nhận định soi kèo bóng đá hôm nay Phỏng vấn người chiến thắng cuộc thi khoa học dữ liệu MUFG lần thứ 4
Bài học rút ra từ cuộc thi và tương lai (Phần 2)

Thử thách Insight Cơ bản Vị trí số 1: Arinobu Nishida

Hãy nghĩ về “lý do bạn làm việc đó” và kết nối nó với hành động tiếp theo

QVui lòng cho chúng tôi biết lý do bạn tham gia cuộc thi này

Nishida
Tôi thường phụ trách công việc quy định Basel trong một bộ phận gọi là Phòng Kế hoạch cho vay, và trong đó, tôi chủ yếu phụ trách công việc ước tính các thông số như tính xác suất vỡ nợ của một công ty (vỡ nợ) và tính tỷ lệ thu hồi từ trái phiếu không trả được nợ, chủ yếu nhằm mục đích đo lường rủi ro tín dụng
Mặc dù không có mối liên hệ trực tiếp giữa cuộc thi và công việc của tôi nhưng tôi luôn quan tâm đến học máy và tiếp thu kiến thức từ sách và các nguồn khác Tuy nhiên, có những lúc tôi tự hỏi mọi người thực sự gặp khó khăn gì khi nói đến mô hình học máy Ngay cả khi bạn nghĩ về nó trong đầu, có nhiều điều bạn sẽ không hiểu cho đến khi bạn thực sự thử nó, và tôi nghĩ sẽ thú vị hơn nếu tiếp tục làm việc đó trong khi thi đấu hơn là làm một mình, vì vậy tôi đã đăng ký tham gia cuộc thi

Q Hãy cho chúng tôi biết những khó khăn, thử thách mà bạn gặp phải trong cuộc thi này

Nishida
Trong một cuộc thi, bạn bắt buộc phải cải thiện độ chính xác thông qua thử và sai bằng cách thay đổi các tham số và mô hình, nhưng tôi nghĩ điều quan trọng là có thể tiến hành hiệu quả trong thời hạn Vì vậy, tôi nghĩ sẽ tốt hơn nếu tạo ra một khuôn khổ dễ phân tích và học hỏi hơn, vì vậy tôi đã triển khai nó mỗi lần, nhưng đồng thời, tôi cũng cần tiếp thu kiến ​​thức cần thiết để cải thiện độ chính xác và rất khó để thực hiện tất cả những điều này đồng thời trong một khoảng thời gian giới hạn
Ngoài ra, đã nhiều lần tôi nghĩ rằng mình có thể cải thiện độ chính xác của mình, nhưng khi thử, tôi không thể cải thiện điểm số của mình và đôi khi tôi nghĩ, ``Tôi không nghĩ độ chính xác của mình sẽ tốt hơn chút nào'' Những lúc như thế này, tôi định hình lại tâm trí mình bằng cách làm những việc khác, chẳng hạn như đọc sách, để nâng cao nhận thức từ một góc nhìn khác Bằng cách đó, những ý tưởng mới có thể nảy sinh nên tôi ý thức được việc không đóng chặt gốc rễ càng nhiều càng tốt

QVui lòng cho chúng tôi biết bạn đã làm gì để cải thiện độ chính xác

Nishida
Lúc đầu, chúng tôi đang nỗ lực cải thiện độ chính xác của mô hình tuyến tính dễ giải thích, có tính đến Thử thách cái nhìn sâu sắc Tuy nhiên, tôi gặp khó khăn trong việc cải thiện độ chính xác Sau đó, tôi đọc một cuốn sách có nội dung: ``Mô hình phù hợp để lựa chọn sẽ khác nhau tùy theo mục đích và phương tiện'' Sau đó, tôi tạm thời quên mất Thử thách hiểu biết sâu sắc trong thời gian thi mô hình, ý thức hơn về mục đích nâng cao độ chính xác của mô hình và bắt đầu nghiên cứu các mô hình phi tuyến thường được sử dụng trong các cuộc thi
Mặt khác, liên quan đến cải tiến kỹ thuật, cuộc thi này bao gồm dữ liệu bổ sung ngoài dữ liệu gốc Tôi tin rằng việc có thể liên kết chính xác nhiều thông tin với dữ liệu gốc là điều quan trọng để cải thiện độ chính xác, vì vậy cuối cùng tôi đã kết hợp dữ liệu bằng cách sử dụng tên phim và tên đạo diễn làm khóa Vào thời điểm đó, tên phim cho thị trường trong và ngoài nước khác nhau hoặc chữ viết tắt được sử dụng cho một trong các dữ liệu, vì vậy chúng tôi đã xử lý trước dữ liệu để có thể liên kết dữ liệu không thể kết hợp bằng chuỗi ký tự thông thường, đồng thời cẩn thận về các biến thể chính tả Độ chính xác được cải thiện khi chúng tôi đào tạo cách sử dụng các tính năng sau khi liên kết, vì vậy, chúng tôi cảm thấy rằng việc liên kết nhiều thông tin thậm chí còn mang lại độ chính xác cao hơn

Q Bạn muốn sử dụng kinh nghiệm này như thế nào trong công việc tương lai của mình?

Nishida
Rủi ro tín dụng được tính bằng cách gán các tham số như xác suất vỡ nợ và tổn thất với tỷ lệ vỡ nợ theo đặc điểm rủi ro của công ty và sản phẩm Nếu học máy có thể được sử dụng để phân loại các đặc điểm rủi ro thì cũng có thể áp dụng nó vào lĩnh vực rủi ro tín dụng, nếu việc phân loại phù hợp hơn với tình hình thực tế và dẫn đến việc quản lý rủi ro phức tạp hơn
Ngoài ra, cuộc thi còn có rất nhiều thử nghiệm và sai sót Khi còn nghi ngờ, qua cuộc thi này, tôi một lần nữa nhận ra rằng sẽ dễ dàng thực hiện hành động tiếp theo hơn nếu bạn dừng lại và suy nghĩ về ``tại sao bạn lại làm điều gì đó'' và tiến về phía trước có mục đích, như tôi đã đề cập trong phần nghĩ ra cách để cải thiện độ chính xác Tôi tin rằng điều này cũng dẫn đến độ chính xác được cải thiện và kết quả của Thử thách Sáng suốt
``Suy nghĩ về lý do tại sao bạn làm điều gì đó và kết nối nó với hành động tiếp theo'' không chỉ quan trọng trong các cuộc thi mà còn trong công việc, vì vậy tôi muốn tiếp tục ý thức hơn về điều này

(Ngân hàng nhận định soi kèo bóng đá hôm nay, Phòng Kế hoạch cho vay, Arinobu Nishida)

Thử thách Insight nâng cao Vị trí số 1: Hiroji Mizutani

Bất kỳ ai cũng có thể trở thành "nhà khoa học dữ liệu"

QVui lòng cho chúng tôi biết lý do bạn tham gia cuộc thi này

Mizutani
Lý do lớn nhất khiến tôi tham gia là vì tôi quan tâm đến Thử thách Insight mới thành lập Thông qua việc thúc đẩy phân tích nhật ký hệ thống trong công việc hàng ngày, các buổi học dành cho những người muốn có khả năng phân tích dữ liệu và thúc đẩy các biện pháp, số lượng thành viên có thể thực hiện phân tích đơn giản đã tăng lên Tuy nhiên, chúng tôi vẫn chưa đạt đến mức có thể tìm thấy các vấn đề kinh doanh sẽ kích hoạt hành động tiếp theo từ dữ liệu Lý do tôi quyết định tham gia lần này là vì tôi nghĩ mình có thể tìm ra gợi ý để thực hiện bước tiếp theo trong sáng kiến ​​mới này cho Thử thách cái nhìn sâu sắc

Q Xin vui lòng cho tôi biết nếu có bất kỳ sự khác biệt nào so với cuộc thi trước

Mizutani
Vì đã tham gia Basic ở cuộc thi trước nên lần này tôi không gặp nhiều khó khăn về kỹ thuật nên cảm thấy thoải mái hơn Tôi đã có thể sử dụng các chương trình dự đoán và tiền xử lý dữ liệu mà tôi đã triển khai lần trước và điều đó có vẻ không quá khó khăn
Học tập trực tuyến cực kỳ phong phú về nội dung về việc sử dụng dữ liệu, các lĩnh vực chiến lược và trực quan hóa dữ liệu mà năm ngoái chúng tôi không thể giải quyết được Biết rằng cuối cuộc thi Insight Challenge sẽ có báo cáo nên tôi đã có thể bổ sung những kiến ​​thức cần thiết trước khi cuộc thi bắt đầu, lưu ý cách cấu trúc và trình bày báo cáo

QVui lòng cho chúng tôi biết bạn đã làm gì để cải thiện độ chính xác

Mizutani
Khi bạn xem xét toàn bộ dữ liệu, nó có vẻ phức tạp nhưng nếu bạn chia nhỏ dữ liệu một cách hợp lý thì nó có thể được đơn giản hóa Trong trường hợp này, việc đơn giản hóa này đã giúp cải thiện độ chính xác và cuối cùng, chúng tôi có thể đạt được độ chính xác vừa đủ chỉ bằng cách sử dụng mô hình dự đoán tuyến tính mà không cần sử dụng thuật toán học máy Tôi nghĩ rằng nên phân tích dữ liệu từ nhiều góc độ khác nhau và thực hiện phân cụm nhiều lần để tìm ra cách chia nhỏ dữ liệu nhằm làm nổi bật các đặc điểm của dữ liệu

Q Bạn muốn sử dụng kinh nghiệm này như thế nào trong công việc tương lai của mình?

Mizutani
Tôi muốn tiếp tục hoạt động của mình để tạo cơ hội cho mọi người trở thành nhà khoa học dữ liệu Trong cuộc thi này, chúng tôi đã sử dụng các công cụ phân tích dữ liệu và AI tổng hợp rất tinh vi và tôi được nhắc nhở rằng có một môi trường nơi bạn có thể làm việc về khoa học dữ liệu mà không cần kiến ​​thức hoặc công nghệ chuyên môn
Mọi người có xu hướng nghĩ rằng việc trở thành nhà khoa học dữ liệu là một rào cản lớn nhưng tôi muốn truyền đạt rằng bất kỳ ai cũng có thể trở thành nhà khoa học dữ liệu miễn là họ thực hiện bước đầu tiên
Gần đây, tôi thường nghe đến thuật ngữ "phát triển công dân", trong đó những nhân viên không chuyên về CNTT sẽ phát triển hệ thống Tương tự như vậy, nếu chúng ta có thể nghĩ ra một cụm từ hấp dẫn dành cho các nhà khoa học dữ liệu, tôi cảm thấy như chúng ta sẽ quen thuộc hơn với họ Bằng cách lập kế hoạch để thực hiện bước tiến này, tôi muốn truyền tải sức hấp dẫn của khoa học dữ liệu

(Phòng GCMS công nghệ thông tin nhận định soi kèo bóng đá hôm nay Hiroji Mizutani)