Банки собираются улучшать условия выдачи кредитов на потребительские нужды и недвижимость
В четвертом квартале 2022 года банки Беларуси смягчили условия предоставления кредитов для населения, а сотрудники банков прогнозируют продолжение улучшения условий в первом и втором кварталах 2023 года.
Такие данные получены в ходе проведенного Национальным банком РБ опроса коммерческих банков об условиях банковского кредитования, результаты которого приведены в аналитическом обозрении «Мониторинг условий банковского кредитования» за IV квартал 2022 года.
Больше всего в четвертом квартале смягчились условия по кредитованию физических лиц в белорусских рублях на потребительские нужды: диффузный индекс, характеризующих степень изменения условий по сравнению с третьим кварталом, составил минус 52,4 пункта (максимальное улучшение соответствует минус 100 пунктам).
Специалисты банков ожидают, что данные условия улучшатся и в первом квартале 2023 года, но уже не так значительно (индекс, характеризующий данные ожидания, составил минус 24,1).
Такая же динамика наблюдается и по условиям финансирования банками приобретения недвижимости физическими лицами. В четвертом квартале 2022 года индекс, характеризующий данный показатель, достиг минус 28,6, на первый квартал 2023 года он составил минус 10,7, а на второй — минус 3,6.
В наибольшей степени в четвертом квартале прошлого года улучшились условия по уровню процентной ставки по потребительским кредитам населению: диффузный индекс по данному параметру составил минус 50. Аналогичный индекс по кредитам на недвижимость равнялся минус 28,6.
Смягчились требования банков и к направлениям выдачи потребительских кредитов: диффузный индекс, характеризующих степень изменения условий, составил минус 12,5. Улучшились также и условия по направлениям предоставления кредитов на финансирование недвижимости, но меньше — индекс составил 10,7.
В то же время, смягчений требований по обеспечению потребительских кредитов в четвертом квартале не наблюдалось, хота по кредитованию недвижимости это произошло (диффузный индекс составил минус 3,6).
Требования к финансовому положению кредитополучателя в наибольшей степени смягчились по кредитам на недвижимость для физических лиц (индекс составил минус 7,1). По потребительским кредитам улучшение оказалось меньше (индекс минус 2,5). Улучшились условия по данному показателю и для крупного бизнеса (индекс минус 2,6), а также для малого и среднего бизнеса (минус 2,4).
Как показали данные опроса, в банках считают, что наибольшее влияние на смягчение условий кредитования в четвертом квартале 2022 года оказало усиление конкуренции среди банков, а также повышение ликвидности в банковской системе. Последнее было вызвано, отчасти, улучшением условий привлечения средств на внутреннем рынке.
При этом в банках отметили повышение спроса на кредиты в белорусских рублях у всех категорий кредитополучателей в четвертом квартале 2022 года, и спрогнозировали дальнейшее увеличение спроса в первом и втором кварталах 2023 года, но более низкими темпами.
Поделиться публикацией:
Новости по теме:
Банки Беларуси Недвижимость Кредиты Нацбанк Беларуси
Диффузионные нейросети и генерация изображений с помощью искусственного интеллекта — Будущее на vc.ru
Диффузионные нейросетевые модели появились в 2015 году, но набрали популярность только в 2020 году после работы Ho et al. Сегодня они достигли результатов исключительного качества в большинстве задач генерации и изменения изображений, включая генерацию изображений по тексту (text-to-image), изменение стиля изображения (style transfer), изменение деталей изображения (inpainting) или повышение разрешения (super-resolution).
495 просмотров
Генеративно-состязательные сети и их недостатки
Всего лишь несколько лет назад state-of-the-art моделями в этих задачах считались генеративно-состязательные нейросети (generative adversarial networks или GAN), которые были предложены в 2014 году в работе Goodfellow et al, и были значительно улучшены за прошедшие 9 лет.
например, модель StyleGAN 3 2021 года в точности сохраняет детали лица даже при сдвигах и поворотах, тогда как ее предшественники генерируют в этом случае «шумные» детали — к примеру, волосы, бороды или узоры на одежде. Профессионалы и энтузиасты удивлялись, насколько хорошо GANы могут генерировать фотографии несуществующих людей, животных или квартир.
Результаты генерации несуществующих людей моделью StyleGAN 3
Тем не менее, из-за состязательного характера модели GANы очень нестабильны в обучении, также они показывают не очень большое разнообразие типов изображений при генерации. К тому же они слабо применимы в задаче генерации изображений по тексту, хотя примеры этого существуют.
Бум диффузионных моделей
Результаты генерации несуществующих людей из модели DDPM (Ho et al.)
Диффузионные модели, напротив, обладают достаточной вариативностью сгенерированных изображений и достаточно стабильны.
Их главный минус — это скорость обучения и генерации. Для обучения модели необходимы десятки или даже сотни видеокарт, а генерация изображения при помощи уже обученной модели занимает несколько секунд, в отличие от GANов, где счет идет на десятки миллисекунд.
“Lofi alien invasion to relax and study to” (Midjourney)
Бум вокруг моделей диффузии подогревается выходом больших генеративных моделей text-to-image. Наверняка многие читатели видели результаты, сгенерированные DALL·E 2, Midjourney, Imagen или Stable Diffusion. Некоторые художники и иллюстраторы переживают, что нейросети отберут у них работу, тогда как другие считают, что это только поможет в креативном процессе. Программисты и художники осваивают prompt engineering — искусство подбора текста для получения более точных результатов генерации, — и делятся интересными запросам и не менее интересными результатами.
“17th century painting of The Beatles” (Stable Diffusion 2.1)
Как работают диффузионные модели?
Модели диффузии — это итеративные модели, которые принимают на вход случайный шум.
Иллюстрация базового процесса диффузии (из туториала CVPR 2022)
Случайный шум, из которого генерируется изображение, можно сочетать с условием — требованием к результату, выраженным текстом или другим изображением-примером. Рассмотрим пример из статьи SDEdit, где пользователь указывает нейросети рисунок, состоящий из крупных мазков.
Иллюстрация процесса диффузии обусловленного рисунком (из статьи SDEdit)
Другой способ направить генерацию к нужному результату — обуславливание модели текстом. Для этого используются языковые модели, обученные на парах изображений и подписей к ним, которые способны понимать смысл изображений и текстов одновременно. Примером такой модели является CLIP (Contrastive Language–Image Pre-training) выпущенная OpenAI. Эта модель способна переводить изображения и тексты в общее латентное векторное пространство (где вектор — это просто столбец некоторых значений). В этом пространстве становится, к примеру, возможным находить ближайшие изображения к некоторому текстовому запросу, так как это просто алгебраическая операция над векторами.
Модель латентной диффузии (Latent Diffusion), представленная в 2021 году обуславливает модель на векторное пространство текстов, чтобы генерировать изображения из направленного шума. Эта модель использует свойства общего латентного пространства текстов и изображений. По такому принципу работают Stable Diffusion, Imagen и другие большие нейросети text-to-image.
Другим важным приемом, улучшающим качество генерации, используемым при обучении обусловленных моделей диффузии, является classifier free guidance. Говоря простым языком, чем выше значение параметра classifier free guidance, тем больше результат напоминает текстовый запрос, что часто выражается в меньшей вариативности результатов.
Проблемы диффузионных моделей
Конечно, модели диффузии не являются универсальным решением для задачи генерации изображений. Они все еще подвержены тем же проблемам, что и GANы — на первый взгляд реальные изображения обладают значительными недостатками — сгенерированные люди могут иметь больше пяти пальцев или 32 зубов.
Также, эти модели достаточно плохо умеют генерировать текст на изображениях и даже изобретают свой собственный “язык”.
“The story of Adam and Eve, Noah, and Zeus in the style of DC Comics” (DALL·E 2)
Художники обвиняют Midjourney и Stability AI (компанию, разрабатывающую Stable Diffusion) в нарушении авторских прав при подготовке данных для обучения — они утверждают, что компании скачали изображения из интернета без согласия художников и должной компенсации. Также активно поднимается вопрос о том, что генеративные сети, и Stable Diffusion в том числе, усугубляют негативные стереотипы о расе, гендере и других социальных проблемах, так как они обучаются на заведомо смещенных данных, полученных из интернета.
Как попробовать бесплатно
В отличие от многих предыдущих разработок в области компьютерного зрения, которые были часто доступны только программистам, новые технологии в области диффузионных сетей чаще всего могут попробовать все желающие.
Общий тренд на открытое программное обеспечение и публикацию демо-версий нейросетей позволяет таким стартапам как Hugging Face агрегировать многие версии моделей, например, Stable Diffusion 2.1. Они же разрабатывают библиотеку diffusers, которая призвана упростить использование моделей в коде.
Сервис Google Colab позволяет запускать код на GPU и TPU, поэтому многие энтузиасты используют его для публикации своих версий модели, к примеру, модель Disco Diffusion Warp, которая способна изменять стиль видео.
Появляются и удобные интерфейсы к моделям. Так, нейросеть Midjourney имеет бесплатную пробную версию на несколько десятков генераций, чего достаточно, чтобы попробовать модели text-to-image. OpenAI также предоставляет пробный доступ к модели DALL·E 2.
Что дальше
Можно уверенно сказать, что мы переживаем золотую эпоху нейросетевой генерации изображений. Сообщество с нетерпением ждет будущих продуктов компании Google, выпустившей закрытую для общего доступа диффузионную модель Imagen и большое количество статей на тему редактирования и генерации изображений, в том числе и при помощи других технологий искусственного интеллекта.
Появляются новые стартапы (Runway ML, Stability AI, и другие) в области создания и редактирования изображений, которые успешно конкурируют с такими гигантами как OpenAI или Google. Новые статьи про диффузионные модели выходят почти еженедельно, а область их применения сегодня не ограничивается перечисленными задачами 2D-компьютерного зрения — они применяются в задачах medical imaging, генерации видео и 3D по тексту.
3-8bat bbcor — Google
AlleBilderShoppingVideosMapsNewsBücher
suchoptionen
Tipp: Begrenze diesuche auf deutschsprachige Ergebnisse.
Du kannst deinesuchsprache in den Einstellungen ändern.
Летучие мыши BBCOR | JustBats.com
www.justbats.com › Все продукты
BBCOR Летучие мыши имеют диаметр ствола не более 2 5/8 дюймов и максимальное отношение длины к весу -3. Бейсбольные биты BBCOR считаются …
Биты BBCOR Closeout · BBCOR Youth · BBCOR Wood · BBCOR Atlas
Товары ( -3) BBCOR Бейсбольная бита | Эрваксен | Алюминий — Futspo
www.futspo.de › … › Baseballschläger › Алюминий › Erwachsene
329,50 €
кепка. В сочетании с цельной конструкцией, …
Материал ствола: сплав
Цельная конструкция: обеспечивает максимальную жесткость, непревзойденную скорость летучей мыши и исключительную отзывчивость
Bilder
Alle anzeigen
Alle anzeigen
BBCOR — Wikipedia
en.wikipedia.org производительность Composite baseball …
Бейсбольная бита Easton Quantum BBCOR (-3), 140,00 €
baseballminister.
sportkanzler.de › Бейсбольные биты
140,00 € Auf Lager
Поднимите свою игру на новый уровень с ракеткой Easton Quantum -3 BBCOR Эта цельная конструкция изготовлена из легкого, но мощного ALX100 Performance …
Материал: сплав
Длина: 33 дюйма
Вес: 30 унций
Бита Easton Speed 2-5/8″ BBCOR -3oz, 129,50 € — Baseballminister
baseballminister.sportkanzler.de › Бейсбольные биты
129,50 € Auf Lager
но мощный Это цельная конструкция, изготовленная из сплава ALX50TM, с кованой торцевой крышкой и …
Вес: 29 унций 30 унций 31 унция
Материал: сплав
Длина: 32″ 33″ 34″
Бейсбольные биты BBCOR — DeMarini
www.demarini.com привержены достижению уровня AA для этого веб-сайта в соответствии с Руководством по доступности веб-контента (WCAG) 2.0 и другими применимыми …
Летучие мыши BBCOR: бейсбольные биты для старших классов и колледжей (Drop 3)
www.