OpaGPT ИИ для data scientist в банковском секторе: конструктор промптов
Data scientist в банке ежедневно решает задачи кредитного скоринга, детекции мошенничества и сегментации клиентов. Эффективность этих процессов напрямую зависит от качества промптов к LLM. Ниже — разбор структуры идеального запроса и готовые шаблоны.
Анатомия эффективного промпта
Промпт для банковской аналитики должен содержать 5 обязательных блоков:
- Роль — «Ты — руководитель отдела риск-моделирования».
- Контекст — тип данных, регуляторные ограничения (ПСК, 115-ФЗ).
- Задача — конкретный результат: код, SQL-запрос, интерпретация метрики.
- Формат вывода — таблица, Python-скрипт, JSON.
- Ограничения — «не используй внешние библиотеки», «учти класс дисбаланса».
Ключевое правило: чем точнее контекст, тем выше точность. Вместо «проанализируй клиентов» пишите «проанализируй отток среди клиентов с кредитным рейтингом ниже 600 за последние 3 месяца».
Готовые шаблоны запросов
Шаблон 1. Генерация кода для скоринга
Промпт: «Ты — DS в банке. Напиши Python-код для обучения градиентного бустинга (CatBoost) на данных с признаками: age, income, loan_amount, overdue_days. Целевая переменная — default_flag. Учти дисбаланс классов (вес класса 1 = 5). Выведи код с разделением train/test и метрикой ROC-AUC».
Настройка: замените признаки и веса под свою выборку. Добавьте требование к версии библиотеки, если критично.
Шаблон 2. Интерпретация модели
Промпт: «Объясни результаты SHAP-анализа для модели кредитного риска. Перечисли топ-5 факторов, влияющих на отказ, и предложи бизнес-рекомендации для снижения риска. Формат: маркированный список».
Настройка: укажите название модели (LogReg, XGBoost) и тип интерпретации (глобальная/локальная).
Шаблон 3. SQL-запрос для витрины данных
Промпт: «Сформируй SQL-запрос для PostgreSQL: вывести количество транзакций и сумму списаний по клиентам, у которых возраст > 30 и регион = Москва. Сгруппируй по id клиента, отсортируй по сумме убыванию».
Настройка: доба��ьте оконные функции или CTE, если нужна сложная агрегация.
Настройка под специфику банка
- Регуляторика: добавьте в промпт фразу «учти требования ЦБ РФ к отчетности» — модель скорректирует код.
- Анонимизация: укажите «замените ФИО на хэши» — LLM предложит безопасный пайплайн.
- Валидация: попросите «добавь проверку на мультиколлинеарность через VIF» — получите более надежный код.
Для пакетной обработки используйте динамические переменные в промпте: подставляйте название таблицы или порог отсечения через f-строки. Это сокращает время итераций в 2-3 раза.