Вопросы разработки интеллектуальной системы превентивного мониторинга наступления событий операционных рисков

В рамках управления операционными рисками бизнес-процессы рассматриваются в качестве одного из генераторов рисковых событий. Эмпирические данные свидетельствуют, что существенная доля операционных потерь в кредитных организациях связана с человеческим фактором, а именно с профессиональной неподготовленностью сотрудников. В этом контексте, перспективным направлением риск-менеджмента является разработка и внедрение инструментов на основе искусственного интеллекта, предназначенных для автоматизированной оценки уровня критичности операций, что позволяет нивелировать риски, порождаемые персоналом. 

Целью работы является разработка интеллектуальной системы превентивного мониторинга наступления критического состояния бизнес-процесса вследствие действий или бездействий персонала для предотвращения события операционного риска. Для этого были проанализированы профессиональные и личностные критерии оценки персонала, критерии оценки их влияния на бизнес-процесс, а также накопленные статистические показатели. Предложена общая структура системы индикации состояния бизнес-процесса, организованная по модульному принципу. В качестве составных модулей предложено использовать искусственные нейронные сети (ИНС) прямого распространения, описаны основные потоки данных, поступающие на входы ИНС. Проведено сравнение различных моделей ИНС для каждого из модулей системы. Полученные результаты могут быть использованы в различных сферах деятельности, связанных с действиями персонала, для предотвращения негативных последствий наступления критического состояния бизнес-процесса.

1. Банк России № 3624-У от 15.04.2015 Указание Банка России «О требованиях к системе управления рисками и капиталом кредитной организации и банковской группы» [Электрон. ресурс] // Банк России. Режим доступа: https://cbr.ru/faq_ufr/dbrnfaq/doc/?number=3624-У.

2. Чумакова Е.В., Корнеев Д.Г., Гаспариан М.С., Махов И.С. Оценка уровня критичности операционного риска банка на основе нейросетевых технологий // Прикладная информатика. 2023. Т. 18. № 2(104). С. 103–115.

3. Chumakova E.V., Korneev D.G., Gasparian M.S., Ponomarev A.A., Makhov I.S. Building a neural network to assess the level of operational risks of a credit institution // Journal of Theoretical and Applied Information Technologies. 2023. Т. 101. № 11. С. 4205–4213.

4. Казимагомедов А.А. Банковское дело: организация деятельности центрального банка и коммерческого банка, небанковских организаций. М.: ИНФРА-М, 2017. 502 с.

5. Tavana M., Abtahi A. R., Di Caprio D., Poortarigh M. An Artificial Neural Network and Bayesian Network Model for Liquidity Risk Assessment in Banking // Neurocomputing. 2017. Т. 275. С. 2525–2554.

6. Wang Yongqiao, Shouyang Wang, Kin Keung Lai. A New Fuzzy Support Vector Machine to Evaluate Credit Risk // IEEE Transactions on Fuzzy Systems. 2005. Т. 820. № 13. С. 31.

7. Yong Hu, Jie Su. Research on Credit Risk Evaluation of Commercial Banks Based on Artificial Neural Network Model // Procedia Computer Science. 2022. Т. 199. С. 1168–1176.

8. Van Liebergen B. Machine learning: A revolution in risk management and compliance? // Journal of Financial Transformation. 2017. Т. 45. С. 60–67.

9. Anna Chernobai, Ali Ozdagli, Jianlin Wang. Business complexity and risk management: Evidence from operational risk events in U.S. bank holding companies [Электрон. ресурс] // Journal of Monetary Economics. 2021. Т. 117. С. 418–440. Режим доступа: https://www.sciencedirect.com/science/article/pii/S0304393220300209.

10. Mainelli, Michael, and Mark Yeandle. Best execution compliance: New techniques for managing compliance risk // The Journal of Risk Finance. 2006. № 7. С. 301–312.

11. International Convergence of Capital Measurement and Capital Standards: A Revised Framework. Basel Committee on Banking Supervision [Электрон. ресурс]. Режим доступа: https://www.bis.org/publ/bcbs118.pdf.

12. Hasan, Atik and Anika, Noshin and Kendezi, Anshela and Mahdavian, Azin and Sakib, Sadman and Nnange, Metuge. The Effect of Knowledge Management and Human Resource Management on Organizations’ Success [Электрон. ресурс]. 2023. Dortmund, Germany: Fachhochschule Dortmund. Режим доступа: https://www.researchgate.net/publication/371292735.

13. Peng Jinqian., Bao Liyuan. Construction of enterprise business management analysis framework based on big data technology. Heliyon [Электрон. ресурс]. 2023. № 9(6). Режим доступа: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10293672/.

14. Bodyanskiy Y.V., Tyshchenko A.K., Deineko A.A. An evolving radial basis neural network with adaptive learning of its parameters and architecture // Automatic Control and Computer Sciences. 2015. Т. 49. С. 255–260.

15. Белалов Р.М. Тестирование как метод контроля и оценки сформированности компетенций // Вестник «Сознание». 2021. № 1. С. 13.

16. Елькина К.В., Пак Г.Ю., Мамонтова Е.О. Теоретические аспекты системы кадрового обеспечения предприятия // Политика, экономика и социальная сфера. 2020. № 7. С. 48.

17. Кричевский М.Л., Дмитриева С.В., Мартынова Ю.А. Нейросетевая оценка компетенций персонала // Экономика труда. 2018. Т. 5. № 4. С. 1101–1118.

18. Sewell M. Ensemble Learning. Department of Computer Science. University College London [Электрон. ресурс]. 2008. Режим доступа: http://machine-learning.martinsewell.com/ensembles/ensemble-learning.pdf.

19. Cha Zhang, Yunqian Ma. Ensemble Machine Learning. Methods and Applications. NY: Springer New York, 2012.

20. Simon Ashby Fundamentals of Operational Risk Management: Understanding and Implementing Effective Tools, Policies and Frameworks. London: Kogan Page, 2022.

21. Haijun Wang, Kunyuan Mao, Wanting Wu, Haohan Luo Fintech inputs, non-performing loans risk reduction and bank performance improvement [Электрон. ресурс] // International Review of Financial Analysis. 2023. Т. 90. С. 102849. Режим доступа: https://www.sciencedirect.com/science/article/pii/S1057521923003654.

22. Hsin Huang, Gwo-Jen Hwang, Morris Siu-Yung Jong. Technological solutions for promoting employees’ knowledge levels and practical skills: An SVVR-based blended learning approach for professional training [Электрон. ресурс] // Computers & Education. 2022. Т. 189. С. 104593 Режим доступа: https://www.sciencedirect.com/science/article/pii/S0360131522001646.

23. Романадзе Е.К., Семина А.П. Обзор методов оценки персонала в современных организациях // Московский экономический журнал. 2019. № 1. С. 7.

24. Valentin Lennart Heß, Bruno Dam´asio. Machine learning in banking risk management: Mapping a decade of evolution [Электрон. ресурс] // International Journal of Information Management Data Insights. 2025. Т. 5. № 1. С. 100324. Режим доступа: https://www.sciencedirect.com/science/article/pii/S2667096825000060.

25. Novikov V.V., Litvinov A.E., Bajina T.P., Yakunkina O.V. Express risk assessment at engineering enterprises using neural networks // Proceedings of the International Scientific Conference on Biotechnology and Food Technology (BFT-2023). (Saint Petersburg, September 19–21, 2023). Saint Petersburg: 2023, E3S Web of Conferences 460(30).