Il progetto è dedicato allo sviluppo di un modulo transazionale basato su tecniche di machine learning, con l'obiettivo di integrarlo nel modello di stima della probabilità di default (PD) già esistente. Questo modulo utilizza dati sulle movimentazioni giornaliere dei conti correnti e mira a migliorare la predittività del rischio per i clienti. L’integrazione del nuovo modulo con il modello attuale richiede una valutazione approfondita delle sue performance e la capacità di individuare nuove feature che possano arricchire la misurazione del rischio.
Il Team
Luca Piccardo: Lavora nell'area CRO (Chief Risk Officer) all'interno dell'ufficio modelli AIRB. Luca si occupa della gestione dei modelli, inclusa l'integrazione del nuovo modulo transazionale con il modello di stima della probabilità di default. È responsabile della valutazione degli impatti del nuovo modulo a livello di performance statistica.
Tiziano Todeschi: Data Scientist nell'ufficio Big Data Analytics. Tiziano si occupa dell'analisi dei dati e dello sviluppo di modelli di intelligenza artificiale in ambito bancario. Nel contesto del progetto, Tiziano ha lavorato sull'analisi delle movimentazioni dei conti correnti e sull'identificazione di nuove feature per migliorare la predittività del rischio.
Elena Saenko: Membro dell'ufficio Management Application. Elena è responsabile dell'industrializzazione dei modelli di intelligenza artificiale. Ha gestito la transizione del modulo dal laboratorio alla produzione, occupandosi della configurazione dei parametri per diversi ambienti e assicurandosi che il modulo fosse pronto per l'uso in produzione.
Il team ha affrontato diverse sfide durante il progetto:
• Creazione di Variabili Spiegabili: Una delle principali difficoltà è stata sviluppare variabili che non solo fossero spiegabili, ma che avessero anche un chiaro significato economico. Questo ha permesso al modello di fornire interpretazioni economiche coerenti con le previsioni e con il contesto economico reale.
• Gestione dei Dati Storici: A causa dei requisiti normativi, è stato necessario recuperare e gestire serie storiche di dati provenienti da diverse fonti informative. Garantire la stabilità e l'integrità dei dati nel tempo è stato cruciale per assicurare che il modello utilizzasse informazioni coerenti e affidabili.
• Promozione del Modello alla Produzione: Trasferire il modello dall'ambiente di laboratorio alla produzione ha comportato la configurazione dei parametri per vari ambienti e la creazione di interfacce utente intuitive. È stato fondamentale garantire che il modello in produzione fosse allineato con i requisiti del nuovo ambiente e che le interfacce fossero facili da utilizzare per gli utenti business.
Il progetto ha portato a significativi miglioramenti nella predittività del rischio grazie all’integrazione del modulo transazionale basato su machine learning. La capacità del modello di fornire previsioni più accurate e di identificare nuove feature ha contribuito a una misurazione più precisa del rischio di default.
L’esperienza ha dimostrato l'importanza dell'intelligenza artificiale nel migliorare la velocità e la precisione delle analisi e previsioni bancarie. L'intelligenza artificiale si è confermata come una risorsa fondamentale per lo sviluppo di soluzioni avanzate nell'area del rischio, dimostrando il suo valore come strumento innovativo e efficace.