Исследователи из Лаборатории искусственного интеллекта Сбербанка и «Сколтеха» разработали метод обучения нейросетей, благодаря которому алгоритмы могут учитывать одновременно локальные и глобальные уровни данных по банковским операциям.

Авторы предложили методологию оценки нейросетевых моделей для задач обработки последовательностей событий. Задачи были разделены на три типа: глобальные, локальные и динамические.

Глобальные требуют оценки некоторой общей характеристики последовательности, которая почти не меняется за рассматриваемый промежуток времени: возраст клиента, платежеспособность, удовлетворенность услугами банка. Локальные и динамические опираются на некоторую характеристику, которая постоянно меняется во времени, например, предсказание следующего события, требуют, чтобы нейросеть могла быстро реагировать на резкие изменения поведения клиента, к примеру, детекция смены страны жительства.

На всех вышеперечисленных задачах был протестирован широкий набор передовых методов. Исходя из результатов, была разработана новая методика анализа последовательных данных. Такой подход улучшает метрики моделей на всех предложенных задачах, в некоторых случаях с отрывом в 20%.