Łączymy nowoczesne AI z praktyką regulacji finansowych: KNF, EBA, MSSF 9 i AI Act. Budujemy modele uczenia maszynowego i rozwiązania generatywnej AI dla banków, fintechów, instytucji pożyczkowych i ubezpieczycieli tak, żeby przeszły walidację, audyt i nadzór.
Gotowe pakiety ze stałym zakresem, terminem i ceną. Od początku wiadomo, co i kiedy otrzymasz oraz ile to kosztuje.
Dla kogo: Instytucje pożyczkowe, BNPL, fintechy i banki
Model scoringowy oparty na uczeniu maszynowym, gotowy na nowe zasady kredytu konsumenckiego (CCD2) i wymogi AI Act.
Dla kogo: Banki, ubezpieczyciele, instytucje pożyczkowe
Niezależna walidacja modelu PD, LGD, ECL, scoringowego lub uczenia maszynowego, zgodnie z Rekomendacją W.
Dla kogo: Banki, ubezpieczyciele, fintechy
Przegląd systemów AI w organizacji i plan dostosowania przed terminem dla systemów wysokiego ryzyka, czyli 2 grudnia 2027 r.
Dla kogo: Bankowość MŚP, leasing, faktoring
Agent AI czyta sprawozdania finansowe i dokumenty kredytowe, wyciąga z nich dane i zasila model ratingowy. Wyniki porównujemy z danymi z bazy Aminer.
Dla zrzeszeń banków spółdzielczych przygotowujemy wspólne modele, walidacje i szkolenia dla wielu banków w ramach jednej umowy.
Pracujemy z zarządami, zespołami danych i działami ryzyka instytucji finansowych. Pomagamy wybrać zastosowania AI, które się opłacają, zbudować je i wdrożyć tak, żeby przeszły walidację, audyt i kontrolę nadzorcy.
Przegląd procesów i danych, wybór zastosowań AI z policzonym efektem biznesowym, mapa drogowa wdrożeń i zasady zarządzania AI w organizacji. Korzystamy z doświadczenia przy strategii Big Data dużego banku.
Agenci AI, którzy czytają sprawozdania finansowe i dokumenty kredytowe, wyciągają z nich dane i zasilają modele ratingowe, z porównaniem do bazy Aminer. Do tego asystenci na dokumentach firmy (RAG) i automatyzacja back-office, z oceną jakości odpowiedzi i ochroną danych.
Modele scoringowe dla fintechów, BNPL i instytucji pożyczkowych zgodne z CCD2, modele ratingowe oraz modele predykcyjne dla sprzedaży, pricingu, odejść klientów, prognoz i wykrywania nadużyć. W podejściu klasycznym i z metodami AI, zawsze z porównaniem do prostszego benchmarku.
Niezależna walidacja modeli statystycznych, uczenia maszynowego i modeli językowych: metodyka, dane, stabilność, interpretowalność i testy odporności, zgodnie z Rekomendacją W. Do tego monitoring modeli w produkcji i wykrywanie dryfu danych.
Inwentaryzacja i klasyfikacja systemów AI, wymogi dla systemów wysokiego ryzyka, dokumentacja techniczna, nadzór człowieka, testy uczciwości i wyjaśnialność decyzji.
Warsztaty dla zarządów, menedżerów i zespołów: jak działa AI, gdzie się opłaca, jakie niesie ryzyka i jak je kontrolować. Szkolenia techniczne z uczenia maszynowego i interpretowalności. Wspierają obowiązek budowania kompetencji w zakresie AI z art. 4 AI Act.
Modele PD, LGD i EAD, metoda IRB i wymogi CRR3, MSSF 9 i ECL, testy warunków skrajnych oraz przegląd funkcji ryzyka, coraz częściej z wykorzystaniem uczenia maszynowego.
Benchmarki i indeksy branżowe na danych o polskich firmach, prognozy potencjału rynku, automatyczne pozyskiwanie danych ze stron internetowych.
Wdrożenie AI się udaje, gdy model daje mierzalny efekt i zachowuje się przewidywalnie. Dlatego każdy model porównujemy z prostszym benchmarkiem, wyjaśniamy jego decyzje i sprawdzamy go tak, jak zrobiliby to walidator, audytor i nadzorca.
Porozmawiajmy o wdrożeniu AIWyjaśnienie pojedynczej prognozy
Każdy model porównujemy z prostszym benchmarkiem i liczymy jego wpływ na wynik biznesowy, żeby zysk z AI był policzony, a nie założony.
Wyjaśnienia globalne i dla pojedynczej decyzji: SHAP, PDP, ICE i ALE. W kredytach to podstawa wyjaśnień dla klienta (art. 70a Prawa bankowego, CCD2), w sprzedaży i obsłudze wskazówka, co zrobić z prognozą.
Obowiązki zależą od ryzyka systemu. Ocena zdolności kredytowej i scoring osób fizycznych to systemy wysokiego ryzyka, z wymogami od 2 grudnia 2027 r. Przygotowujemy klasyfikację systemów, dokumentację techniczną, nadzór człowieka i monitoring po wdrożeniu.
Ocena jakości odpowiedzi modeli językowych, testy halucynacji i odporności na wstrzykiwanie poleceń, kontrola dostępu do danych oraz zasady korzystania z narzędzi AI w firmie.
Sprawdzamy, czy model nie traktuje gorzej wybranych grup klientów, jak reaguje na dryf danych i czy jego wyjaśnienia są stabilne w czasie. AI Act wymaga zbadania danych pod kątem możliwej stronniczości.
Model zmienia się razem z rynkiem i klientami. Ustawiamy monitoring jakości i dryfu danych, progi alarmowe i plan rewalidacji, żeby wiedzieć, kiedy model wymaga poprawy.
Typowy projekt budowy modelu uczenia maszynowego trwa 8 tygodni od przekazania danych. Budowę i testy przyspiesza nasze narzędzie AI, a dokumentację przygotowujemy równolegle z modelem, zamiast na koniec projektu. Co tydzień spotykamy się z zespołem klienta, a kryteria akceptacji ustalamy przed rozpoczęciem budowy.
Wybrane realizacje. Nazw klientów nie publikujemy bez ich zgody.
Aminer prowadzi własną bazę danych o polskich firmach, zintegrowaną z rejestrów publicznych. Używamy jej w analizach dla klientów i do wzbogacania modeli ryzyka.
Dla banku przygotowaliśmy rynkowe benchmarki szkodowości dla segmentów klientów biznesowych. Oceniliśmy też ryzyko kredytowe wskazanej próby firm modelem ratingowym zbudowanym na danych Aminer.
Automatyczna ocena polskich firm na podstawie e-sprawozdań, alerty o zmianach w rejestrach i wyjaśnienie każdej oceny. Dla leasingu, faktoringu i działów kontroli kredytowej.
Zapytaj o wczesny dostępWyniki analiz przekazujemy w formie zagregowanej, bez danych osobowych. Zasady przetwarzania danych z rejestrów opisuje informacja dla osób, których dane dotyczą.
Zapytaj o dane lub analizęAminer łączy doradztwo w zakresie AI i analityki danych z wieloletnim doświadczeniem w finansach i własną bazą danych o polskich firmach. Spółka działa od 2020 roku i realizuje projekty dla banków, ubezpieczycieli, firm energetycznych i branży nieruchomości.
Założyciel i prezes zarządu
Specjalizuje się w uczeniu maszynowym, interpretowalności modeli i wdrażaniu AI w instytucjach finansowych. Ma ponad 25 lat doświadczenia w finansach: zaczynał w Departamencie Zarządzania Ryzykiem Kredyt Banku (grupa KBC), a następnie przez 14 lat pracował w PwC, KPMG i EY, kierując zespołami modelowania ryzyka i analityki danych, w EY jako Associate Partner.
Prowadził strategię Big Data dla banku z TOP5, projekty modeli pricingowych i predykcyjnych oraz duże wdrożenia regulacyjne w polskich bankach. W 2020 roku założył Aminer, w którym łączy praktykę wdrażania AI z własną bazą danych o polskich firmach.
Od 1994 roku jest związany z Wydziałem Matematyki i Nauk Informacyjnych Politechniki Warszawskiej, gdzie obecnie prowadzi zajęcia z interpretowalności i wyjaśnialności modeli AI.
Opisz krótko projekt albo pytanie. Odpowiemy na podany adres e-mail.