ML-модель та LLM-інтерпретація для автоматизації роботи з VIP-клієнтами

Контекст

Для ефективного обслуговування клієнтів у банку важливо працювати на випередження та своєчасно пропонувати клієнтам перехід на відповідний рівень привілеїв. Щоб підвищити точність і швидкість прийняття рішень, виникла потреба впровадити інтелектуальну систему класифікації та аналізу поведінки клієнтів. Команда gloozd дуже уважно ставиться до запитів партнерів не поширювати чутливі дані, тому назва банку у цьому кейсі пропущена.

виклик

Існуючі моделі оцінки потребували забагато часу для обробки даних, що унеможливлювало їх використання для миттєвого відображення персоналізованих екранів у додатку. Крім того, сама по собі оцінка машинного навчання (наприклад, сухі класифікаційні бали) не давала менеджерам чіткого розуміння, чому саме клієнту прогнозується той чи інший VIP-статус. Через це персоналізовані рекомендації щодо зміни режиму обслуговування були ускладнені.

Страхи та як ми їх зняли

Головні побоювання полягали в тому, що менеджерам буде складно довіряти рішенням «чорного ящика» ML-моделі без розуміння конкретних факторів впливу. Ми зняли цей бар'єр шляхом впровадження LLM-інтерпретації результатів (за допомогою SHAP-значень). Система автоматично перетворює складні математичні показники моделей на прості текстові пояснення для менеджерів, розбиваючи фактори на ті, що сприяли рішенню, та ті, що знижували ймовірність.

рішення

Оптимізація ML-моделі: оптимізували алгоритм класифікації на основі машинного навчання, скоротивши час обробки даних до менше ніж 0.2 секунд. Це дозволило інтегрувати модель безпосередньо у мобільний додаток для відображення персоналізованого контенту. LLM-інтерпретація: розробили модуль на базі великих мовних моделей (LLM), який аналізує ключові фактори (витрати в ТСП, транзакції в інтернеті, геолокаційні дані, зв'язки з іншими VIP-клієнтами) та генерує текстове пояснення для менеджера з деталізацією позитивних і негативних чинників (SHAP-оцінок).