Täiustatud analüütik: Kuidas Zirdle kasutab tehisintellekti krediidiriski hindamise täiustamiseks

Täiustatud analüütik: Kuidas Zirdle kasutab tehisintellekti krediidiriski hindamise täiustamiseks | Blog | Zirdle

Mõiste "tehisintellekt" rahanduses kujutab sageli 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 lükkame mõlemad äärmused tagasi. Meie filosoofia põhineb võimsamal ja pragmaatilisemal kontseptsioonil: Täiendatud Intellekt.

Me ei usu, et AI võiks asendada meie inimeste ekspert-krediidianalüütikute ja maapealsete broker-partnerite nüansirikast, kontekstipõhist otsustusvõimet. Selle asemel näeme me AI-d – täpsemalt masinõpet (ML) – kui uskumatult võimsat tööriista, mis saab nende oskusi täiendada, võimaldades neil teha kiiremaid, järjepidevamaid ja andmerikkamaid otsuseid.

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

Traditsiooniliste krediidimudelite piiratus

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: Neil on raskusi kohanemisest uute majandusoludega.
Need ei märka keerulisi mustreid: Nad ei suuda tuvastada tuhandete erinevate muutujate vahelisi peenraid, mittelineaarseid seoseid.
Need on andmevaesed: Nad ignoreerivad tavaliselt tohutut hulka alternatiivandmeid, mis võivad olla krediidivõimekuse kohta väga ennustusvõimelised.

Kuidas Zirdle'i masinõppe mudelid protsessi täiendavad

Meie ML-mudelid on loodud nende piirangute ületamiseks ja toimimiseks kui võimas kaaspiloot meie inimestest otsustajatele. Siin on, kuidas:

1. Laiahaardelisema andmestiku töötlemine

Meie mudelid suudavad analüüsida tuhandeid andmepunkte antud 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 tarnijast? Kui stabiilsed on nende peamised kliendid?
Georuumilisi andmeid: Põllumajanduslaenude puhul saavad meie mudelid analüüsida satelliidipilte, et hinnata viljasaagi tervist või konkreetse maatüki ajaloolisi ilmanähtusi.

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

2. Mittelineaarsete mustrite ja peidetud korrelatsioonide tuvastamine

Siin on ML tõeliselt väljapaistev. 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 korrelatsioonis tõusvate naftahindadega."

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

3. Järjepideva, erapooletu "teise arvamuse" andmine

Igal inimesel on alateadlikud kallutused. Analüütikul võib olla eriti hea või halb kogemus teatud tööstusharuga, mis võib varjatult värvi tema tulevasi hinnanguid. Meie AI-mudelid, kui need on korralikult treenitud ja õigluse osas auditeeritud, on vabad nendest inimlikest kallutustest.

Mudel pakub iga laenu kohta järjepidevat, andmepõhist "eeldatava maksejõuetuse tõenäosuse" skoori. See skoor ei tee lõplikku otsust. Selle asemel toimib see objektiivse baasjoone. Kui inimanalüütik soovib tühistada mudeli soovituse (kas heaks kiita laenu, mille mudel märgistas, või tagasi lükata seda, mille ta heaks kiitis), peab ta esitama selge, kirjaliku põhjenduse. See "inimene ahelas" protsess sunnib ranget ja vastutustundlikku otsust, ühendades parima mõlemast maailmast: masina andmepõhise järjepidevuse ja inimest eksperdi kontekstipõhise mõistmise.

4. Pidev õppimine ja kohanemine

Erinevalt staatilistest mudelitest on meie ML-süsteemid loodud õppima. Me toidame neile pidevalt uusi toimivusandmeid meie laenupordfelli kohta. Nähes, millised laenud toimisid hästi ja millised läksid maksejõuetuks, täpsustab mudel pidevalt oma algoritme, muutudes aja jooksul targemaks ja täpsemaks. See suudab kohaneda muutuvate majandusoludega viisil, mida traditsioonilised mudelid lihtsalt ei suuda.

Kokkuvõte: partnerlus inimese ja masina vahel

Krediidihindamise tulevik ei ole lahing inimese ja masina vahel. See on partnerlus. Zirdle'l ei ole meie AI autonoomne kohtunik; see on maailma võimsaim uurimisassistent. See sõelub läbi andmemägede, tuvastab keerulisi mustreid ja esitab oma leiud meie inimestest ekspertidele. Just need eksperdid – meie sisemised meeskonnad ja välistest broker-partnerid – rakendavad seejärel oma tarkust, kogemust ja reaalse maailma konteksti, et teha lõplik, intelligentne laenamise otsus.

See täiendatud intellekti lähenemine võimaldab meil olla nii tehnoloogiliselt arenenud kui ka sügavalt inimlikud, pakkudes riskihindamise taset, mis on põhjalikum, järjepidevam ja tulevikku vaatavam kui kunagi varem.