CC BY
21
Технические науки_
Литература
1. Шишковский И.В. Лазерный синтез функциональноградиентных мезоструктур и объемных изделий / И.В. Шишковский. -М.: ФИЗМАТЛИТ, 2009. - 424 с.
2. Григорьев С.Н. Решение задач технологического перевооружения машиностроения / С.Н. Григорьев // ИТО: Инструмент, технология, оборудование. - 2008. - №10. - С. 14-19.
3. Волосова М.А. Пути оптимизации процесса селективного лазерного плавления при помощи выбора стратегии обработки лазерным лучом / М.А. Волосова, А.А. Окунькова // Известия Самарского научного центра Российской академии наук. -2012. - Т. 14. №4 (2). - С. 587-591.
4. Григорьев С.Н. Микролазерная наплавка сплавов системы Al-Si / С.Н. Григорьев, Т.В. Тарасова, Г.О. Гвоздева // Металловедение и термическая обработка металлов. - 2013. - №5. - С. 16-21.
5. Тарасова Т.В. Исследование процесса селективного лазерного плавления жаропрочных кобальтовых сплавов / Т.В. Тарасова, А.П. Назаров // Доклад на международном симпозиуме «Фундаментальные основы лазерных микро- и нанотехно-логий» (FLAMN13); Санкт-Петербург; 24-28 июня, 2013.
6. Григорьев С.Н. Микро- и наноструктурные особенности Au-Ni сплавов, полученных на никеле при различных режимах импульсного лазерного легирования / С.Н. Григорьев, В.Ю. Фоминский, А.В. Гусаров // Металловедение и термическая обработка металлов. - 2012. - №1. - С. 34-40.
7. Григорьев С.Н. Зависимость механических и трибологических свойств алмазоподобных углеродных покрытий от режимов лазерного осаждения и легирования металлами / С.Н. Григорьев, Р.И. Романов, В.Ю. Фоминский // Трение и износ. -2012. - Т. 33. №4. - С. 342-350.
8. Fominskii V.Y. Effect of the pulsed laser deposition conditions on the tribological properties of thin-film nanostructured coatings based on molybdenum diselenide and carbon / V. Y. Fominskii, R.I. Romanov, S.N. Grigoriev // Technical Physics. The Russian Journal of Applied Physics. - 2012. - T. 57. №4. - P. 516-523.
9. Тарасова Т.В. Перспективы использования лазерного излучения для повышения износостойкости коррозионностойких сталей / Т.В. Тарасова // Металловедение и термическая обработка металлов. - 2010. - №6. - С. 54-58.
10. Архаров А.М. Анализ рабочих процессов в роторном волновом криогенераторе / А.М. Архаров, В.Ю. Семенов, А.И. Савицкий // Химическое и нефтегазовое машиностроение. - 2012. - №7. - С. 15-20.
11. Сапрыкин А.А. Повышение производительности процесса селективного лазерного спекания при изготовлении прототипов // Диссертация канд. техн. наук: 05.03.01, 05.16.01 / А.А. Сапрыкин. - Юрга, 2006. - 161 с. - РГБ ОД, 61:07-5/317.
12. Тарасова Т. Исследование процесса селективного лазерного плавления жаропрочных кобальтовых сплавов / Т. Тарасова, А. Назаров [Электронный ресурс]. - Режим доступа: https://www. stankoinstrument.su/journal/article/5000 (дата обращения: 31.03.2023).
УДК 004.658.2 DOI 10.21661/r-559532
Лихоузов К.И.
Применение задач машинного обучения на платформе распределенных вычислений больших данных в банковской сфере
Аннотация
В настоящее время наблюдается колоссальный рост количества цифровых данных, и, по данным экспертов, этот объем будет увеличиваться на 30-40% ежегодно. Объем данных, созданных в 2020 году, более чем в 3 раза превышает объем данных за 2015 год, и составляет 64 Зеттабайт (Зб). В 2022 году объемы всех данных, накопленных человечеством, составили примерно 97 Зб, а к 2025 году это число возрастет до 180 Зб. В связи с этим многие компании ищут новые способы, методы, автоматизированные системы по обработке таких данных. В статье рассмотрены платформы по обработке данных, которые позволят финансовым организациям выйти на новый уровень как по качеству оценки кредитоспобности, риск-менеджменту, так и по прибыли.
■ Ключевые слова: большие данные, банки, искусственный интеллект, машинное обучение.
Введение. Банковская сфера является одной из самых важных и ответственных отраслей экономики. Каждый день банки обрабатывают огромное количество данных, связанных с финансовыми операциями, клиентами, кредитами и многим другим. В связи с этим, задачи машинного обучения на платформе распределенных вычислений
больших данных становятся все более актуальными для банковской сферы.
Способность коммерческого банка эффективно использовать большие данные и ускорить внедрение инноваций для достижения AI-трансформации (Artificial Intelligence) определяет его будущие возможности устойчивого развития и сильно влияет на конкуренто-
Технические науки
способность. Традиционные платформы анализа данных, такие как SAS EG, MS Excel, MS SQL, основанные на реляционных хранилищах данных, не может удовлетворить потребности текущего развития бизнеса.
В крупных банках активно используют технологии big data, ведь чем больше данных из различных источников можно получить о клиенте, тем более точный прогноз можно сделать по его дальнейшему поведению. Особенно популярны становятся модели оффлайн расчета - предрасчет по всему возможному базису клиентов - такие пайплайны должны обрабатывать десятки - сотни Гб данных.
Применение распределенных вычислений в банках
Big Data - это огромные объемы информации, которые могут быть использованы для анализа и принятия решений. В банковской сфере, где каждый день обрабатывается огромное количество данных, использование Big Data может стать ключевым фактором для повышения эффективности бизнес-процессов и увеличения прибыли.
Одной из наиболее важных областей применения Big Data в банковской сфере является анализ кредитного риска. Банки могут использовать данные о клиентах, такие как история платежей, кредитный рейтинг, уровень дохода и другие параметры, чтобы определить вероятность того, что клиент не сможет вернуть кредит. Это позволяет банкам принимать более обоснованные решения при выдаче кредитов и уменьшить риски дефолта.
Другой областью применения Big Data является улучшение маркетинговых стратегий. Банки могут использовать данные о клиентах, такие как их возраст, пол, местоположение и покупательское поведение,
чтобы создавать персонализированные предложения и рекламу. Это позволяет банкам увеличить эффективность своих маркетинговых кампаний и привлечь больше клиентов.
Big Data также может быть использована для улучшения управления финансами. Банки могут анализировать данные о своих операциях, чтобы определить, где можно сократить расходы и увеличить прибыль. Они также могут использовать данные о рынке и экономике, чтобы прогнозировать будущие тенденции и принимать соответствующие решения.
Однако, использование Big Data в банковской сфере также создает некоторые вызовы. Один из главных вызовов - это безопасность данных. Банки должны обеспечивать защиту конфиденциальности данных своих клиентов и защищать их от хакерских атак. Другой вызов - это сложность обработки огромных объемов данных. Банки должны иметь достаточно мощных вычислительных мощностей, чтобы обрабатывать такие объемы данных.
Заключение
Коммерческим банкам необходимо активно использовать финтех, следить за последними разработками в отрасли и изучать передовые технологии, продолжать улучшать возможности платформ больших данных и обеспечивать сильное движение в направлении цифровой трансформации.
В заключение, использование Big Data в банковской сфере может привести к значительному улучшению эффективности бизнес-процессов и увеличению прибыли. Банки должны обеспечивать безопасность данных и иметь достаточно мощных вычислительных мощностей, чтобы успешно использовать Big Data.
Литература
1. Сысоева А.А. Анализ рынка больших данных в банковской сфере / А.А. Сысоева, З.В. Эюбов, А.Е. Фошкин // Финансовая жизнь. - 2017. - №1. - С. 32-35.
2. Zhang Boyu. Research on Data Audit Mode of Commercial Banks Based on Hadoop Technology / Zhang Boyu // China Internal Audit. - 2019. - №(5). - P. 33-37.
3. Zhang Dengyao. Big Data Analysis of Commercial Banks Based on Hadoop Distributed File System / Zhang Dengyao // Journal of Shandong Agricultural University (Natural Science Edition). - 2018. - №49 (5). - P. 884-888.
4. Han Jian. Architecture Design of Bank Big Data Platform Based on Hadoop Technology / Han Jian // Electronic World. - 2017. -№(22). - P. 162-163.
5. Chen Yan. Research on Online Banking Historical Data Based on Hadoop / Chen Yan // Computer Knowledge and Technology. -2017. - №13 (16). - P. 21-23.
