ML system design: кредитный скоринг

Цель: предсказать вероятность дефолта, например просрочки 90+ дней в первые 12 месяцев. Значит, метки приходят через год, и для обучения беру заявки годичной давности и старше. Важная проблема: по отказанным заявкам меток нет, модель видит только одобренных; частично это решают reject inference и небольшая доля одобрений сверх политики для исследования. Данные: анкета, кредитная история из бюро, поведение при заполнении заявки, данные банка о клиенте; признаки, ведущие к дискриминации, исключаются. Модель: классическая скоркарта на логистической регрессии с WoE-кодированием как интерпретируемый бейзлайн и градиентный бустинг с монотонными ограничениями (больше просрочек не может уменьшать риск). Вероятности калибрую, потому что по ним считают ожидаемые потери и цену кредита. Метрики: Gini (2·AUC - 1), калибровка по бинам, а решение о пороге по доходности портфеля. Нужно объяснять причины отказа, поэтому SHAP или скоркарта. В проде мониторю PSI признаков и скоров, долю одобрений, ранние просрочки как прокси, а модель проходит независимую валидацию в риск-менеджменте.