الذكاء الاصطناعيالذكاء الاصطناعيالتعلم الآليمخاطر الائتمانإدارة المخاطرعلم البياناتالتكنولوجيا المالية
المحلل المعزز: كيف تستخدم Zirdle الذكاء الاصطناعي لتحسين تقييم مخاطر الائتمان
بواسطة كبير علماء البيانات، Zirdle
Loading...
Loading...
غالباً ما يستحضر مصطلح "الذكاء الاصطناعي" في عالم المال صورتين متعارضتين: رؤية يوتوبية لاتخاذ قرارات آلية لا تشوبها شائبة، أو خوف ديستوبي من خوارزميات "الصندوق الأسود" غير الشفافة التي تتخذ خيارات متحيزة ولا يمكن محاسبتها. في زيردل، نرفض كلا الطرفين المتطرفين. فلسفتنا متجذرة في مفهوم أكثر قوة وعملية: الذكاء المعزز.
نحن لا نعتقد أن الذكاء الاصطناعي يحل محل الحكم الدقيق والسياقي الذي يتمتع به خبراؤنا البشريون في التحليل الائتماني وشركاؤنا الوسيطون على الأرض. بدلاً من ذلك، نرى الذكاء الاصطناعي - وتحديداً التعلم الآلي (ML) - كأداة قوية بشكل لا يصدق يمكنها تعزيز قدراتهم، مما يسمح لهم باتخاذ قرارات أسرع وأكثر اتساقاً وأكثر ثراءً بالبيانات.
سوف يزيل هذا المقال الغموض حول كيفية عمل الذكاء الاصطناعي فعلياً ضمن إطارنا لإدارة مخاطر الائتمان، مركزاً على كيفية تعزيزه لقدرات خبرائنا البشريين، بدلاً من استبدالهم.
لعقود من الزمن، اعتمد تقييم الائتمان على النماذج الإحصائية التقليدية، مثل الانحدار اللوجستي، باستخدام عدد محدود من نقاط البيانات (مثل الدخل، مستوى الدين، حالات التخلف السابقة). هذه النماذج شفافة وسهلة التفسير، لكن لها قيوداً كبيرة:
صُممت نماذج التعلم الآلي الخاصة بنا للتغلب على هذه القيود ولتكون بمثابة مساعد قوي لصنّاع القرار البشريين لدينا. إليك الكيفية:
يمكن لنماذجنا تحليل آلاف نقاط البيانات لكل فرصة قرض، وهو ما يتجاوز بكثير ما يمكن لأي إنسان معالجته. وهذا لا يشمل البيانات المالية التقليدية فحسب، بل أيضاً:
من خلال معالجة هذه المجموعة الهائلة من البيانات، يمكن للنموذج إبراز رؤى ومخاطر محتملة كانت ستظل خفية بخلاف ذلك.
هنا يبرع التعلم الآلي حقاً. قد يرى المحلل البشري أن إيرادات المقترض تتزايد، وهي علامة جيدة. لكن قد يحدد نموذج التعلم الآلي نمطاً أكثر تعقيداً: "الإيرادات تتزايد، لكنها أصبحت أكثر تركيزاً مع عميل واحد يعمل في قطاع يرتبط سلبياً 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 يكون لدى محلل تجربة جيدة أو سيئة بشكل خاص مع قطاع معين، مما قد يؤثر بشكل خفي على أحكامه المستقبلية. نماذج الذكاء الاصطناعي الخاصة بنا، عندما يتم تدريبها ومراجعتها بشكل صحيح لضمان الإنصاف، تخلو 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 واضح ومكتوب. هذه العملية "ذات العنصر البشري في الحلقة" تفرض قراراً دقيقاً ويمكن محاسبته، تجمع بين أفضل ما في العالمين: اتساق الآلة القائم على البيانات والفهم السياقي للخبير البشري.
على عكس النماذج الثابتة، صُممت أنظمة التعلم الآلي الخاصة بنا للتعلم. نحن نغذيها باستمرار ببيانات أداء جديدة عن محفظة قروضنا. من خلال رؤية القروض التي أدت بشكل جيد والتي تخلفت عن السداد، يقوم النموذج باستمرار بصقل خوارزمياته، ليصبح أكثر ذكاءً ودقة مع مرور 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 زيرل، ذكاؤنا الاصطناعي ليس قاضياً مستقلاً؛ بل هو مساعد البحث الأقوى في العالم. فهو ينخل عبر جبال من البيانات، ويحدد الأنماط المعقدة، ويعرض نتائجه على خبرائنا البشريين. هؤلاء الخبراء - فرقنا الداخلية وشركاؤنا الوسيطون الخارجيون - هم من يطبقون بعد ذلك حكمتهم وخبرتهم وسياقهم الواقعي لاتخاذ قرار الإقراض النهائي الذكي.
يتيح لنا نهج الذكاء المعزز هذا أن نكون متقدمين تقنياً وبشريين بعمق في نفس الوقت، لتقديم مستوى من تقييم المخاطر أكثر شمولية واتساقاً واستشرافاً للمستقبل من أي وقت مضى.