Анастасия Кабаева, «Технологии Доверия»: «ML-модели совмещают преимущества привычных технологий и адаптивного ИИ»

Анастасия Кабаева, партнер технологической практики, «Технологии Доверия», и спикер Двадцать второго международного форума корпоративных казначеев, рассказала CFO Russia о преимуществах ML-моделей и их использовании в казначействе, а также поделилась рекомендациями по успешному внедрению таких решений.

Какие модели машинного обучения для повышения качества прогнозирования ликвидности на сегодняшний день чаще всего применяют в казначействе? В чем удобство этих решений?

Одним из важных преимуществом машинного обучения является то, что можно использовать совершенно разные модели и их комбинации в зависимости от степени цифровой зрелости текущих процессов компании, технологического стека и компетенций сотрудников. Единого универсального решения, которое подойдет всем, не существует – но это скорее плюс, а не минус. Какие именно использовать модели, зависит:

Во-первых, от исходных данных, которые планируется использовать для прогнозирования, их глубины, качества и подходов к хранению и обработке. Минимальная историческая глубина, на которую нужно ориентироваться – это 3 года, лучше – от 5 лет.

Во-вторых, от сложности операционной модели.

И, в-третьих, от размера и структуры валютной позиции.

При достаточно линейной организационной структуре и качественно выстроенных бизнес-процессах достаточно хорошо прогнозируют и самые простые модели, но если бизнес сложный, много неструктурированных вводных и разрозненных источников данных, в таком случае, чтобы добиться высокой точности, необходимо использовать микс сложных моделей.  Как правило, мы используем несколько разных моделей и смотрим, от какой комбинации будет получен наилучший эффект, двигаемся итерационно от простого к сложному. Например, в последнем кейсе, о котором я подробнее расскажу на конференции, мы начинали с модели Sarima, затем применяли Sarima + XGBoost, затем строили многослойные нейронные сети.     

Расскажите подробней про Co-pilot казначея для прогнозирования Cash Flow. В чем суть и преимущества данной технологии?

Суть простая – научить модель прогнозировать денежный поток с точностью выше, чем это позволяют сделать любые другие средства (например, вручную с помощью Excel и т.д.). При этом целевая точность прогнозирования, частота получения исходных данных, разрезы и горизонт прогнозирования будут для каждой компании свои. Модель можно обучить делать прогноз как подневно, так и накопительным итогом на месяц, квартал или год вперед. Сроки обучения модели также будут зависеть от степени цифровой зрелости процессов компании.

Преимущества технологии машинного обучения аналогичны всем хорошо известным преимуществам искусственного интеллекта. Самым первым пунктом в списке преимуществ будет автоматизация, которая позволяет выполнять прогноз автоматически, по расписанию, без участия человека, что существенно экономит трудозатраты. Но автоматизация не равно цифровизации, поэтому более «сложносочиненным» эффектом от внедрения ML будет возможность самостоятельного обучения моделей и их самосовершенствования по мере получения новых входных данных. Скорость обработки информации посредством ML-алгоритмов существенно выше, чем у человека, а механизм «обучения» недоступен любым другим инструментам автоматизации (любое ПО для прогнозирования). Таким образом,ML-модели имеют одновременно преимущества привычных технологий и адаптивного искусственного интеллекта, замещающего ручной труд. А бесценные человеческие ресурсы высвобождаются от рутинных действий для принятия управленческих решений на базе сформированного прогноза.  

Поделитесь тремя советами для тех компаний, которые внедряют модели машинного обучения в казначействе. Что самое главное, о чем нужно обязательно помнить при выборе и внедрении решений?

Как уже говорилось ранее, успех и скорость внедрения ML-моделей сильно зависит от степени зрелости процессов – как организационных, так и технических. Перед внедрением технологий машинного обучения мы, как правило, рекомендуем клиентам провести диагностику цифровой зрелости и определить «болевые точки» в процессах и существующем технологическом стеке. Полный порядок в процессах встречается редко, поэтому в зависимости от обнаруженных проблем рекомендуем обратить внимание на следующие области:

Первая – управление качеством данных: необходимо убедиться, что исторические данные хранятся минимум за 3 года назад, они консистентны, качественны и приведены к единому формату. Чем выше качество исходных данных, тем проще моделям обучаться и тем точнее будет сформирован прогноз.

Вторая – выстроенные базовые процессы O2C, P2P, договорного учета. Если целью является формирование подневного прогноза, то критичным условием будет оперативный сбор данных внутри дня по движению денег. А для качественного прогнозирования исходящего потока (выбытий) необходим высокий уровень платежной дисциплины по своевременному заведению и обработке заявок на платеж.

Третья – наличие интеграций между системами-источниками. Целостность текущей архитектуры играет немаловажную роль для оперативного получения входных данных для моделей, чтобы минимизировать ручной ввод и избежать ошибок при синхронизации.

Также стоит обратить внимание на шаги, которые компаниям необходимо предпринимать в процессе внедрения: 

Во-первых, заранее определиться с образом конечного результата и подобрать правильные метрики для отслеживания прогресса внедрения.

Во-вторых, формировать множественные гипотезы и проверять их на реальных данных: чем больше тестов будет проведено, тем лучшее решение вы сможете придумать. Мы рекомендуем проведение так называемых «слепых тестов» – тестирование результатов отработки модели на данных, которые не участвовали в процессе обучения – например, на будущий месяц.

Задать свои вопросы Анастасии и узнать больше об опыте «Технологий Доверия» вы сможете на Двадцать втором международном форуме корпоративных казначеев, который состоится 24-25 октября в Москве.

Алиса Попова

Комментарии