О докладе:
Работа с качеством данных актуальна не только для задач моделирования, но и в целом для тех, кто использует data-driven подход. Задача поиска новых решений работы в этом направлении стала особенно острой для Газпромбанка при работе с оттоком с помощью ML-подходов, где был найден значительный бизнес-эффект. Такие модели характеризуют продуктовое поведение человека. Для их вывода в промышленную эксплуатацию необходимо поддерживать витрину с фичами по каждому клиенту. Это тысячи колонок с признаками миллионов клиентов по состоянию на каждый месяц за несколько лет. Как поддерживать качество данных на приемлемом уровне при таком объеме и при вечном недостатке ресурсов? Ни один алгоритм поиска аномалий не справится с таким объемом данных, а отсматривать каждый признак на тысячах графиках проблематично и трудозатратно.

Основная идея в том, что нужно не рассматривать фичу поклиентно, а представить распределение переменной за каждый временной срез через описательные статистики. Из-за неоднородности этих описательных статистик и других причин мы выбрали ML-метод Isolation Forest в качестве core для самого алгоритма ранжирования аномальностей — в докладе мы поговорим о преимуществах и ограничениях данного метода в качестве core алгоритма. А также обсудим, почему Isolation Forest не работает просто на статистиках и зачем требуется дополнительная ранжирующая функция аномальности и алгоритм интерпретации результата?

В финальной части доклада я расскажу, как мы применяем данный алгоритм, о развитии фич нашего решения, об эффекте от его внедрения в прод и почему мы выбрали эту тему для доклада HIGHLOAD++.

Целевая аудитория:
Big Data аналитики и разработчики, data officer, data scientists, data driven менеджмент

О докладе:
Чаще всего дежурства on-call / pagerduty-форматов назначают в дополнение к рабочим часам. Это негуманно и неоптимально, так как:

— люди выгорают;
— люди делают ошибки;
— люди воспринимают это как повинность.

Такой подход малоэффективен в системе, где клиент ждет моментального ответа и быстрой починки. Тем более инженеры в ней сами заинтересованы.

Внешние стимулы или наказания работают плохо. А если создать отдельную линию поддержки, цепочка только удлинится и процесс починки станет еще дольше.

В докладе я расскажу о том, как подошел к решению этой проблемы в команде, работающей с казначейством.

В результате ребята:
— рады делиться друг с другом знаниями по системе и предметной области;
— обслуживают систему рационально: когда надо — автоматизируют, когда надо — вручную;
— работают без овертаймов и выгорания;
— не разделяют себя и опсов, нет «пинг-понга»;
— отвечают за качество, и это в радость.

Целевая аудитория:
Тимлиды, разработчики.

В банке активно идет цифровая трансформация продуктов и бизнес-процессов, запускаются новые продукты для клиентов. Банки сегодня больше, чем финансовые институты. Накапливается все больше данных, что позволяет автоматизировать и эффективнее выстраивать процессы.

Новые вызовы для бизнеса сегодня — внедрение актуальных научных достижений в бизнес-процессы компании. Такие решения, которые стоят на острие науки и технологий, позволяют увеличивать эффективность, а клиентам получать новый клиентский опыт.

Технологии ИИ помогают основным направлениям в Банке выстраивать эффективнее свою работу.
Традиционные направления — это риски и борьба с мошенничеством, также персонализация предложений для клиентов, их удержание, автоматизация различных внутренних процессов в Банке.

Направления, которыми занимаемся:
* риски. Построение более точных скоринговых моделей;
* антифрод. Распознавание мошеннических событий;
* привлечение клиентов. Построение различных моделей для определения склонности клиента к различным банковским продуктам;
* отток клиентов. Построение моделей, прогнозирующих продуктовый отток;
и др.

О себе - тож типа выпада:
Руководитель отдела искусственного интеллекта Газпромбанка, преподает курсы по машинному обучению и искусственному интеллекту на факультете компьютерных наук НИУ ВШЭ, МГТУ им. Н.Э.Баумана и Сириусе.
Победитель и призер российских и международных хакатонов и соревнований по машинному обучению, входит в топ-100 международного рейтинга Kaggle специалистов по машинному обучению.