희귀 사건의 발생을 예측하기 위해 인공 지능 사용
대출 데이터를 사용하여 대출 손실을 예측할 때 정확도 개선 확인

카지노사이트. (임원 및 CEO : Higachi라고 불리는 Higashihara Toshiaki / Highinafter)는 최근 희귀 한 사건의 발생을 정확하게 예측하고 이러한 사건의 발생에 대한 증거를 제공하는 AI (AI)를 개발했습니다. 대출 데이터를 사용하여 대출 손실 예측에 적용될 때 전통적인 딥 러닝*1*243% 더 높은 정확도로 예측할 수 있습니다.
 앞으로이 AI의 소스 코드는 Hitachi Group 내에서 출시 될 예정이며 Hitachi 그룹 내의 광범위한 필드에서 범위의 영역에서 효과 검증을 촉진 할 것입니다.

  Hitachi AI Technology/H*3를 개발했습니다 많은 프로젝트에 적용했습니다. 반면에, 우리가 광범위한 고객과 협력 할 때, 우리의 연구 주제는 거래 사기 또는 대출 손실과 같은 희귀 한 사건의 발생을 예측하는 것의 중요성을 인식하고 이러한 문제의 증거를 제공하고 이러한 문제를 해결하는 것이 었습니다.
 전통적인 딥 러닝에서는 예측 오류를 줄이기 위해 많은 양의 실제 데이터를 사용하여 예측 공식을 조정 (학습)하지만 드문 경우에는 실제 데이터가 작기 때문에 데이터로부터의 학습이 더욱 어렵습니다. 또한 예측 모델의 정확도를 향상 시키려고 할 때 예측 공식이 복잡해지고 결과를 분해 할 수 없어 기초를 설명하기가 어렵습니다.
  따라서 Hitachi는 새로운 학습 메커니즘을 개발하고 예측 결과를 요인으로 분해하는 기술을 채택하여 희귀 한 사건의 예측 정확도를 향상시킬뿐만 아니라 이에 대한 기초를 제공하는 인공 지능을 개발했습니다. 개발 된 기술의 특징은 다음과 같습니다.

1. 편견이 있거나 극단적 인 데이터에 영향을받지 않는 법을 배우는 신호 소음 학습

  저주파에서 발생하는 사건의 경우, 도전은 실제 데이터가 거의 없기 때문에 특정 상황에서 발생한 이벤트에 맞게 매개 변수를 조정 (학습)하여 "오버러진"을 초래하여 새로운 상황에서 발생하는 이벤트에 대한 예측의 정확성을 줄였습니다.
  따라서 Hitachi는 실제 데이터를 교사 데이터로 사용하고 예측 공식의 매개 변수를 조정하는 (LEARS)와 의도적으로 잘못된 교사 데이터를 사용하는 두 번째 학습 메커니즘을 조정하는 알고리즘을 개발했으며 동시에 두 메커니즘에 의해 두 메커니즘을 여러 번 반복하는 두 번째 학습 메커니즘을 조정했습니다. 이를 통해 의미없는 "소음"의 영향을받을 가능성이 줄어 져서보다 정확한 "신호"를 배울 수 있습니다.

2. AI의 예측 기반을보다 쉽게 ​​설명하기 위해 제품 합 함수를 사용한 예측 방정식 채택

  전통적인 딥 러닝에서는 복잡한 비선형 기능을 결합하여 예측이 이루어지는 반면,이 기술은 제품 및 합계 기능을 예측 공식으로 다층화하는 네트워크 구조를 사용합니다*4. MECE는 예측 된 결과를위한 일반적인 요인 분해 방법입니다.*5로 구조화하여 각 요소의 중량 (충격)을 정량화하면 이론적 근거는 "조건 A, 조건 B 및 조건 C ... 동시에 유지"와 같은 요소를 결합하여 설명 할 수 있습니다.

  이 AI의 효과를 확인하기 위해, 우리는 주택 대출에 대한 과거 응용 프로그램의 데이터를 사용하여 대출 손실의 발생을 예측하고이를 성능과 비교했으며, 예측 정확도를 나타내는 AR (정확도 비율) 값이 기존 심해 학습보다 43% ​​더 높다는 것을 발견했습니다.*6.

 이번에는이 AI의 효율성이 특정 대출 데이터로 확인되었지만 향후 소스 코드는 Hitachi Group 내에 게시 될 것이며 다양한 비즈니스 부서의 경우 효과 성 검증을 진행할 것입니다. 앞으로이 AI를 서비스 및 제품에 통합함으로써 AI 사용을 확장하여 광범위한 분야에서 소셜 및 고객 문제를 해결할 것입니다.

*1

딥 러닝 : 다층 신경망을 사용한 기계 학습 방법 (깊은 신경 네트워크)

*2

딥 러닝을 비교하려면, 기존의 오버레이션을 방지하는 데 사용되는 확률 적 구배 방법과 드롭 아웃 방법이 적용됩니다

*3

Hitachi AI Technology/H

*4

SOM 및 제품을 기반으로 다층 신경망을 구성하는 기술은 다음 문헌에서보고되었지만 드문 사건 (위, 신호 소음 학습)을 예측하는 기능 중 어느 것도보고되지 않았습니다
h. Poon and P. Domingos, "Sum-Product Networks : 새로운 딥 아키텍처", Proc. 인공 지능의 불확실성에 관한 27 번째 연례 연례 회의, pp 337-346, 2011.

*5

MECE : DUBBING이 없는지 확인하기위한 요인 분석을위한 방법과 개념 상호 배타적이고 총체적으로 철저한 방법

*6

특정 비즈니스 데이터에 대한 평가 결과 및 일반적 으로이 결과를 나타내지 않습니다

연락처 정보

카지노사이트. 연구 및 개발 그룹 연구 개발 부서 [책임 : Kinoshita]
280 Higashi-Keigakubo 1-Chome, Kokubunji City, 도쿄 185-8601
전화 : 042-323-1111 (메인)

위