Уважаемые слушатели! Мы беседуем с Ией Малаховой, которая является инициатором многих практических проектов, по применению метода машинного обучения в нашем банке и возглавляет департамент финансов. Ия, привет. Привет, Андрей! Наконец мы с тобой это сделали, давно уже собирались и спасибо, что пригласил на этот курс. Если помнишь, мы уже 5 или 6 лет пытаемся в Сбербанке развить, применительно к финансам, принятие решений методами машинного обучения, естественно это помогает принимать решения в каждодневном ритме. Почему? Потому, что довольно много приходится анализировать и вещей связанных с поведением клиентов, связанных с конкретными продуктами, с поведением игроков на рынке. Безусловно раньше, это занимало очень большое количество времени, требовало безумного количества ресурсов людских, "Excel" таблички, копирование из одной клеточки в другую. Сейчас, когда мы такие инструменты построили, можем их применять, процесс принятия решений конечно сильно упростился и самое главное, стал очень быстрым. Ия, а можешь поделиться какими-нибудь интересными кейсами из своего опыта и как данные методы помогли, непосредственно тебе, принять какое-то решение? Я бы рассказала, наверное не о моей жизни, как руководителя, а скорее самая интересная история связана с тем, как банк принимал решения в 2014 году, потому что до сих пор это самый яркий пример, как те внедренные инструменты, которые мы используем, они действительно помогли и были бы наверное незаменимы. Если помните в 2014 году, в конце года у нас была очень сильная волатильность на рынках процентных ставок и на рынках, соответственно, валютных курсов и банк должен был ежедневно принимать решения о том, что ему делать, какие ставки выставить по всем продуктам банка и наши внутренние цены для того, чтобы неким образом эту ситуацию регулировать. И тогда мы использовали наш динамический баланс, который разработали в казначействе, с применением методов машинного обучения. Этот инструмент, который быстро позволял ответить на вопрос. Как отреагируют клиенты? Как отразится то или иное изменение ставок на балансе банка? На его "Profit" на рисках и так далее. И конечно, тогда мы практически ежедневно собирались и обсуждали, что делать с банком и, естественно, соответствующие комитеты на базе наших предложений принимали решения. Вот отличные иллюстрации, каким образом применять все инструменты машинного обучения искусственного интеллекта, уже на практике. Мне тяжело представить, как можно было бы управлять такой махиной, не имея такой сильный инструментарий под ногами. Собственно, именно поэтому мы и решили сделать курс по практическому применению метода машинного обучения в финансах. Часто у нас бывает такая история, что только знание математических методов, инструментария "Machine learning", недостаточно для успешного решения кейсов в банке. Как считаешь, так это? И что необходимо знать человеку? Конечно недостаточно, потому что, то с чем мы сталкиваемся обычно на практике, принимая молодых студентов или молодых специалистов на работу с тем, что только знание технических инструментов, оно не позволяет эффективно работать. Почему? Потому, что собственно говоря, они не знают прикладную область, то есть банковские продукты, либо какие-то особенности подразделения, например, казначейскую область или "Global Markets" и так далее. Поэтому те выводы и те гипотезы, которые они формируют для проверки, они собственно говоря, не несут никакой ценности, до тех пор, пока человек не погрузится. На это обычно уходит год, два, иногда три, для того, чтобы можно было продуктивно действительно работать, как "Data Science" прикладного характера. Поэтому, действительно необходим такой курс, который позволит людям, имеющим "Hard skills" хорошие, еще и погружаться в прикладную область. Как я говорил, наш курс будет сфокусирован, на кейсах по практическому применению машинного обучения в финансах. Как ты считаешь, кому данный курс может быть интересен и полезен? Очень хорошо, что наконец это не что-то теоретическое и абстрактное, на применении именно к тому, чем мы на самом деле занимаемся, поэтому ответ на вопрос очень простой, о чем мы уже говорили, о том, что те кто имеют "Hard skills" и умеют, собственно говоря, делать сами модели, часто не умеют и не понимают банковскую деятельность. Поэтому, конечно таким людям, очень полезно будет погрузиться, непосредственно, в практические кейсы, посмотреть чем же занимаются эти банкиры, финансисты и наконец-то поймут, почему на самом деле достаточно интересно работать в банке, почему там интересно применять какие-то изощренные модели, не только в трейдинге, например. Второй группой людей, я бы назвала тех людей, которые уже понимают прикладную область, достаточно хорошо и глубоко, но в своей работе не применяют методы машинного обучения, хотя это серьезно могло бы облегчить их жизнь. Возможно даже, они получили бы очень много "Insight", пытаясь проанализировать те данные, с которыми они сталкиваются каждый день на своей работе и вполне вероятно, что это может привести к каким-то очень интересным последствиям для бизнеса. Хороший пример, в последней Нобелевской премии, когда за включение в экономические модели климата. Да-да-да. Интересное приложение. И третий класс людей - это конечно студенты, потому что, естественно, они думают о том, куда пойти, как вообще говоря устроен бизнес и где интересно. Естественно, если они посмотрят, что можно применять какие-то такие изощренные штуки в банковском бизнесе, они поймут как это делать, придут как готовые специалисты. У них будет и больше поле для развития и конечно мы все будем очень ценить таких людей. Ия, спасибо тебе большое за интервью. Спасибо, что пригласили. Я действительно думаю, что будет достаточно интересный курс, думаю, что наша задумка удастся, мы сможем ребят приглашать уже на работу к себе, непосредственно, готовых специалистов со знанием и "ML" и банковских секретов, для того чтобы можно было эффективно здесь работать.