Предварительный анализ процесса

Рассмотрим подробнее, как система автоматического кредитования может заменить собой кредитных специалистов.

Если рассматривать кредитных специалистов как некий «черный ящик», то мы можем видеть, что на вход нашего «черного ящика» подается определенный набор значений или данных о клиенте. Кредитные специалисты обрабатывают эти данные с учетом некоторых внешних факторов, таких как курс рубля, стабильность определенной сферы деятельности на рынке и.т.д. И на выходе у нас получается готовый продукт с определенными правилами или просто правила кредитования. Необходимо заметить, что набор продуктов кредитования крайне ограничен и кредитные специалисты для каждого нового клиента просто подбирает подходящий продукт из списка предложенных и лишь в небольшой окрестности изменяют основные правила. При помощи нашей системы предполагается реализовать алгоритм не просто выбора продукта кредитования из списка, а создания нового продукта для каждого клиента с учетом его особенностей. Что могло бы заметно увеличить прибыль для банка и удобство использования продукта клиентом.

Как было замечено выше, задача кредитных специалистов заключается в сопоставлении входным данным некоего конечного продукта. Т. е. кредитные специалисты выполняют роль отображения переводящего множество клиентов с определенным набором параметров в множество кредитных продуктов. Это отображение очень трудно для формализации. Скорее всего это логика принятия решения по каждому конкретному клиенту. Таким образом, перед нашей системой стоит обычная задача принятия решения на основании определенной логики.

Рассмотрим некоторые методы используемые в СППР:

• 1) Интеллектуальный анализ данных (ИАД);
• 2) Рассуждение на основе прецедентов;
• 3) Имитационное моделирование;
• 4) Генетические алгоритмы;
• 5) Искусственные нейронные сети;

Рассмотрим подробнее каждый из методов, отметив его плюсы и минусы:

Интеллектуальный анализ данных.

Интеллектуальный анализ данных представляет собой процесс обработки крупных наборов данных с целью обнаружения пригодных для использования сведений, а так же выявления скрытых закономерностей и тенденций. Может применяться для задач прогнозирования, оценки вероятностей и рисков, группирование заказчиков или событий на кластеры связанных элементов, для дальнейшего анализа и прогнозирования. ИАД может применяться лишь как вспомогательный метод при принятии решения.

Рассуждение на основе прецедентов.

Метод рассуждения на основе прецедентов ищет решение путем поиска и адаптации аналогичных проблемных ситуаций в базе, хранящей прошлый опыт решения задач. К основным недостаткам метода относится неумение обобщать данные, а так же сложность процессов поиска подобных случаев и адаптации решения.

Имитационное моделирование.

Имитационное моделирование позволяет смоделировать поведение системы во времени. Работу такой смоделированной системы можно замедлять или ускорять для лучшей оценки процесса. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. Но для использования этого метода необходимо четко понимать структуру процесса, а в нашей задаче логика кредитования трудно формализуема.

Генетические алгоритмы.

Генетические алгоритмы это алгоритмы поиска, используемые для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. Построение модели логики кредитования при помощи генетических алгоритмов будет очень трудоемкой задачей т.к. моделирование происходит путём случайного подбора параметров, а логика кредитования очень сложна.

Искусственные нейронные сети.

Нейронные сети нелинейные по своей природе, что и позволяет при помощи нейронных сетей моделировать сложнейшие процессы. Еще одна особенность нейросетей заключается в механизме обучения. Пользователю нет необходимости формализовывать логику процесса или явления для построения модели объекта. Необходимо лишь подбирать необходимые данные и запустить обучающий алгоритм, настраивающий необходимые параметры сети без участия пользователя.

Пользователю необходимо знать лишь о том, как правильно подготавливать и отбирать данные, выбирать необходимую архитектуру нейронной сети и интерпретировать полученные результаты. Так же следует заметить, что уровень знаний, требующийся пользователю для успешного применения нейронной сети, намного меньше, чем, при использовании традиционных методов.

Ввиду умения нейросетей повторять сложные логические связеи и легко обучаться, для реализации системы автоматического кредитования считаю наиболее целесообразным выбрать именно метод искусственных нейронных сетей.