АЙТИМЕДИАСЕРВИС

Создание интеллектуальной системы предсказания и управления рисками поведения одного или группы пользователей для комплексной оценки сценариев использования онлайн сервисов. Прогнозирование и моделирование производится путем определения паттерна одного или группы пользователей и дальнейшего прогнозирования сценариев использования сервисов методом многократных симуляций на основе авторских алгоритмов и моделей с использованием технологий аналитики big data, генерации синтетических данных, ML, AI.

Создание интеллектуальной облачной системы "АйТиМС" для предсказания и управления рисками пользовательского поведения при решении задач комплексной оценки финансового результата пользователя или группы пользователей в онлайн игровых сервисах. Прогнозирование и моделирование на платформе производится на основании авторских алгоритмов и моделей проекта с использованием технологий аналитики "больших" данных, машинного обучения и искусственного интеллекта.

Разрабатываемая интеллектуальная система представляет собой облачную платформу для предсказания, оценки и управления рисками различных сценариев поведения пользователя или группы пользователей в онлайн сервисах в долгосрочной перспективе. Ключевые блоки платформы "АйТиМС": 1. Скрипт пользовательских данных предоставляет информацию об использовании сервиса. 2. API используется для получения входных данных и применения результатов в сервисе заказчика. 3. Интерфейс управления и контроля в панели администрирования платформы. 4. Модуль определения сценариев поведения – нейросетевой алгоритм. 5. Модуль уведомлений формирует отчет и рекомендации заинтересованным сотрудникам сервиса. 6. Машина сценариев позволяет автоматически применять корректирующие настройки. 7. Блок обучения сети представляет собой генератор синтетических данных, модуль симуляции исходов и интерфейс корректировки результатов для экспертов. Формирование результирующего сценария производится путем определения шаблона на основании пользовательских данных и внешних факторов (маркетинговая активность, сезонность, политическая и экономическая обстановка в соответствие со сферой применения системы), включенных в настройки симуляций, с получением наиболее вероятного сценария. Исследуемый пользователь может обладать малым набором данных для выявления трендов и особенностей поведения, но система выбирает наиболее близкий шаблон сценария. Исходя из выбранного шаблона и результата менее вероятных шаблонов, а также используя влияние факторов, создающих среду сервиса, формируется настройка параметров сети. Далее производится вывод результатов о рисках клиента в n-м периоде (месяц, квартал, полугодие, год и т.п.). В случае если шаблон поведения пользователя сильно отличается от ранее созданных, система информирует администратора о необходимости выбрать один из шаблонов либо создать новый и провести "обучение" симулятора путем оценки итоговых сценариев. Система дает возможность прогнозировать изменения по нескольким категориям рисков, применять корректирующие настройки с целью повышения LTV и снижения финансовых потерь. На сегодняшний день проводится настройка и опытное тестирование сервиса в рамках оценки финансового результата игрока в букмекерской конторе на 20-ти категориях рисков в автоматизированном режиме. Планируется применение технологии для прогнозирования кредитной благонадежности путем обучения нейросети на базе скоринговых (фактических) данных и симуляции возможных сценариев на синтетических данных. Также данная технология будет применена для моделирования поведения человека в контексте материально-ответственных должностей либо специальностей, связанных с высокими рисками для здоровья и жизни сотрудника, окружающих и экологии. Таким образом, платформа предназначена для предсказания, оценки и управления рисками пользовательского поведения по отдельному пользователю и по группе пользователей по множеству параметров. Ключевым отличием разрабатываемой системы от классических скоринговых и рекомендательных сервисов является вывод результатов анализа на базе нейронной сети, повышающей точность прогнозов с каждым применением, в то время как другие предлагают отнесение пользовательского поведения к той или иной группе по фактическим данным. Пример применения технологии “АйТиМС”, встроенной в букмекерский сервис Первым прикладным проектом «АйТиМС» стало прогнозирование финансового результата в букмекерских сервисах. В качестве входных данных используется big data: - Клиенты: o Адреса o Юридические данные o Банковские данные o Персональные данные o Транзакции (суммы, статусы) o Скоринг (банковский и операторский) - Данные об используемых мобильных и переносных устройствах - Рейтинг (формируется на основе различных внешних и внутренних параметров): o событий o турниров o пользователя o стран o видов спорта - Ставки (игровая статистика) - Лояльность пользователей Данные для симуляций генерируются в том числе с использованием накопленной истории поставщиков, таких как