Усиленият анализатор: Как Zirdle използва изкуствен интелект за подобряване на оценката на кредитния риск

Усиленият анализатор: Как Zirdle използва изкуствен интелект за подобряване на оценката на кредитния риск | Blog | Zirdle

Терминът "Изкуствен интелект" във финансите често събужда две противоположни образа: утопична визия за безупречно, автоматизирано вземане на решения или дистопичен страх от непрозрачни алгоритми като "черна кутия", които взимат пристрастни и недържани отговорност решения. В Zirdle ние отхвърляме двете крайности. Нашата философия е вкоренена в едно по-мощно и прагматично понятие: Разширен интелект.

Ние не вярваме, че ИИ е заместител на нюансираната, контекстуална преценка на нашите експертни човешки кредитни анализатори и партньори брокери на терен. Вместо това ние виждаме ИИ – по-конкретно, машинното обучение (МО) – като изключително мощен инструмент, който може да засили техните способности, позволявайки им да взимат по-бързи, по-последователни и по-богати на данни решения.

Тази статия ще демистифицира как ИИ всъщност работи в нашата рамка за управление на кредитния риск, като се съсредоточи върху това как той подсилва нашите човешки експерти, а не ги замества.

Ограниченията на традиционните кредитни модели

В продължение на десетилетия оценката на кредитоспособността се е основавала на традиционни статистически модели, като логистична регресия, използващи ограничен брой данни (напр. доход, ниво на дълга, минали неизпълнения). Тези модели са прозрачни и лесни за тълкуване, но имат значителни ограничения:

Те са статични: Те се борят да се адаптират към нови икономически условия.
Те пропускат сложни модели: Те не могат да идентифицират сложните, нелинейни връзки между хиляди различни променливи.
Те са бедни на данни: Те обикновено игнорират огромно количество алтернативни данни, които могат да бъдат силно предсказателни за кредитоспособността.

Как моделите за машинно обучение на Zirdle разширяват процеса

Нашите модели за МО са проектирани да преодолеят тези ограничения и да служат като мощен съпилот за нашите човешки вземащи решения. Ето как:

1. Обработка на значително по-широк набор от данни

Нашите модели могат да анализират хиляди данни за дадена кредитна възможност, далеч отвъд това, което човек би могъл да обработи. Това включва не само традиционни финансови данни, но и:

Макроикономически данни: Как се представя индустрията на кредитополучателя в техния конкретен регион? Каква е тенденцията в местната инфлация или безработица?
Данни за веригата на доставки: Колко зависим е кредитополучателят от един доставчик? Колко стабилни са основните му клиенти?
Геопространствени данни: За земеделските кредити нашите модели могат да анализират сателитни изображения, за да оценят здравето на културите или историческите метеорологични модели за конкретен парцел земя.

Чрез обработката на този огромен набор от данни, моделът може да извади наяве прозрения и потенциални рискове, които в противен случай биха останали скрити.

2. Идентифициране на нелинейни модели и скрити корелации

Тук МО наистина превъзхожда. Човешкият анализатор може да види, че приходите на кредитополучателя се увеличават, което е добър знак. Но моделът за МО може да идентифицира по-сложен модел: "Приходите се увеличават, НО те стават все по-концентрирани в един клиент, който е в сектор с отрицателна корелация с покачващите се цени на петрола."

Моделът не просто гледа променливи; той разглежда сложните, многоизмерни връзки между тях. Той може да отбележи тези скрити корелации и да ги представи на човешкия анализатор за по-нататъшно разследване.

3. Осигуряване на последователно, безпристрастно "второ мнение"

Всеки човек има несъзнателни пристрастия. Анализаторът може да има особено добър или лош опит с дадена индустрия, което може незабележимо да оцвети бъдещите му преценки. Нашите модели на ИИ, когато са правилно обучени и проверени за справедливост, са свободни от тези човешки пристрастия.

Моделът предоставя последователен, базиран на данни резултат за "вероятност от неизпълнение" за всеки кредит. Този резултат не взима окончателното решение. Вместо това, той действа като обективна базова линия. Ако човешкият анализатор иска да отмени препоръката на модела (за да одобри кредит, който моделът е отбелязал, или да отхвърли такъв, който той е одобрил), той трябва да предостави ясно, писмено обоснование. Този процес с "човек в цикъла" налага строго и отговорно вземане на решения, комбинирайки най-доброто от двата свята: последователността, базирана на данни, на машината и контекстуалното разбиране на човешкия експерт.

4. Непрекъснато обучение и адаптация

За разлика от статичните модели, нашите системи за МО са проектирани да се учат. Ние непрекъснато ги храним с нови данни за представянето на нашия кредитен портфейл. Като вижда кои кредити се представят добре и кои не се изпълняват, моделът постоянно усъвършенства алгоритмите си, ставайки по-умен и по-точен с времето. Той може да се адаптира към променящите се икономически условия по начин, по който традиционните модели просто не могат.

Заключение: Партньорство между човек и машина

Бъдещето на оценката на кредитоспособността не е битка между хора и машини. То е партньорство. В Zirdle нашият ИИ не е автономен съдия; той е най-мощният в света изследователски асистент. Той пресява планини от данни, идентифицира сложни модели и представя своите находки на нашите човешки експерти. Именно тези експерти – нашите вътрешни екипи и нашите външни партньори брокери – след това прилагат своята мъдрост, опит и контекст от реалния свят, за да вземат окончателното, интелигентно решение за кредитиране.

Този подход на разширен интелект ни позволява да бъдем едновременно технологично напреднали и дълбоко човешки, предлагайки ниво на оценка на риска, което е по-задълбочено, последователно и ориентирано към бъдещето, откогато и да било.