Аннотация доклада.
Последовательности событий, также иногда называемые нерегулярными многомерными временными рядами, являются распространённым типом данных в банковской сфере. Современные методы глубокого обучения позволяют эффективно извлекать информацию из таких последовательностей, превосходя традиционные подходы в решении задач прогнозирования, включая такие задачи, как оценка вероятности дефолта по кредитам и оттока клиентов. В докладе рассматриваются архитектуры нейронных сетей, адаптированные для различных задач анализа событийных последовательностей, а также методы их обучения, основанные на подходах из компьютерного зрения и обработки естественного языка. Представлены практические примеры использования данных технологий в реальных банковских задачах.