AutoML в финансах: почему машинное обучения буксует в банках

Очень редко модель в том виде, в котором её подготовили специалисты по машинному обучению, принимается как есть. Её всё равно нужно адаптировать, встроить в текущие бизнес-правила, оценить на реальных бизнес-показателях — и только после этого принимать решение о внедрении. Это одна из причин, по которой не только AutoML, но и вообще многие модели машинного обучения не доходят до практического применения — тяжело объяснить, в чём конкретно их бизнес-ценность. Особенно остро это проявляется в финансовых компаниях, которые более традиционны, консервативны, где существует определённая инерция в том, как работает система и какие решения там приняты.