ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ У БАНКІВСЬКОМУ СЕКТОРІ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ПРИЙНЯТТЯ РІШЕНЬ

DOI: 10.31673/2412-4338.2022.027685

Анотація

В статті розглянутий сучасний банківський сектор у контексті його трансформації через інтеграцію машинного навчання (ML). Цей процес став ключовим для визначення нових шляхів оптимізації та автоматизації фінансових операцій. На першому етапі дослідження проведено глибокий аналіз існуючих методик прийняття рішень в банках, їхньої ролі в сучасних умовах та можливості заміни людської участі на алгоритми. Оцінка та розрахунок показників продуктивності ML моделей виявили деякі проблеми, такі як перенавчання та відсутність прозорості, але також вказали на значні переваги перед традиційними системами.
При виборі типів засобів для забезпечення і реалізації ML, було виявлено потребу в розробці спеціалізованих інструментів для банківської сфери, які враховують особливості цього ринку. Визначені напрямками підвищення ефективності включають розробку нових методів регуляризації, вдосконалення технік перехресної валідації та розвиток пояснювального ШІ.
Дослідження також акцентувало увагу на етичних питаннях, які виникають у зв'язку з впровадженням ML. Причому, головна увага приділена забезпеченню конфіденційності користувацьких даних та зниженню рівня упередженості в алгоритмах.
За результатами досліджень зроблено висновок про величезний потенціал машинного навчання в банківському секторі. Хоча існують певні виклики, правильний підхід може допомогти створити більш ефективні, безпечні та прозорі системи, які підвищать довіру клієнтів.

Ключові слова: машинне навчання, банківський сектор, прийняття рішень, пояснюваність, конфіденційність даних, упередженість, аудит, етичні практики, схвалення позик.

Список літератури
1. A.K. Choudhury, R.K. Swain "Machine learning in banking risk management: A literature review," Risk Management, vol. 20, pp. 1-30, 2018.
2. M. Zeng, T. Le, A. Liu, G. Zhang, M. Hussain, H. Chen, Q. Tian, and Z. Liu, "A Comparative Study on Decision Tree Algorithms for Bank Loan Default Prediction," in Procedia Computer Science, vol. 147, pp. 400-407, 2019.
3. H. Baesens , R. Van Gestel , S. Viaene , M. Stepanova, and J. Suykens , "Benchmarking state-of-the-art classification algorithms for credit scoring," Journal of the Operational Research Society, vol. 54, pp. 627-635, 2003.
4. P.A. Estévez , M. Tesmer, C.A. Perez, J.M. Zurada , "Normalized Mutual Information Feature Selection," IEEE Transactions on Neural Networks, vol. 20, no. 2, pp. 189-201, 2009.
5. R.K. Swain "Machine Learning for Risk Management in Banking Sectors: A Comparative Analysis of Supervised Algorithms," International Journal of Computational Intelligence Studies, vol. 7, no. 1/2, p. 37, 2018.
6. Zhebka V., Gertsiuk M., Sokolov V., Malinov V., Sablina M. Optimization of Machine Learning Method to Improve the Management Efficiency of Heterogeneous Telecommunication Network / CEUR Workshop Proceedings, 2022, с. 149-155.
7. Malinov, V., Zhebka, V., Zolotukhina, O., Franchuk, T., Chubaievskyi, V. Biomining as an Effective Mechanism for Utilizing the Bioenergy Potential of Processing Enterprises in the Agricultural Sector / CEUR Workshop Proceedings, 2023, с. 223-230.
8. Anakhov P., Zhebka V., Bondarchuk A., Storchak K., Sablina M. Increasing the Reliability of a Heterogeneous Network using Redundant Means and Determining the Statistical Channel Availability Factor / CEUR Workshop Proceedings, 2023, p. 231–236