ИИ оценит недвижимость в Сбербанке

ПАО "Сбербанк" разработало сервис на основе алгоритмов глубокого машинного обучения для массовой оценки коммерческой недвижимости. С помощью нейронной сети обрабатывается информация о характеристиках объекта недвижимости, его местоположении, пешеходном трафике, ценовом зонировании и т.д. В итоге, по данным Сбербанка, сроки проведения оценки сокращаются с нескольких дней до минут при одновременном повышении ее качества.

Как уточнили корреспонденту ComNews в пресс-службе Сбербанка, сервис используется при кредитовании под залог недвижимости. Банк будет применять технологию на базе нейронной сети для оценки залогов недвижимости в стрит-ретейле. В будущем сервис "научится" оценивать и другие типы коммерческой недвижимости.

Представители банка добавили, что в данный момент сервис работает в 36 городах с населением более 500 тыс. человек. Далее планируется только точечное расширение.

Как сообщили в пресс-службе Сбербанка, сервис разрабатывался исключительно силами залоговой службы банка в течение прошлого года. Модель написана на Python, дополнительно используется банковская ГИС-платформа. При этом информация берется из внутренних, платных и открытых источников.

Сервис автоматизирует рутинный процесс подбора объектов-аналогов, оставляя специалистам больший запас времени на экспертную работу. В итоге сроки проведения оценки сокращаются с нескольких дней до минут при одновременном повышении ее качества. Кроме того, за счет использования единой платформы унифицируется методология и подходы к оценке.

Как объяснил представитель банка, разработка представляет собой сеть, в основе которой лежит machine learning (сеть учится автоматически подбирать объекты-аналоги). "Для выбора наиболее подходящих аналогов сетка обрабатывает информацию о характеристиках объекта, его локальном местоположении, пешеходном трафике, ценовом зонировании, а также близости к более чем 200 категориям POI - точкам интереса. При выборе весов аналогов используется "случайный лес" - random forest", - добавили в пресс-службе.

Пока Сбербанк не планирует предлагать данное решение как продукт на продажу на внешнем рынке.

Как рассказали в Сбербанке, ранее коммерческую недвижимость в банке оценивали внутренние эксперты, а также использовалась оценка внешних специалистов.

Как пояснили в пресс-службе Сбербанка, сервис прежде всего направлен на повышение "клиентского опыта", а именно - скорости обработки заявок на оценку залогового обеспечения без потери их качества. "Одновременно задача максимум - повышение точности машинных оценок за счет унификации методологии и оценочных процедур, а также использования моделью большего объема данных, которые в моменте могут быть не доступны эксперту", - добавили представители банка.

Директор по маркетингу группы компаний "Астерос" Константин Кутуков считает, что применение систем машинного обучения для повышения эффективности деятельности сегодня находится в повестке большинства организаций, а банки исторически - одни из первых адептов прорывных технологий. "Сокращение сроков и повышение качества оценки залоговых активов позволит финансовым организациям быстрее принимать решения по клиентам, снижать риски некорректной оценки и подлогов, а также повысить общую прозрачность рынка за счет консолидации информации по объектам", - отметил он.

Константин Кутуков полагает, что подобное решение в большинстве крупных банков с внушительным количеством корпоративных клиентов будет востребовано. Он объяснил это текущими экономическими условиями, при которых недвижимость все чаще становится объектом залога.

Специалист "Астероса" уверен, что решения на базе нейронных сетей будут пользоваться спросом практически во всех отраслях, где требуется анализ больших объемов данных и автоматизация рутинных процессов.

Например, у "Астероса" есть совместный проект с "Яндексом" и "МегаФоном" по внедрению в колл-центр оператора виртуального помощника Елены - системы на основе ИИ, которая обрабатывает в автоматическом режиме до 70% поступающих запросов. Кроме того, "Астерос" работает над созданием самообучаемых моделей технологических процессов, которые позволяют предсказывать сбои и отклонения в работе оборудования, для одного из ведущих нефтехимических холдингов. 

Руководитель пресс-службы "Техносерва" Екатерина Андреева отметила, что искусственные нейросети используются также в медицине (от слуховых протезов до интеллектуальных помощников, помогающих поставить правильный диагноз), поисковых системах, производстве (контроль качества, автоматизированное проектирование), искусстве (обработка фото и видео), обучении (интеллектуальные тренажеры, имитирующие поведение сложных систем). Уже сейчас они широко используются в распознавании речи и текста, переводе текстов, автопилотах, биометрии и во многих других областях.

Руководитель отдела бизнес-решений и предиктивной аналитики ГК Softline Дмитрий Карбасов сообщил, что в банковском секторе решения на базе нейросетей для расчета вероятности дефолта заемщика широко стали применяться недавно, хотя технология существует уже более 10 лет.

Нейросети, по мнению Дмитрия Карбасова, дают хороший результат при многофакторном анализе (от 20-30 факторов и более) и при выявлении сложных зависимостей. Однако он предупредил, что нейросеть - сложный алгоритм, и в некоторых комбинациях она может давать недостоверный результат. Поэтому, резюмировал он, полностью доверять нейросети не следует, а имеет смысл проверять нейросеть более надежными, хотя и менее точными алгоритмами, которые помогут понять разброс возможной ошибки. 

Генеральный директор CleverDATA (ГК "Ланит") Денис Афанасьев отметил, что технологии машинного обучения, включая модели нейронных сетей, помогают выявлять скрытые взаимосвязи, строить прогнозы, самообучаться и совершенствовать выводы. "Машинный" подход позволяет обрабатывать гораздо больше данных и проверять гораздо больше гипотез, чем способен человек. Это особенно ценно в условиях принятия решения в режиме реального времени", - добавил он.

В практике у CleverDATA есть опыт применения нейронных сетей для задач целевого маркетинга, а также для прогнозной диагностики оборудования и оптимизации обслуживания на основе предсказания сбоев. "Аналитические модели помогают совершенствовать товарные рекомендательные системы для определения релевантных товаров для каждого потребителя, что позволяет оптимизировать коммуникации с клиентами и персонализировать рекламные предложения", - рассказал Денис Афанасьев.