«В ИТ привела любовь к Dota 2»
— Расскажите о себе: где вы выросли и как пришли в ИТ?
— Родился в Худжанде – это город на севере Таджикистана. В 18 лет поступил в российский университет «Высшая школа экономики». Учился на экономиста, но на 2-м курсе взял дополнительную ИТ-специальность. Можно сказать, к ней меня привела любовь к Dota 2. Однажды в университете презентовали новую специализацию по Data Science — показывали визуализации на примере этой игры: графы связей между предметами, транзакции между игроками. На меня это произвело сильное впечатление. Так начал изучать науку о данных.
— Где работали до прихода в zypl.ai?
— После университета пошел работать аудитором в Ernst & Young. Позже попал в Oliver Wyman — консалтинговую компанию, где был внутренний мини-стартап, занимающийся скорингом малого и среднего бизнеса на основе открытых данных. Там впервые серьезно столкнулся с машинным обучением в финансах: строили модели, которые по налоговому идентификатору юридического лица могли оценить риски и выдать прогноз платежеспособности компании.
Сменил еще несколько компаний, а потом начал задумываться о собственном деле. Примерно тогда же познакомился с Азизджоном Азими. Как-то он выложил сторис, что ищет в zypl.ai руководителя по продукту — человека, который разбирается в бизнесе и технологиях, чтобы руководить командой продуктов и разработки.
Посмотрел и подумал: «Вроде идеально подхожу». Написал Азизджону, предложил созвониться, мы поговорили. Так и присоединился к команде.
— Чем занималась компания тогда?
— На тот момент стартапу было 2 года. Идея zypl.ai появилась у Азизджона еще во время учебы в Стэнфорде — тогда он сформулировал концепцию платформы для оценки кредитных рисков с помощью искусственного интеллекта. Вернувшись в Таджикистан, Азизджон понял, что в стране не хватает специалистов, способных реализовать такую идею. Тогда он создал AI-академию, чтобы обучить инженеров и дата-сайентистов. Академия существует до сих пор, а из ее выпускников выросла первая команда zypl.ai.
Тогда фокусировались на технологиях для скоринга — оценки кредитоспособности потенциальных клиентов банков. Например, когда человек подает заявку на кредит в приложении, система анализирует данные и за секунды решает, одобрить или отказать. Мы создавали эти технологии – алгоритмы, которые обрабатывают данные и выдают решение.
«Снижаем долю невозвращенных кредитов на 30%»
— Что изменилось с вашим приходом в zypl.ai?
— Когда присоединился к команде, структура была «стартаперской» — без четких процессов и распределения ролей. Даже стек технологий у всех отличался: каждый работал, на чем ему было удобно. Первое, что сделал, — навел порядок: выстроил команду по направлениям, прописал зоны ответственности, ввел продуктовый roadmap (документ или визуальная схема, где указано, что и когда команда собирается делать — прим. Digital Business).
Это позволило перейти от хаотичных решений к системной разработке и сосредоточиться на ключевых продуктах — в первую очередь на zGAN, нашей технологии генерации синтетических данных, и платформе Lucid, которая позволяет нетехническим специалистам строить и обучать ML-модели.
— Объясните простыми словами, зачем нужен zGAN?
— Представьте небольшой банк. Каждый день сотрудникам нужно решать, кому выдать кредит, а кому отказать. Делать это вручную или по простым правилам вроде «если доход меньше тысячи долларов — отказ» — неточно и рискованно. Поэтому банки используют модели машинного обучения — алгоритмы, которые анализируют сотни признаков и прогнозируют, вернет ли человек кредит.
Но чтобы такая модель работала, ей нужно много качественных данных. У маленьких банков их просто нет — клиентов мало, историй погашений тоже. Как раз решаем эту проблему: наш инструмент помогает добавить недостающие данные, сгенерировать их синтетически, чтобы модель обучалась так, будто у банка информации в разы больше. Благодаря этому она точнее определяет, кто, скорее всего, вернет кредит, а кто — нет.
— А для больших банков какая ценность? В данных у них недостатка нет.
— Суть в том, что синтетические данные можно не просто использовать при их нехватке, а смешивать с реальными, чтобы сделать модель более устойчивой. zGAN способен генерировать аномальные данные, имитируя возможные, но еще не случившиеся макроэкономические сценарии — например, резкие скачки инфляции или обвал на сырьевых рынках. Речь о так называемых «черных лебедях».
Сразу скажу: мы не предсказываем конкретные случаи вроде пандемии COVID-19. Скорее создаем похожие ситуации, чтобы модель понимала, что такие отклонения возможны, и умела на них реагировать.
Если завтра случится экономический спад, падение валюты или всплеск безработицы, модель не начнет массово ошибаться в скоринге, потому что она уже «видела» похожие сценарии в обучении.
В обычных моделях точность может «скакать» от месяца к месяцу: то 95%, то 70%. Модель с синтетическими стресс-сценариями ведет себя стабильно — и это важно для регуляторов.
«В ИТ привела любовь к Dota 2»
— Расскажите о себе: где вы выросли и как пришли в ИТ?
— Родился в Худжанде – это город на севере Таджикистана. В 18 лет поступил в российский университет «Высшая школа экономики». Учился на экономиста, но на 2-м курсе взял дополнительную ИТ-специальность. Можно сказать, к ней меня привела любовь к Dota 2. Однажды в университете презентовали новую специализацию по Data Science — показывали визуализации на примере этой игры: графы связей между предметами, транзакции между игроками. На меня это произвело сильное впечатление. Так начал изучать науку о данных.
— Где работали до прихода в zypl.ai?
— После университета пошел работать аудитором в Ernst & Young. Позже попал в Oliver Wyman — консалтинговую компанию, где был внутренний мини-стартап, занимающийся скорингом малого и среднего бизнеса на основе открытых данных. Там впервые серьезно столкнулся с машинным обучением в финансах: строили модели, которые по налоговому идентификатору юридического лица могли оценить риски и выдать прогноз платежеспособности компании.
Сменил еще несколько компаний, а потом начал задумываться о собственном деле. Примерно тогда же познакомился с Азизджоном Азими. Как-то он выложил сторис, что ищет в zypl.ai руководителя по продукту — человека, который разбирается в бизнесе и технологиях, чтобы руководить командой продуктов и разработки.
Посмотрел и подумал: «Вроде идеально подхожу». Написал Азизджону, предложил созвониться, мы поговорили. Так и присоединился к команде.
— Чем занималась компания тогда?
— На тот момент стартапу было 2 года. Идея zypl.ai появилась у Азизджона еще во время учебы в Стэнфорде — тогда он сформулировал концепцию платформы для оценки кредитных рисков с помощью искусственного интеллекта. Вернувшись в Таджикистан, Азизджон понял, что в стране не хватает специалистов, способных реализовать такую идею. Тогда он создал AI-академию, чтобы обучить инженеров и дата-сайентистов. Академия существует до сих пор, а из ее выпускников выросла первая команда zypl.ai.
Тогда фокусировались на технологиях для скоринга — оценки кредитоспособности потенциальных клиентов банков. Например, когда человек подает заявку на кредит в приложении, система анализирует данные и за секунды решает, одобрить или отказать. Мы создавали эти технологии – алгоритмы, которые обрабатывают данные и выдают решение.
«Снижаем долю невозвращенных кредитов на 30%»
— Что изменилось с вашим приходом в zypl.ai?
— Когда присоединился к команде, структура была «стартаперской» — без четких процессов и распределения ролей. Даже стек технологий у всех отличался: каждый работал, на чем ему было удобно. Первое, что сделал, — навел порядок: выстроил команду по направлениям, прописал зоны ответственности, ввел продуктовый roadmap (документ или визуальная схема, где указано, что и когда команда собирается делать — прим. Digital Business).
Это позволило перейти от хаотичных решений к системной разработке и сосредоточиться на ключевых продуктах — в первую очередь на zGAN, нашей технологии генерации синтетических данных, и платформе Lucid, которая позволяет нетехническим специалистам строить и обучать ML-модели.
— Объясните простыми словами, зачем нужен zGAN?
— Представьте небольшой банк. Каждый день сотрудникам нужно решать, кому выдать кредит, а кому отказать. Делать это вручную или по простым правилам вроде «если доход меньше тысячи долларов — отказ» — неточно и рискованно. Поэтому банки используют модели машинного обучения — алгоритмы, которые анализируют сотни признаков и прогнозируют, вернет ли человек кредит.
Но чтобы такая модель работала, ей нужно много качественных данных. У маленьких банков их просто нет — клиентов мало, историй погашений тоже. Как раз решаем эту проблему: наш инструмент помогает добавить недостающие данные, сгенерировать их синтетически, чтобы модель обучалась так, будто у банка информации в разы больше. Благодаря этому она точнее определяет, кто, скорее всего, вернет кредит, а кто — нет.
— А для больших банков какая ценность? В данных у них недостатка нет.
— Суть в том, что синтетические данные можно не просто использовать при их нехватке, а смешивать с реальными, чтобы сделать модель более устойчивой. zGAN способен генерировать аномальные данные, имитируя возможные, но еще не случившиеся макроэкономические сценарии — например, резкие скачки инфляции или обвал на сырьевых рынках. Речь о так называемых «черных лебедях».
Сразу скажу: мы не предсказываем конкретные случаи вроде пандемии COVID-19. Скорее создаем похожие ситуации, чтобы модель понимала, что такие отклонения возможны, и умела на них реагировать.
Если завтра случится экономический спад, падение валюты или всплеск безработицы, модель не начнет массово ошибаться в скоринге, потому что она уже «видела» похожие сценарии в обучении.
В обычных моделях точность может «скакать» от месяца к месяцу: то 95%, то 70%. Модель с синтетическими стресс-сценариями ведет себя стабильно — и это важно для регуляторов.
Share
