Machine Learning / ML (Машинное обучение)

В отличие от классического программирования, где разработчик пишет явные правила («если сумма покупки больше X, то предложить скидку Y»), в машинном обучении алгоритм сам выводит правила, анализируя тысячи или миллионы исторических примеров. Выделяют три основных типа обучения: supervised learning (обучение с учителем) — модель учится на размеченных данных с известным правильным ответом (например, прошлые заявки на кредит с пометкой «вернул/не вернул»); unsupervised learning (обучение без учителя) — модель самостоятельно находит скрытые группы и закономерности в неразмеченных данных (например, сегментация клиентов); reinforcement learning (обучение с подкреплением) — модель учится через систему поощрений и штрафов за свои действия в динамической среде. Качество модели напрямую зависит от объема и качества обучающих данных.

Банк обучает ML-модель на данных о 500,000 прошлых заявках на кредит, где известно, кто вернул долг вовремя, а кто допустил просрочку. Модель самостоятельно выявляет неочевидные закономерности (например, комбинацию возраста, стажа работы и региона проживания) и теперь для каждой новой заявки за доли секунды выдает вероятность невозврата, которую раньше вручную оценивал кредитный аналитик за 20-30 минут.

ML применяется в рекомендательных системах (e-commerce, стриминг), антифрод-системах, динамическом ценообразовании, прогнозировании спроса и чат-ботах. Внедрение ML требует не только данных и инфраструктуры, но и постоянного мониторинга «дрейфа данных» (data drift), когда модель со временем теряет точность из-за изменения реального поведения пользователей.