Проект команды МЛЭНА отмечен Сбербанком
Международная лаборатория экономики нематериальных активов (МЛЭНА) НИУ ВШЭ – Пермь второй год сотрудничает со Сбербанком, выполняя проекты в рамках Центра Искусственного интеллекта НИУ ВШЭ. В декабре на мероприятии R&D-день (Research and Development), посвященном сотрудничеству НИУ ВШЭ и Сбера в сфере разработки технологий искусственного интеллекта, команда лаборатории была отмечена памятным подарком за успешное выполнение прикладного проекта по разработке системы автоматической классификации алертов.
Суть проекта состоит в том, что при подозрительной активности система кибербезопасности генерирует сообщения (алерты), которые рассматриваются аналитиком и классифицируются как нелегитимная активность или ложное срабатывание. Команда МЛЭНА разработала ML-модель, которая бы помогала в данной работе. Проект получил высокую оценку Сбербанка.
Кроме того, заведующий лабораторией МЛЭНА Петр Паршаков и младший научный сотрудник МЛЭНА София Паклина на мероприятии представили идею автоматизированной диагностики синдрома эмоционального выгорания сотрудников на основе анализа рабочих коммуникаций с помощью языковых моделей.
Сбербанк – один из крупнейших партнеров Центра искусственного интеллекта НИУ ВШЭ, созданного при поддержке правительства РФ в 2021 году.
Петр Паршаков, заведующий Международной лабораторией экономики нематериальных активов
В начале 2023 года коллеги из Сбера описали проекты, которые необходимы банку. Нам показалось интересным поработать над проектом по классификации алертов систем кибербезопасности. Работа велась с мая по декабрь. Мы практически каждую неделю созванивались с коллегами из кибербезопасности Сбера с целью обмена результатами и идеями. По итогам проекта заказчики результатами НИР довольны, часть наших скриптов уже используется в работе.
В рамках R&D-дня Сбербанк особо отметил умение команды МЛЭНА успешно решать сложные задачи, от которых отказывались другие исполнители.
София Паклина, младший научный сотрудник Международной лаборатории экономики нематериальных активов
Мне удалось поучаствовать в процессе выбора, реализации и подстройки моделей машинного обучения для решения этой задачи. Среди прочего я познакомилась с новым для себя методом глубинного обучения для табличных данных – TabR. Думаю, что в следующих исследовательских и прикладных проектах мы тоже будем его использовать, так как он показал неплохую эффективность.
Кроме того, удалось поупражняться в процессе создания признаков для моделей (feature engineering). Это оказалось очень творческой задачей и в то же время крайне важной, потому что от признаков зависит предиктивная сила модели, максимизация которой была нашей основной задачей.
В целом, работа над проектом была увлекательной и полезной – из-за того, что мы попробовали много различных методов, получилось глубоко изучить данные, а также поэкспериментировать с разными подходами к анализу.