الذكاء الاصطناعيالذكاء الاصطناعيالتعلم الآليمخاطر الائتمانإدارة المخاطرعلم البياناتالتكنولوجيا المالية
المحلل المعزز: كيف تستخدم Zirdle الذكاء الاصطناعي لتعزيز تقييم مخاطر الائتمان
بواسطة Chief Data Scientist, Zirdle
Loading...
Loading...
غالبًا ما يستحضر مصطلح "الذكاء الاصطناعي" في التمويل صورتين متعارضتين: رؤية طوباوية لاتخاذ قرارات آلية لا تشوبها شائبة، أو خوفًا ديستوبيًا من خوارزميات "الصندوق الأسود" غير الشفافة التي تتخذ خيارات متحيزة ولا تخضع للمساءلة. في Zirdle، نرفض كلا الطرفين المتطرفين. فلسفتنا متجذرة في مفهوم أكثر قوة وعملية: الذكاء المعزز.
نحن لا نعتقد أن الذكاء الاصطناعي يحل محل الحكم الدقيق السياقي لخبرائنا البشريين في التحليل الائتماني وشركائنا الوسطاء على أرض الواقع. بدلاً من ذلك، نرى الذكاء الاصطناعي - وتحديدًا التعلم الآلي (ML) - كأداة قوية بشكل لا يصدق يمكنها تعزيز قدراتهم، مما يسمح لهم باتخاذ قرارات أسرع وأكثر اتساقًا وأكثر ثراءً بالبيانات.
ستكشف هذه المقالة النقاب عن كيفية عمل الذكاء الاصطناعي بالفعل ضمن إطارنا لإدارة مخاطر الائتمان، مع التركيز على كيفية تعزيزه لقدرات خبرائنا البشريين، بدلاً من استبدالهم.
لعقود من الزمان، اعتمد تقييم الائتمان على النماذج الإحصائية التقليدية، مثل الانحدار اللوجستي، باستخدام عدد محدود من نقاط البيانات (مثل الدخل، ومستوى الديون، والتخلف عن السداد السابق). هذه النماذج شفافة وسهلة التفسير، لكن لها قيودًا كبيرة:
تم تصميم نماذج ML الخاصة بنا للتغلب على هذه القيود وتعمل كطيار مساعد قوي لصانعي قراراتنا البشريين. إليك كيف:
يمكن لنماذجنا تحليل آلاف نقاط البيانات لكل فرصة قرض، وهو ما يتجاوز بكثير ما يمكن لأي إنسان معالجته. وهذا يشمل ليس فقط البيانات المالية التقليدية ولكن أيضًا:
من خلال معالجة هذه المجموعة الضخمة من البيانات، يمكن للنموذج الكشف عن رؤى ومخاطر محتملة كانت ستظل مخفية لولا ذلك.
هنا يبرز التعلم الآلي حقًا. قد يرى المحلل البشري أن إيرادات المقترض تتزايد، وهي علامة جيدة. لكن نموذج ML قد يحدد نمطًا أكثر تعقيدًا: "الإيرادات تتزايد، لكنها تتركز بشكل أكبر مع عميل واحد في قطاع يرتبط سلبًا بارتفاع أسعار النفط."
النموذج لا ينظر فقط إلى المتغيرات؛ بل ينظر إلى العلاقات المعقدة متعددة الأبعاد بينها. يمكنه الإشارة إلى هذه الارتباطات الخفية وعرضها على المحلل البشري لمزيد من التحقيق.
كل إنسان لديه تحيزات لا واعية. قد تكون لدى المحلل تجربة جيدة أو سيئة بشكل خاص مع قطاع معين، مما قد يؤثر بشكل طفيف على أحكامه المستقبلية. نماذج الذكاء الاصطناعي الخاصة بنا، عند تدريبها ومراجعتها بشكل صحيح لضمان الإنصاف، خالية من هذه التحيزات البشرية.
يقدم النموذج درجة "احتمالية التخلف عن السداد" مدفوعة بالبيانات وبشكل متسق لكل قرض. هذه الدرجة لا تتخذ القرار النهائي. بدلاً من ذلك، تعمل كخط أساس موضوعي. إذا أراد محلل بشري تجاوز توصية النموذج (إما للموافقة على قرض أشار إليه النموذج، أو رفض قرض وافق عليه)، يجب عليه تقديم مبرر مكتوب واضح. هذه العملية "البشرية في الحلقة" تفرض قرارًا صارمًا ويمكن محاسبته، تجمع بين أفضل ما في العالمين: الاتساق المدعوم بالبيانات للآلة والفهم السياقي للخبير البشري.
على عكس النماذج الثابتة، تم تصميم أنظمة ML الخاصة بنا للتعلم. نحن نغذيها باستمرار ببيانات أداء جديدة عن محفظة قروضنا. من خلال رؤية القروض التي حققت أداءً جيدًا والتي تخلفت عن السداد، يقوم النموذج باستمرار بصقل خوارزمياته، ليصبح أكثر ذكاءً ودقة بمرور الوقت. يمكنه التكيف مع الظروف الاقتصادية المتغيرة بطريقة لا تستطيع النماذج التقليدية القيام بها.
مستقبل تقييم الائتمان ليس معركة بين البشر والآلات. إنه شراكة. في Zirdle، الذكاء الاصطناعي لدينا ليس قاضيًا مستقلًا؛ بل هو مساعد البحث الأقوى في العالم. فهو يغربل جبالًا من البيانات، ويحدد الأنماط المعقدة، ويعرض نتائجه على خبرائنا البشريين. هؤلاء الخبراء - فرقنا الداخلية وشركاؤنا الوسطاء الخارجيون - هم من يطبقون بعد ذلك حكمتهم وخبرتهم وسياقهم الواقعي لاتخاذ قرار الإقراض النهائي الذكي.
يتيح لنا نهج الذكاء المعزز هذا أن نكون متقدمين تكنولوجيًا وعميقين في إنسانيتنا في آن واحد، مما يمكننا من تقديم مستوى من تقييم المخاطر أكثر شمولاً واتساقًا وتطلعًا للمستقبل من أي وقت مضى.