tehisintellekttehisintellektmasinõpekrediidiriskiriskijuhtimineandmeteadusfintech

Täiustatud analüütik: Kuidas Zirdle kasutab tehisintellekti krediidiriski hindamise täiustamiseks

Autor Peaandmeteadlane, Zirdle

14. jaanuar 2025

Mõiste "tehisintellekt" finantsivaldkonnas kujutab tihti ette kahte vastandlikku pilti: utoopilist nägemust veatust automatiseeritud otsustusprotsessist või düstoopilist hirmu läbipaistmatute "musta kasti" algoritmide ees, mis teevad kallutatud ja kontrollimatud valikud. Zirdle'l me ei poolda kumbagi äärmust. Meie filosoofia tugineb võimsamal ja pragmaatilisemal kontseptsioonil: Täiustatud Intellekt.

Me ei usu, et tehisintellekt võiks asendada meie inimeste krediidianalüütikute ja maapealsete brokeri-partnerite nüansirikast, kontekstipõhist otsustusvõimet. Selle asemel näeme me tehisintellekti – täpsemalt masinõpet (ML) – kui uskumatult võimsat tööriista, mis võib nende oskusi täiustada, võimaldades neil teha kiiremaid, järjekindlamaid ja andmerikkamaid otsuseid.

See artikkel selgitab, kuidas tehisintellekt tegelikult meie krediidiriski raamistikus töötab, keskendudes sellele, kuidas see meie inimestest eksperte võimsustab, mitte asendab.

Traditsiooniliste krediidimudelite piirangud

Aastakümneid on krediidihindamine tuginenud traditsioonilistele statistilistele mudelitele, nagu logistiline regressioon, kasutades piiratud arvu andmepunkte (nt sissetulek, võlatase, varasemad laenujäägid). Need mudelid on läbipaistvad ja lihtsalt tõlgendatavad, kuid neil on olulisi piiranguid:

Need on staatilised: Nad ei kohanu uute majandustingimustega.
Need ei märka keerulisi mustreid: Nad ei suuda tuvastada tuhandete erinevate muutujate vahelisi peensuslikke, mittelineaarseid seoseid.
Need on andmevaesed: Nad eiravad tavaliselt tohutut hulka alternatiivandmeid, mis võivad olla väga ennustuslikud krediidivõimekuse osas.

Kuidas Zirdle'i masinõppe mudelid protsessi täiustavad

Meie ML-mudelid on loodud nende piirangute ületamiseks ja toimimiseks võimsa kaaspiloodina meie inimestest otsustajatele. Siin on, kuidas:

1. Töötlemine oluliselt laiemaid andmekogumeid

Meie mudelid suudavad analüüsida tuhandeid andmepunkte iga laenuvõimaluse kohta, palju rohkem kui ükski inimene suudaks töödelda. See hõlmab mitte ainult traditsioonilisi finantsandmeid, vaid ka:

Makroökonoomilisi andmeid: Kuidas käib laenuvõtja tööstusharu konkreetses piirkonnas? Milline on kohaliku inflatsiooni või töötuse trend?
Tarneahela andmeid: Kui sõltuv on laenuvõtja ühest hankijast? Kui stabiilsed on nende peamised kliendid?
Georuumiandmeid: Põllumajanduslike laenude puhul saavad meie mudelid analüüsida satelliitpilte konkreetse maatüki viljakuse hindamiseks või ajaloolisi ilmastikumustreid.

Selle tohutu andmekogumi töötlemise kaudu suudab mudel esile tuua ülevaateid ja potentsiaalseid riske, mis muidu jääksid varjatuks.

2. Mittelineaarsete mustrite ja peidetud korrelatsioonide tuvastamine

Siin on ML tõeliselt võimas. Inimanalüütik võib näha, et laenuvõtja tulu kasvab, mis on hea märk. Kuid ML-mudel võib tuvastada keerukama mustri: "Tulu kasvab, KUID see koondub üha enam ühele kliendile, kes tegutseb sektoris, mis on negatiivselt korreleeritud tõusvate naftahindadega."

Mudel ei vaata lihtsalt muutujaid; see vaatab nende vahelisi keerukaid, mitmemõõtmelisi seoseid. See suudab need peidetud korrelatsioonid märgistada ja esitada need inimanalüütikule edasiseks uurimiseks.

3. Järjekindla, erapooletu "teise arvamuse" andmine

Igal inimesel on teadvamatuid eelarvamusi. Analüütikul võib olla eriti hea või halb kogemus teatud tööstusharuga, mis võib varjatult mõjutada tema tulevasi hinnanguid. Meie tehisintellekti mudelid, kui neid on korralikult treenitud ja õigluse osas auditeeritud, on vabad nendest inimlikest eelarvamustest.

Mudel annab iga laenu kohta järjekindla, andmepõhise "maksmata jätmise tõenäosuse" skoori. See skoor ei tee lõplikku otsust. Selle asemel toimib see objektiivse alusena. Kui inimanalüütik soovib mudeli soovitust üle kirjutada (kas heaks kiita laenu, mille mudel märgistas, või tagasi lükata seda, mille mudel heaks kiitis), peab ta esitama selge, kirjaliku põhjenduse. See "inimene ahelas" protsess sunnib läbi viima põhjaliku ja vastutustundliku otsuse, ühendades parima mõlemast maailmast: masina andmepõhise järjekindluse ja inimestest eksperdi kontekstipõhise mõistmise.

4. Pidev õppimine ja kohanemine

Erinevalt staatilistest mudelitest on meie ML-süsteemid loodud õppima. Me söödame neile pidevalt uusi tulemusandmeid meie laenupordfellist. Nähes, millised laenud hästi toime tulid ja millised jäid maksmata, täpsustab mudel pidevalt oma algoritme, muutudes aja jooksul targemaks ja täpsemaks. See suudab kohaneda muutuvate majandustingimustega viisil, mida traditsioonilised mudelid lihtsalt ei suuda.

Kokkuvõte: Partnerlus inimese ja masina vahel

Krediidihindamise tulevik ei ole lahing inimeste ja masinate vahel. See on partnerlus. Zirdle'l pole meie tehisintellekt autonoomne kohtunik; see on maailma võimsaim uurimisassistent. See sõelub läbi andmemäed, tuvastab keerulisi mustreid ja esitab oma leiud meie inimestest ekspertidele. Just need eksperdid – meie sisemised meeskonnad ja välised brokeri-partnerid – rakendavad siis oma tarkust, kogemust ja reaalse maailma konteksti, et teha lõplik, intelligentne laenuandmise otsus.

See täiustatud intellekti lähenemine võimaldab meil olla nii tehnoloogiliselt arenenud kui ka sügavalt inimlikud, pakkudes riskihindamise taset, mis on põhjalikum, järjekindlam ja tulevikule suunatum kui kunagi varem.