kunstig intelligensAImaskinlæringkreditrisikorisikostyringdatavidenskabfintech
Den Forstærkede Analytiker: Sådan bruger Zirdle AI til at forbedre kreditrisikovurdering
Af Chefsdatavidenskabsmand, Zirdle
Loading...
Loading...
Udtrykket "Kunstig Intelligens" i finansverdenen fremkalder ofte to modstridende billeder: en utopisk vision om fejlfri, automatiseret beslutningstagning, eller en dystopisk frygt for uigennemsigtige "black box"-algoritmer, der træffer forudindtagede og uansvarlige valg. Hos Zirdle afviser vi begge yderpunkter. Vores filosofi er rodfæstet i et mere kraftfuldt og pragmatisk koncept: Forstærket Intelligens.
Vi tror ikke på, at AI er en erstatning for vores erfarne menneskelige kreditanalytikeres og vores lokale mæglerpartnere nuancerede, kontekstuelle dømmekraft. I stedet ser vi AI - specifikt maskinlæring (ML) - som et utroligt kraftfuldt værktøj, der kan forstærke deres evner og give dem mulighed for at træffe hurtigere, mere konsekvente og datarigere beslutninger.
Denne artikel vil afmystificere, hvordan AI faktisk fungerer inden for vores kreditrisikoramme, med fokus på, hvordan det forstærker vores menneskelige eksperter i stedet for at erstatte dem.
I årtier har kreditvurdering været afhængig af traditionelle statistiske modeller, som logistisk regression, der bruger et begrænset antal datapunkter (f.eks. indkomst, gældsniveau, tidligere misligholdelser). Disse modeller er gennemsigtige og nemme at fortolke, men de har væsentlige begrænsninger:
Vores ML-modeller er designet til at overvinde disse begrænsninger og fungere som en kraftfuld co-pilot for vores menneskelige beslutningstagere. Sådan gør vi:
Vores modeller kan analysere tusindvis af datapunkter for en given låne mulighed, langt ud over hvad et menneske kunne bearbejde. Dette inkluderer ikke kun traditionelle finansielle data, men også:
Ved at behandle dette enorme datasæt kan modellen frembringe indsigter og potentielle risici, der ellers ville forblive skjulte.
Det er her ML virkelig udmærker sig. En menneskelig analytiker kan se, at en låntagers omsætning stiger, hvilket er et godt tegn. Men en ML-model kan identificere et mere komplekst mønster: "Omsætningen stiger, MEN den bliver mere koncentreret hos en enkelt kunde, som er i en sektor med negativ korrelation til stigende oliepriser."
Modellen ser ikke kun på variabler; den ser på de indviklede, flerdimensionelle sammenhænge mellem dem. Den kan flagge disse skjulte sammenhænge og præsentere dem for den menneskelige analytiker til yderligere undersøgelse.
Alle mennesker har ubevidste bias. En analytiker kan have en særlig god eller dårlig oplevelse med en bestemt branche, hvilket kan farve deres fremtidige vurderinger. Vores AI-modeller, når de er korrekt trænet og revideret for retfærdighed, er fri for disse menneskelige bias.
Modellen leverer en konsekvent, datadrevet "sandsynlighed for misligholdelse"-score for hvert lån. Denne score træffer ikke den endelige beslutning. I stedet fungerer den som en objektiv basislinje. Hvis en menneskelig analytiker ønsker at tilsidesætte modellens anbefaling (enten for at godkende et lån modellen flaggede, eller afvise et den godkendte), skal de give en klar, skriftlig begrundelse. Denne "human-in-the-loop"-proces tvinger en streng og ansvarlig beslutning, der kombinerer det bedste fra begge verdener: maskinens datadrevne konsekvens og den menneskelige eksperts kontekstuelle forståelse.
I modsætning til statiske modeller er vores ML-systemer designet til at lære. Vi fodrer dem kontinuerligt med nye præstationsdata om vores låneportefølje. Ved at se, hvilke lån der klarede sig godt og hvilke der misligholdt, forfiner modellen konstant sine algoritmer og bliver klogere og mere præcis over tid. Den kan tilpasse sig skiftende økonomiske forhold på en måde, som traditionelle modeller simpelthen ikke kan.
Fremtiden for kreditvurdering er ikke en kamp mellem mennesker og maskiner. Det er et partnerskab. Hos Zirdle er vores AI ikke en autonom dommer; det er verdens mest kraftfulde forskningsassistent. Den gennemgår bjerge af data, identificerer komplekse mønstre og præsenterer sine resultater for vores menneskelige eksperter. Det er disse eksperter - vores interne teams og vores eksterne mæglerpartnere - som derefter anvender deres visdom, erfaring og virkelighedskontekst til at træffe den endelige, intelligente udlånsbeslutning.
Denne forstærkede intelligens-tilgang giver os mulighed for at være både teknologisk avancerede og dybt menneskelige, og leverer et niveau af risikovurdering, der er mere grundig, konsekvent og fremsynet end nogensinde før.