Система кредитования

Быстроденьги- это система мгновенного электронного кредитования. Сервис предлагает онлайн микрозаймы — от рассмотрения заявки до получения средств клиентом. Таким образом, клиенты получают займы без посещения офиса. Быстроденьги является выгодной альтернативой банковскому кредитованию, поскольку предоставляет возможность получить кредит онлайн в течение нескольких минут. Более того, компания предоставляет срочный кредит в тот же день в течение пяти минут без необходимости привлечения поручителей. Эта особенность важна для тех клиентов, которые нуждаются в кредите на короткий срок и хотят получить деньги быстро. Быстроденьги занимает лидирующие позиции среди всех микрофинансовых компаний России. Для подробной информации переходите по ссылке https://bistrodengi.ru/.

Быстрый, высокоавтоматизированный и точный процесс принятия решения

.

Клиенты Webbankir подают онлайн-заявку на получение займа и в случае одобрения получают деньги прямо на карту, не посещая офис или банковское учреждение. Это означает, что процесс принятия решения должен быть быстрым, высокоавтоматизированным и точным. Кроме того, процесс учитывает данные как от внешних поставщиков данных, так и историю клиента.

Для создания автоматизированного инструмента онлайн-заявки на кредит требовалось приложение для построения и проверки моделей машинного обучения. Инструмент должен был быть простым в работе, использовать визуальные методы разработки, то есть не требовать кодирования, включать широкий спектр встроенных моделей и алгоритмов и легко подключаться к различным источникам данных (в частности, к системам управления базами данных, таким как Amazon Redshift и PostgreSQL), а также к текстовым и Excel-файлам. Также требовалась интеграция с Python и R.

.

Единая визуальная среда для разработки и проверки моделей

KNIME был выбран потому, что он не только отвечал всем требованиям, но и был прост в использовании. Webbankir также смог успешно разрабатывать и проверять модели, потому что в KNIME есть все необходимые типы моделей в основных узлах или в расширениях. Это помогло решить одну из проблем предыдущей системы, которая заключалась в передаче готовых моделей из разработки в производство. В той системе модели были закодированы на языке, который не поддерживал инструменты машинного обучения — это означало, что реализация занимала много времени и часто содержала ошибки, которые можно было обнаружить только после длительного тестирования. В результате внедрение модели в реальный процесс принятия решений занимало от одного до двух месяцев.

Цель данного проекта была двоякой. Во-первых, создать полную систему управления решениями, включающую весь путь от разработки модели до ее внедрения — и позволяющую использовать любой класс модели. Во-вторых, сократить время, необходимое для внедрения модели, максимум до семи дней, чтобы гарантировать точный перенос модели из среды разработки в производственную среду и обеспечить возможность автоматизированного тестирования.

Проект включал интеграцию 1C (существующей системы принятия решений) с KNIME Server и создание нового сервиса принятия решений на основе комбинации KNIME Analytics Platform и KNIME Server. Этот новый сервис должен был заменить поток принятия решений для клиентов, заполняющих свою первую заявку на кредит в Webbankir. Он также станет частью решения для повторных клиентов. Кроме того, проект включал создание тестовой системы для автоматического тестирования функциональности такого сервиса.

Сервис для обработки 200 000 запросов в месяц менее чем за десять секунд на запрос

.

Сервис принятия решений должен был иметь API, работающий на облачной платформе с пропускной способностью не менее 200 000 запросов в месяц, пиковой нагрузкой до 5 000 запросов в час и средним временем выполнения не более 10 секунд. Важность этого проекта была значительной, поскольку крайне важно иметь возможность быстро и точно реагировать на изменения в среде. Например, в какой-то момент была добавлена новая скоринговая модель, чтобы точно настроить процесс принятия решений и снизить процент невыполнения обязательств. Раньше на это потребовалось бы до двух месяцев. Однако с новым процессом это заняло всего семь дней — включая разработку модели, передачу в производство и тестирование. В другом примере, из-за Covid-19, набор правил принятия решений был изменен пять раз за один месяц, и каждый раз на это уходило менее двух часов.

Рабочее решение

Проект начался с определения типа будущего сервиса (API) и последовательности реализации функциональности. Также были определены точки интеграции с существующей системой, а также наборы входных и выходных векторных данных. С точки зрения построения, были выполнены следующие ключевые этапы:

1. Интеграция с существующей/устаревшей системой принятия решений
2. Создание MVP — в данном случае API-сервиса со значениями выходных векторных полей по умолчанию
3. Внедрение моделей и расчет показателей, используемых в принятии решений, и запуск расчета в тестовом режиме, когда выходной вектор был фиксирован, но не участвовал в принятии решения
4. Реализуйте полную логику принятия решений в тестовом режиме
5. Начните использовать ответы сервиса в реальном процессе принятия решений
6. Создайте систему для автоматизированного тестирования сервиса

Сервис принятия решений работает на Amazon Web Services (AWS), что было определено как самый простой способ опробовать технологию. AWS предоставил Amazon Machine Image для KNIME Analytics Platform и экземпляр сервера с масштабируемой производительностью, что было важным моментом ввиду а) требуемой вычислительной мощности и б) необходимости быстро реагировать на изменения во внешней среде. Кроме того, учитывая деликатность данных, AWS позволяет контейнеризировать KNIME и обеспечить безопасность данных. Этот предварительно упакованный и заранее определенный экземпляр является экономически эффективным решением.

Что касается конкретной функциональности KNIME, интеграция с основной системой заключалась в использовании POST-запросов к службе API. Были использованы KNIME Server Connector, KNIME Server Executor, KNIME Python Scripting Extensions, а также узлы Palladian, Logistic Regression, Gradient Boosting, PMML, Workflow Control и др.

.

Увеличение доли полностью автоматизированных решений с 75% до 85%

Ранее время, необходимое для внедрения новых моделей, составляло от одного до двух месяцев. Теперь с помощью KNIME Analytics Platform это занимает от одного до семи дней. Новая услуга также полностью освободила одного разработчика программного обеспечения, который теперь может работать над другими важными задачами и инициативами. Это позволило сократить время принятия решений на 30% и увеличить долю полностью автоматизированных решений с 70% до 85%. В настоящее время разработанный сервис участвует в принятии решений более чем на 95% потока заявок.

Почему KNIME?

Изначально планировалось создать этот сервис с использованием Python, однако возникли трудности с переносом разработанных моделей. Кроме того, специалисты по анализу данных не могли работать самостоятельно, поскольку постоянно требовались разработчики программного обеспечения, что отнимало дополнительные ресурсы бизнеса. Одним из самых сильных аргументов в пользу выбора KNIME стала открытость и возможность считывать и работать со многими типами данных, интегрироваться с другими инструментами машинного обучения, а также автоматизировать принимаемые решения.

С точки зрения возможностей программного обеспечения, KNIME является одним из наиболее эффективных инструментов машинного обучения.

С точки зрения возможностей программного обеспечения KNIME позволяет использовать практически любой тип модели машинного обучения. Он также может выполнить практически любое преобразование данных, необходимое для конкретного проекта. Визуальный способ построения рабочего процесса с помощью перетаскивания не только ускоряет работу над моделями и процессами, но и позволяет некодерам работать свободно и независимо. Встроенные возможности инъекции кода Python позволяют пользователям реализовать преобразования (при необходимости), которые реализованы сложным или неочевидным образом с помощью стандартных узлов KNIME. Масштабируемость KNIME Server позволяет достичь желаемых результатов в плане нагрузки и скорости обработки, привлекая только те ресурсы, которые необходимы. KNIME Server также позволяет команде сосредоточиться на аспектах, связанных с машинным обучением, поскольку им не нужно беспокоиться о производительности и надежности.

С точки зрения бизнеса, KNIME позволяет сотрудникам команды по управлению рисками полностью самостоятельно внедрять логику принятия решений. Они могут разрабатывать и проверять модели, а также передавать эти модели в службу и изменять правила принятия решений. Модели переносятся с помощью файлов PMML, что обеспечивает корректную и быструю миграцию. Такой подход является эффективным и позволяет команде быстро и легко внедрять разработанную функциональность в производство. При необходимости команда KNIME предоставляет поддержку и руководство.

Реклама