Предложен метод оценки риска дефолта корпоративного заемщика на этапе мониторинга на основе скоринговой оценки. Приведено доказательство гипотезы в том, что скоринговые методы оценки кредитных рисков возможны к применению не только на этапе первичной оценки потенциального заемщика при принятии решения о кредитовании, но и на этапе его мониторинга при сопровождении сделки. Мониторинг представляет собой периодическую проверку кредитного качества корпоративного заемщика, с кем заключен кредитный договор. Это делается с целью своевременного выявления негативных сигналов, а также своевременного реагирования на угрожающие тенденции в деятельности заемщика.

Некоторые кредитные организации экономят на мониторинге, полагаясь на систему принятия решения, считая ее безупречной. Однако данная экономия может оказаться фатальной ошибкой, так как многое в течение «жизни» предприятия со временем изменяется. Этому способствуют как внешние факторы (политические, экономические), так и внутренние (неверная стратегия развития организации, неспособность оценить собственные кредитные возможности, недобросовестные контрагенты).

Предлагаемый метод представляет собой систему автоматических риск-сигналов, которые прошли проверку на предсказательную способность, исключая ручные процедуры. В предлагаемое решение включены маркеры (риск-сигналы), которые имеют предсказательную способность выше средней, что может привести к дефолту корпоративного заемщика. Дополнительно применена цветовая маркировка – красный, желтый, зеленый, которая позволяет визуализировать критичность выявленного риск-сигнала в зависимости от предсказательной способности – наглядное представление рисков заемщика с целью облегчения интерпретации.

Анализ разработанного метода показал, насколько возможно ускорить процесс проведения мониторинга, что позволит обеспечить оперативность реагирования на выявленные риск-сигналы, а также спрогнозировать вероятное ухудшение кредитного качества заемщика в кредитном или гарантийном портфеле без ущерба для качества оценки риска.

Автоматическая обработка ионограмм радиозондирования ионосферы необходима как для оперативного мониторинга ионосферы, так и при анализе массивов архивных данных радиозондирования. Основным этапом для достижения этой цели является автоматическое обнаружение и классификация треков – следов отраженных мод радиосигнала на ионограммах. В работе представлены методика, результаты и выполнен сравнительный анализ применения нейросетевых моделей (нейросетевых архитектур) для инстанс-сегментации Mask RCNN и YOLO. Наиболее успешными оказались модели семейства YOLO, которые обеспечивают как высокую точность, так и вычислительную эффективность. При этом точное попиксельное совпадение масок не является критичным – ключевым требованием является корректная локализация полезного сигнала. Использование указанных моделей для выделения треков на ионограммах продемонстрировало умеренную, но достаточную эффективность: основные структуры треков надежно идентифицируются. В будущем планируется расширение набора применяемых моделей, прежде всего за счет визуальных трансформеров.