которым человек не сможет справиться.
 
Например, рекомендательные системы, которые позволяют повысить кросс-продажи, как раз работают на ML- алгоритмах. Таким образом, вы можете быстро увеличить дополнительные продажи в банке, внедрив алгоритм машинного обучения.
 
Если вы хотите узнать больше о реальных результатах применения ML в банках и получить навыки работы c машинным обучением, приходите к нам на вводное занятие 27 июля в Минске.  

— О машинном обучении для сотрудников банков в последние несколько лет говорят достаточно много. Какие перспективы открывает перед компаниями использование машинного обучения?
 
— Подходы с использованием машинного обучения или  ML (machine learning)  известны еще с 50-х годов прошлого века. Уже тогда были созданы первые самообучающейся программы. Например, программа Checkers-playing, которая умела играть в шашки или первый чат-бот ELIZA, способный имитировать диалог с психотерапевтом. Однако после 60-х годов наступила «зима искусственного интеллекта».
 
Новая волна интереса к искусственному интеллекту зародилась недавно, и она связана с накоплением огромного количества данных, без которых машинное обучение невозможно, и увеличением скорости работы процессоров.
 
По сути, машинное обучение позволяет проводить умную автоматизацию, т.е. автоматизировать процессы, которые раньше автоматизировать было сложно или невозможно. Например, сложные диалоговые системы или системы прогнозирования.
 
Эволюционировали не только компьютеры, но и сами языки программирования. Сейчас программирование стало более доступным и порог входа в специальность существенно ниже. Кроме того, языки для программ машинного обучения, такие как Python, позволяют писать меньше кода для программ, а значит скорость разработки выше, а расходов на это нужно меньше.
 
Это еще один важный момент, способствующий развитию и проникновению машинного обучения в компании.
 
— Что должен знать современный ТОП-менеджер банка об умных алгоритмах и искусственном интеллекте?
 
— ТОП-менеджеры должны  ориентироваться в алгоритмах машинного обучения.  Например, для решения вопросов покупки программного обеспечения, знания возможностей по оптимизации процессов и расходов и т.д.
Поэтому управленцам, принимающим решения и управляющим процессами, необходимо знать основные принципы машинного обучения, необходимы знания основных задач, которые можно решать с помощью этой технологии и понимание ограничения технологии.
 
Кроме того, гораздо проще работать с ТОП-менеджерами, которые понимают основы ML, у них правильные ожидания, с ними можно обсуждать проект более предметно, что повышает эффективность работы и позволяет получить лучший результат от внедрения. Именно поэтому наша команда разработала курсы по машинному обучению для ТОП-менеджеров в банках.
 
—  Для каких задач банки используют машинное обучение?
 
Машинное обучение используется для широкого спектра задач в банках.
 
Традиционно ML используется в скорринге клиентов при кредитовании.
 
В CRM системах, например, для определения риска оттока клиентов. А также для сегментации клиентской базы.
 
В системах информационной безопасности для определения отклонений и аномального поведения пользователей.
 
Для оптимизации рекламных кампаний в социальных сетях.
 
Все, что связано с чат-ботами и разговорными интерфейсами. В простой версии, просто подсказки для операторов call-центров
 
 


— А какие виды машинного обучения бывают?

 
— Из основных можно рассказать о задачах регрессии, классификации и кластеризации.
 
Задача регрессии может применяться, например, для определения стоимости квартиры. Скажем, у нас известны параметры квартиры, такие как, место нахождения, этаж, район, наличие рядом остановки общественного транспорта и т.д. Мы можем построить такую модель регрессии, которая для конкретной квартиры даст оценку ее стоимости.
 
Классификация относит объект к уже известным классам. Например, распознавание текста. Каждая буква представляет класс, и машинное обучение пытается понять, к какому классу относится та или иная картинка. Картинка с буквой «К» будет относиться к классу букв «К».
 
Кластеризация это автоматическое разбиение элементов некоторого множества на группы или, по-другому, кластеры по принципу схожести.
 
Это далеко не исчерпывающий перечень задач, которые решает машинное обучение. Подробнее как решают эти задачи, мы будем говорить на мастер-классе в Минске 27 июля.
 
 — Как правильно организовать проект по машинному обучению в современном банке? Где брать данные для машинного обучения?
 
— Действительно, само машинное обучение без приложения к решению конкретной задачи не имеет большого практического смысла.
 
Поэтому большое внимание нужно уделять управлению проектом машинного обучения, они имеют некоторые особенности. Для описания цикла ML-проектов существует методология CRISP-DM, где прописаны основные шаги.
 
Особенности проектов ML в том, что надо работать с данными. Данные часто в неподготовленном для работы виде, их нужно уметь обрабатывать.
 
Кроме того, нужно уметь подбирать признаки объектов и создавать модели, а это задача скорее творческая, чем четко прописанная. Многое делается на основании имеющегося опыта, поэтому специалисты в этой области ценятся высоко.
 
— Где банку искать сотрудников при подготовке проектов по машинному обучению?
 
Готовых кадров мало и они стоят дорого. Поэтому мы выращиваем такие кадры у себя. Опытные сотрудники банка хорошо знают специфику деятельности, и, научившись внедрять проекты с машинным обучением, они получают возможности развития в своем банке. И банку выгодно обучить ключевых сотрудников команды азам управления проектами и быстро получить бизнес-результат от внедрения ML. Так что это ситуация, когда и банки и сотрудники выигрывают.
 
Потребность в специалистах в области машинного обучения будет только расти. Для людей, которые заботятся о своем будущем, важно уже сейчас учиться машинному обучению, чтобы быть востребованными завтра. Вам не обязательно быть лучшим специалистом по машинному обучению в стране и лично писать код Phyton, но уметь поставить задачу подрядчику, говорить с исполнителями на одном языке и проконтролировать ход работ — необходимый навык.
 
Именно поэтому, мы проводим вводный курс по машинному обучению 27 июля в Минске.

Всего за один день вы получите структурированное представление о технологии и конкретных примерах ее использования в банках, научитесь понимать принципы работы алгоритмов ML и их интеграции в существующие IT-системы.
 
 
Краткая программа курса семинара-практикума «Машинное обучение для руководителей», который пройдет 27 июля 2018 в Минске:
 
Модуль 1. Введение в ML
Что такое машинное обучение и какие задачи оно решает
Виды задач машинного обучения
Сложные модели. Бустинг и нейронные сети
CRISP-DM
 
Модуль 2. Управление ML-проектом
Фазы проекта по машинному обучению.
При каких условиях ML работает
Чем отличается ML-проект от обычного проекта
Инфраструктура и информационная безопасность в ML проектах
Где взять данные для проекта по машинному обучению
 
Модуль 3. Моделирование
Что такое моделирование
Построение и проверка гипотез
Feature engineering
Особенности машинного обучения
Тестирование моделей
 
Модуль 4. Команда ML-проекта
Команда проекта
Типовые задачи и требования к ролям
Где искать сотрудников
Как отбирать сотрудников
On Boarding

Время и место проведения:  
27 июля 2018 г, г. Минск, ул. Нарочанская, 6, конференц-зал гостиницы «Славянская».

Ориентировочный тайминг мероприятия:
9-30 – 10-00 Регистрация участников, приветственный кофе.
10-00 – 18-00  Программа семинара
13-00-14-00  Обед 

Условия участия:
С собой можно взять ноутбук!
Стоимость входного билета – 538 BYN
В стоимость семинара входят методические материалы, сертификаты, обеды и кофе. 

Скидки:
При регистрации двух участников – 5%, трех и более участников – 10% 

 
За дополнительной информацией, пожалуйста, обращайтесь к администратору мероприятия Ирине Сенько.

Тел. +375 17 256-17-71, -72 (город)
Тел. +375 29 653-38-11 (велком),
e-mail: [email protected]


Источник: www.infobank.by

Понравилось? Отправь друзьям!


Оставить комментарий
  
Комментариев нет