from 01.01.2020 to 01.01.2021
Moscow, Russian Federation
from 01.01.2013 until now
Lyubercy, Moscow, Russian Federation
VAC 08.00.05 Экономика и управление народным хозяйством (по отраслям и сферам деятельности, в том числе: экономика, организация и управление предприятиями, отраслями, комплексами; управление инновациями; региональная экономика; логистика; экономика труда; экономика народонаселения и демография; экономика природопользования; экономика предпринимательства; маркетинг; менеджмент; ценообразование; экономическая безопасность; стандартизация и управление качеством продукции; землеустройство; рекреация и туризм)
VAC 08.00.10 Финансы, денежное обращение и кредит
VAC 08.00.13 Математические и инструментальные методы экономики
VAC 08.00.14 Мировая экономика
UDK 33 Экономика. Экономические науки
GRNTI 06.81 Экономика и организация предприятия. Управление предприятием
OKSO 38.04.01 Экономика
BBK 65 Экономика. Экономические науки
Background. Currently, artificial intelligence (AI) and machine learning are frequently implemented into the corporate structure and are aimed to transform the risk management system. Not only AI is useful for detection the interconnections between business processes, but also allows to accurately predict financial indicators and the reasons for possible deviations from standard values. Thus, the implementations of artificial intelligence and machine learning mechanisms makes it possible to increase the efficiency of operational activities and detect hidden risks. Method. The article discusses the main types of risks, identidication and minimization of which can be carried out using machine learning and also reveals key difficulties that arise while introducing innovative mechanisms into the structure of risk-management. The scientific novelty of the work lies in the relevance of using artificial intelligence mechanisms while minimizing the risks of an economic entity, as well as in identifying the main incentives for the efficient usage of machine learning in risk management. Result. As a result, the potential of introducing innovative methods into the structure of risk management to improve the efficiency of operating activities was revealed. Conclusion. In the process of the methodological study, the features of the application of machine learning methods in the risk management process were identified, moreover the article main limitations and possibilities of using artificial intelligence in order to minimize risks were revealed.
machine learning; risk management; risk models; innovation; risk management strategies
Риск — это сложное явление: проявление рисков в различных областях и отраслях деятельности очень специфично, присутствует необходимость разностороннего изучения теории риска и управления рисками в целом. Существует огромное количество видов рисков, а также факторов (источников) их возникновения, что снижает прогнозируемость риска и последствий его реализации. Существующий подходу к их учению проблемы акцентируют внимание на негативной и положительной сторонах риска: риск может привести к неблагоприятным последствиям или наоборот способствовать возникновению положительного эффекта. На базе данной закономерности строится концепция соотношения риска и доходности, которая характеризует тесную взаимосвязь роста доходности с повышением уровня риска. [4]
Можно сделать вывод о том, что, отказываясь от риска, невозможно получить возможную прибыль. Риск в таком случае выступает в роли толчка для предпринимательской инициативы, а не нежелательным явлением. «Получение прибыли всегда сопряжено с определенным уровнем риска. Прибыль – своего рода награда за риск, и чем выше риск, тем выше ожидаемая прибыль» [2].
Существует ряд рисков, которые можно минимизировать, используя методы машинного обучения. В сфере оценки и управление риском машинное обучение относительно новое изобретение. Современные компании сталкиваются более чем с 20 видами рисков, которые необходимо идентифицировать и управлять, чтобы избежать возможные финансовые потери. Искусственный интеллект здесь значительно быстрее и точнее может оценить возможные риски со всех сторон, значительно быстрее, чем человек, проанализировать неструктурированные данные из различных источников.
Основная категория – это кредитные риски, то есть возможность обслуживать кредиторскую задолженность компанией. Кредитный риск — это экономические убытки, возникающие из-за невыполнения контрагентом своих договорных обязательств из-за повышенного риска неисполнения обязательств в течение срока операции. Для моделирования кредитного риска как правило используются классические линейные, логит и пробит-регрессии. Однако в настоящее время компании проявляют повышенный интерес к использованию технологий искусственного интеллекта и машинного обучения для улучшения практики управления кредитным риском, частично из-за свидетельств неполноты традиционных методов. Факты свидетельствуют о том, что возможности управления кредитным риском можно значительно улучшить за счет использования методов искусственного интеллекта и машинного обучения благодаря его способности семантического понимания неструктурированных данных.
Использование искусственного интеллекта и машинного обучения для моделирования кредитного риска - явление не новое, хотя и набирающее обороты. Так в 1994 году Э. Альтман и его коллеги впервые провели сравнительный анализ традиционных статистических методов прогнозирования бедствия и банкротства и альтернативного алгоритма нейронной сети и пришли к выводу, что их комбинированный подход значительно повысил точность [3].
Управление операционным риском подразумевает, что фирма стремится идентифицировать риск прямых или косвенных финансовых потерь, возникающих в результате множества потенциальных операционных сбоев. Эти риски могут быть внутренними по отношению к учреждениям (например, неточности внутренних процессов и организационных систем) или от внешних событий (например, мошенничества, уязвимых компьютерных систем, сбоя в контроле, операционных ошибок, или стихийное бедствие). Учитывая увеличение количества, разнообразия и сложности подверженности операционным рискам это открыло путь к решениям на основе искусственного интеллекта и машинного обучения.
Прежде чем искусственный интеллект и методы машинного обучения для управления рисками смогут полностью раскрыть свой потенциал, необходимо решить ряд важных практических вопросов. Наиболее важным из них является наличие подходящих данных. Хотя пакеты машинного обучения для Python и R могут легко считывать все типы данных из Excel в SQL и могут выполнять обработку естественного, скорость, с которой были предложены решения для машинного обучения, не поспевает за способностями фирм надлежащим образом организовать внутренние данные, к которым у них есть доступ.
Другой вопрос - наличие квалифицированного персонала для внедрения этих новых технологий. Согласно результатам опроса Института статистических исследований из 90 крупных организаций работодателей в сфере робототехники у 61% наблюдается недостаток квалифицированных кадров для работы с внедрёнными системами искусственного интеллекта. [11]
Есть также практические вопросы относительно того, насколько точны на самом деле решения машинного обучения. Диапазон подходов к тестированию, доступных в рамках машинного обучения, быстро растет, и это хорошо, но это также обусловлено очевидными ограничениями предыдущих методов и необходимостью преодоления этих ограничений. Это говорит о том, что предприятия не могут просто «применить» решение для управления рисками машинного обучения, а скорее, что это непрерывный процесс, требующий постоянной оценки того, считается ли их конкретное решение машинного обучения в настоящее время передовой практикой.
Из данного тезиса вытекает последняя важная проблема - прозрачности и этики, которую решения на основе искусственного интеллекта должны решать в дальнейшем. Прозрачность особенно важна для глубокого обучения, поскольку модели работают на скрытых слоях между входными данными и выходным решением. Система черного ящика такого типа не способствует эффективному надзору за рисками и может вызвать проблемы с соблюдением нормативных требований, особенно в отношении демонстрации достоверности модели. Более гипотетическая проблема, связанная с этим, заключается в том, что модели, используемые разными фирмами, могут сходиться на схожих оптимумах для торговли, вызывая систематический риск, а также убытки для фирмы.
Оставив пока эти важные вопросы в стороне, стоит рассмотреть будущую роль искусственного интеллекта и машинного обучения в управлении рисками с более позитивной точки зрения. Один очевидный вывод состоит в том, что длительный и дорогостоящий характер управления рисками значительно уменьшится. [10]
Способность искусственного интеллекта и машинного обучения автоматизировать повторяющиеся задачи, а также организовывать, извлекать и кластеризировать нетрадиционные данные в режиме реального времени принесет экономическую выгоду компаниям, которые все больше продвигаются в этой области. Следующим шагом от получения информации о принимаемых рисках в режиме реального времени является упреждающее уведомление о рисках.
В настоящее время искусственный интеллект и машинное обучение все сильнее внедряются в корпоративную структуру предприятий и трансформируют систему риск-менеджмента. Прежде всего современные технологии внедряются в целях обнаружения взаимосвязей между бизнес-процессами, более точного прогнозирования финансовых показателей и причины возможных отклонений от нормативных значений. Таким образом внедрение искусственного интеллекта и механизмов машинного обучения позволяет повысить эффективность операционной деятельности, обнаружить скрытые риски и благодаря этому выявить перспективные направления для развития бизнеса.
Машинное обучение в общем понимании делится на две широкие категории: контролируемые и неконтролируемые механизмы. Контролируемые механизмы машинного обучения и искусственного интеллекта используются для анализа и тестирования входящей информации. Спектр механизмов машинного обучения включает множество различных аналитических методов, применимость которых зависит от типа статистической задачи: регрессии, классификации и кластеризации. Проблемы регрессии и классификации можно решить с помощью контролируемого машинного обучения; кластеризация — это подход неконтролируемых механизмов. Визуальные составляющие данных исследований позволяют эффективно проанализировать возможные исходы любой рисковой ситуации и обнаружить созависимые механизмы. [5]
Одним из стимулов для более широкого применения искусственного интеллекта в процесс оценки рисков предприятия является практика применения внутренних рейтинговых моделей в организациях. В связи с нестабильным финансовым положением на рынке, начиная с 2008–2009 годов было введено множество новых правил и мер надзора, которые потребовали от экономических субъектов представлять более подробные и более частые данные по большему количеству аспектов своих бизнес-моделей. В соответствии с новыми требованиями организации сообщают о крупных рисках, показателях ликвидности, обеспечении и уровне капитала. В сегменте финансового сектора также широко распространена методика стресс-тестирования, позволяющая оценивать и прогнозировать изменения внутренних свойств объекта исследования. Это делает стресс-тестирование важнейшим элементом прогнозирования и оценки финансовой устойчивости. [15]
Для сбора высококачественных структурированных данных надзора на практике применяются более традиционные методы машинного обучения. Для добычи высокочастотных источников «Big Data» низкого качества применяются методы глубокого обучения, подобные Google, и нейронные сети, которые справляются с этими данными благодаря своей способности к обучению. Технологии больших данных уже начинают внедрять во многие сферы бизнеса. Например, разработанная модель прогнозирования способствовала оптимизации работы банкоматов Райффайзенбанка. Анализ проводился на базе крупной выборки, состоящей из 2000 банкоматов и их первичных характеристик: местоположение, режим работы, возможность выдачи наличных средств. Коненой целью внедрения данной модели является уменьшение отклонений прогноза на спрос на 30% и снижение прямых издержек, связанных с работой банкомата на 15%. [7]
Практически все аспекты бизнес-модели экономических субъектов регулируются и контролируются с помощью подробных показателей риска, поэтому управление корпоративными финансами организаций все чаще становится вопросом оптимизации с учетом сотен ограничений. Чтобы конкурировать эффективно, им необходимо найти этот оптимум, а также проанализировать данные о потребителях, чтобы получить детальное представление о предпочтениях и поведении клиентов. После наблюдения успешной практики внедрения механизмов искусственного обучения в корпоративную систему финансовых организаций, данные методики получили большое распространение и стали использоваться во множестве других индустрий на рынке. Однако многие предприятия пока опасаются внедрять подобные механизмы из-за заблуждения в их высокой себестоимости и ресурсоемкости.
Таким образом, в настоящее время наиболее распространенные механизмы машинного обучения внедряются во все сегменты бизнеса в целях более четкой идентификации и устранения рисков. Однако, внедрение подобных методов работы все еще является инновационным и не доработанным механизмом, что также может привлечь к сбоям работы. Рассмотрим ключевые проблемы, возникающие при использовании систем машинного обучения, и проанализируем пути их решения:
1. Интерпретируемость.
Алгоритмы со сложно-структурированными моделями подвергаются рискам не точной интерпретации со стороны аналитического сегмента компании. Таким образом, неверная расшифровка данных, предоставленных в построенной модели, может привести к неверному управленческому решения, что в свою очередь может даже ухудшить текущую ситуацию.
В целях упрощения интерпретируемости алгоритма для небольшого количества входных данных используют линейные модели, которые обладают точным методическим обоснованием и легко поддаются расшифровке. При анализе больших объемов данных, необходимо построение сложно-структурированной модели.
2. Зависимость от контекста.
Так как машинное обучение и искусственный интеллект в своем применении базируются на аналитике входных данных и напрямую зависят от доступности информации для последующей оценки. Зачастую, проблемы возникают в связи с режимом защиты информации или сложностью хранения данных в базах. Подобная ситуации наиболее характерна для организаций, где большой объем информации находится в закрытом доступе или наоборот может содержать множество разнородных переменных, которые сложно классифицировать и сгруппировать.
На данном этапе ключевой задачей является предварительная оценка входной информации и ее тщательная фильтрация для использования в модели наиболее важных переменных.
3. Чувствительность к изменению данных и переобучение.
При выборе модели, которая будет использоваться для оценки рисков, нужно обратить внимание на модели с низкой вероятностью переобучения. Данная проблема возникает при необходимости использования специального программного обеспечения для полной расшифровки результатов выстроенной модели данных. Также, важно своевременно адаптировать систему к изменчивым условным параметрам или случайным закономерностям.
Для решения данного ряда проблем используют методы перекрестной оценки, правильной настройки критериев и применения ансамблей алгоритмов, которые своевременно будут обнаруживать ошибки модели и сбои в интерпретации информации и поможет спрогнозировать эффективность использования машинного обучения в ближайшем будущем.
В процессе аналитики входящих данных необходимо также избавиться от ложных сигналов и перманентно исключать малозначительные детали из выстроенной модели. На данном этапе принято использовать облачные сервисы такие как Oracle Cloud Service или Identity and Access Management (IAM). Подобные системы напрямую извещают системы управлений базами данных (СУБД) об аномальных событиях или возможных рисках, позволяя своевременно внести необходимые корректировки. Облачные программы позволяют также отслеживать новые SQL-запросы и выявлять потенциальные угрозы. [14]
После автоматизации составления кластеров данных необходимо не только составить релевантный шаблон, учитывающий все повторяющиеся события и их воздействие на благосостояние предприятия, но и трансформировать шаблоны в статистические модели. Задача регрессионной модели – оценить входные данные и проанализировать взаимосвязь параметров. Однако, важно автоматизировать изменения модели в зависимости от новых неисследованных ранее кластеров данных. После составления адекватной модели становится возможным прогнозировать влияние тех или иных факторов на ключевые бизнес-процессы с необходимой для этого погрешностью. На данном этапе также используются алгоритмы CART – позволяющие выстраивать дерево решений, производя разделение параметров по модальным признакам. Более того подобные алгоритмы подразумевают автоматизированный прирост источников информации, что предотвращает риски сбоя в системе. [1]
Рисунок 1 – Блок-схема последовательности использования алгоритмов искусственного интеллекта
Таким образом, машинное обучение и искусственный интеллект в сфере риск-менеджмента открывает для бизнеса множество возможностей. Однако, как и любое инновационное направление, требует постоянной актуализации и доработки. Для наиболее эффективной работы с подобными механизмами необходима предварительная подготовка системы и рабочего персонала к их использованиям. Аналитические исследования, модели и гипотезы, предоставляемые машинным обучением, должны быть корректно интерпретированы и проанализированы управленческим сегментом компании в целях устранения ошибок. Несмотря на высокую себестоимость внедрения искусственного интеллекта в бизнес-модель компании, подобные механизмы позволяют прогнозировать влияния любых внешних факторов на работу экономического сегмента, оптимизируя операционную деятельность и максимизируя потенциальную прибыль.
1. Gruzdev A.V. Application of the CART algorithm for banking scoring problems // Financial risk management. - 2012. - №3. - pp. 174-189.
2. Goncharov, D.S. An integrated approach to risk management for Russian companies / D.S. Goncharov. - M .: Vershina, 2008 .-- 224 p.
3. Igor Ansoff: Strategic management. Part V. Strategic response in real time. Chapter 5.1. Management response to unexpected changes - Humanitarian portal (gtmarket.ru)
4. Lisitsa M.I. Assessment of profitability and risk of financial investments: textbook. SPb .: Publishing house of the University under the IPA EurAsEC, 2018.21 p. - (Series "Textbooks of the University at the IPA EurAsEC").
5. Machine learning in marketing - how will it help your business? [Electronic resource] // Access mode: https: //digitalcontact.com/ru/byog/mashinnoe-obuchenie-v-marketinge-chem-ono-pomozhet-vashemu-biznesu/
6. Melnik, M. V. Modernization of accounting, analytical and control processes in the context of digitalization of the economy / M. V. Melnik, A. E. Suglobov // Problems of Economics and Legal Practice. - 2021. - T. 17. - No. 2. - S. 117-126.
7. Muzalev, S. V. Analysis of the risks of entrepreneurial activity in modern conditions / S. V. Muzalev // New models of socio-economic development of the state: collection of articles of the International Scientific and Practical Conference, Samara, April 01, 2018. - Samara: Limited Liability Company "Aeterna", 2018. - S. 130-134.
8. Muzalev, S. V. Risk management system in the organization / S. V. Muzalev // Human capital as a factor of innovative development of society: Collection of articles of the International Scientific and Practical Conference, Ufa, April 03, 2018. - Ufa: Limited Liability Company "OMEGA SINCE", 2018. - pp. 94-97.
9. Neural networks for transactions: how does “big data” work in Russian banks? [Electronic resource] // Access mode: http://www.forbes.ru/ tehnologii / 341517-neyroseti-dlya-tranzakciy-kak-na-dele-rabotayut-bolshie-dannye-v-rossiyskih-bankah.
10. General theory of risks: a textbook for students of higher educational institutions / Ya.D. Vishnyakov, N.N. Radaev. - M .: Publishing Center "Academy", 2007. - 368 p.
11. Robotics: the need of organizations for scientific personnel and competencies [Electronic resource] // Access mode: https://issek.hse.ru/news/206083579.html
12. Suglobov, A. E. Network model of the Russian national innovation system: formation and development / A. E. Suglobov, E. V. Smirnova. - 2nd edition, revised and enlarged. - Moscow: Publishing House "Infra-M", 2018. - 145 p. - (Scientific thought). - ISBN 978-5-16-013745-2.
13. Characteristics of the innovation development of Russia's industrial enterprises under conditions of economic sanctions / M. Y. Veselovsky, N. S. Khoroshavina, O. A. Bank [et al.] // Journal of Applied Economic Sciences. - 2017. - Vol. 12.- No 2 (48). - P. 321-331.
14. Oracle: Machine Learning Adaptive Analysis: The Future of Cybersecurity (URL: https://www.oracle.com/a/ocom/docs/ai-security_whitepaper.pdf)
15. Quagliariello M. (2009). Stress-Testing the Banking System: Methodologies and applications. Cambridge: Cambridge University Press
16. Scenarios of Future Development of the Modern Digital Economy: Technical Progress vs / S. V. Lobova, A. V. Bogoviz, A. E. Suglobov [et al.] // Modern Global Economic System: Evolutional Development vs. Revolutionary Leap: Lecture Notes in Networks and Systems (LNNS, Volume 198). - Cham: Springer Nature, 2021. - P. 1170-1178.
