Come implementare SHAP per valutare il rischio creditizio aziendale
Processo operativo per integrare i valori SHAP nelle decisioni di credito, con metriche concrete e verifica dei risultati.
Conversazioni
con chi costruisce modelli finanziari
Abbiamo parlato con 47 professionisti che lavorano con dati finanziari ogni giorno. Alcuni gestiscono pipeline di addestramento per reti neurali, altri costruiscono sistemi di previsione per hedge fund da 800 milioni di dollari.
Machine Learning Interpretabile
Machine Learning Interpretabile
Usare LIME per rendere trasparenti le decisioni di trading automatico
Metodologia pratica per applicare LIME ai sistemi di trading quantitativo e comunicare le scelte operative ai responsabili.
Machine Learning Interpretabile
Costruire alberi decisionali interpretabili per prestiti alle PMI
Guida alla creazione di modelli ad albero che bilanciano precisione predittiva e trasparenza normativa per finanziamenti aziendali.
Machine Learning Interpretabile
Interpretare i pesi di attenzione nei modelli transformer per serie finanziarie
Metodo operativo per estrarre e analizzare i pesi di attenzione che rivelano quali dati storici influenzano le previsioni di mercato.
Machine Learning Interpretabile
Generare spiegazioni controfattuali per migliorare richieste di finanziamento respinte
Tecnica per creare scenari alternativi minimi che trasformano un rifiuto in approvazione, con soglie numeriche precise.
5
interviste pubblicate ogni mese
18
anni di esperienza media dei nostri intervistati
92%
utilizza Python come linguaggio principale
34
framework e librerie menzionati nelle conversazioni
Cosa rende queste interviste diverse
Chiediamo sempre come hanno risolto problemi specifici con dataset reali. Nessuno parla di teoria senza mostrare codice funzionante.
Un ingegnere ci ha raccontato come ha ridotto il tempo di addestramento da 14 ore a 90 minuti cambiando 23 righe di preprocessing. Un altro ha spiegato perché ha abbandonato LSTM in favore di transformer dopo 6 mesi di test su dati high-frequency.
- Setup tecnico completo con versioni esatte delle librerie
- Decisioni di architettura spiegate con metriche prima e dopo
- Errori commessi e come sono stati corretti
Gli intervistati lavorano con volumi che vanno da 2GB a 400TB. Alcuni gestiscono pipeline real-time con latenza sotto i 50ms, altri batch notturni che processano 16 milioni di record.
Ogni conversazione include dettagli su infrastructure, costi operativi mensili, e quanto tempo serve per mettere un modello in produzione. Un team ha condiviso il loro processo di deployment che passa attraverso 7 ambienti di test prima di toccare denaro vero.
Il formato è sempre lo stesso: problema, approccio, risultati numerici, cosa farebbero diversamente oggi.