mesterséges intelligenciaAIgépi tanuláshitelkockázatkockázatkezelésadat tudományfintech
A kibővített elemző: Hogyan használja a Zirdle az AI-t a hitelkockázat-értékelés fejlesztésére
Írta Chief Data Scientist, Zirdle
Loading...
Loading...
A "mesterséges intelligencia" kifejezés a pénzügyekben gyakran két ellentétes képet vet fel: egy hibátlan, automatizált döntéshozatal utópisztikus látomását, vagy az átlátszatlan "fekete doboz" algoritmusok elfogult és felelősségre nem vonható döntéseinek disztópikus félelmét. A Zirdle-nél elutasítjuk mindkét extrém álláspontot. Filozófiánk egy sokkal erőteljesebb és pragmatikusabb koncepcióban gyökerezik: a Kibővített Intelligencia.
Nem hisszük, hogy az MI leváltaná szakértő emberi hitelanalitikusaink és helyszíni brókérpartnereink árnyalt, kontextuális ítélőképességét. Ehelyett úgy látjuk az MI-t – konkrétan a gépi tanulást (ML) –, mint egy hihetetlenül hatékony eszközt, amely kibővíti képességeiket, lehetővé téve számukra, hogy gyorsabbak, következetesebbek és adatgazdagabbak legyenek a döntéseik.
Ez a cikk leleplezi, hogyan működik valójában az MI hitelkockázati keretrendszerünkön belül, arra összpontosítva, hogyan fokozza emberi szakértőink teljesítményét, ahelyett, hogy helyettesítené őket.
Évtizedek óta a hitelminősítés a hagyományos statisztikai modellekre, például a logisztikus regresszióra támaszkodott, korlátozott számú adatpont (pl. jövedelem, adósságszint, korábbi fizetésképtelenségek) felhasználásával. Ezek a modellek átláthatóak és könnyen értelmezhetőek, de jelentős korlátaik vannak:
ML-modelljeinket azért terveztük, hogy leküzdjék ezeket a korlátokat és hatékony másodpilótaként szolgáljanak emberi döntéshozóink számára. Íme, hogyan:
Modelljeink egy adott hitelkonstrukcióhoz több ezer adatpontot képesek elemezni, jóval többet, mint amit bármely ember feldolgozhatna. Ez nem csak a hagyományos pénzügyi adatokat foglalja magában, hanem például:
Ennek a hatalmas adathalmaznak a feldolgozásával a modell olyan betekintéseket és potenciális kockázatokat hozhat felszínre, amelyek egyébként rejtve maradnának.
Itt tündököl igazán a gépi tanulás. Egy emberi elemző azt láthatja, hogy a hitelfelvevő bevétele növekszik, ami jó jel. De egy ML-modell egy összetettebb mintázatot azonosíthat: "A bevétel növekszik, DE egyre inkább egyetlen ügyfélre koncentrálódik, aki egy olyan szektorban tevékenykedik, amely negatívan korrelál a növekvő olajárakkal."
A modell nem csak a változókat nézi; hanem azok közötti bonyolult, többdimenziós kapcsolatokat is vizsgálja. Ezeket a rejtett korrelációkat felismerheti és felvetheti az emberi elemző további vizsgálata számára.
Minden emberben vannak tudattalan előítéletek. Egy elemzőnek lehet különösen jó vagy rossz tapasztalata egy bizonyos iparággal, ami befolyásolhatja későbbi ítéleteit. Megfelelően kiképzett és tisztesség szempontjából auditált MI-modelljeink mentesek ezektől az emberi előítéletektől.
A modell minden hitelhez egy következetes, adatvezérelt "fizetésképtelenség valószínűségi" pontszámot szolgáltat. Ez a pontszám nem hozza meg a végső döntést. Ehelyett egy objektív kiindulási alapként szolgál. Ha egy emberi elemző felül akarja írni a modell ajánlását (akár egy modell által megjelölt hitel jóváhagyására, akár egy modell által jóváhagyott hitel elutasítására), világos, írásos indoklást kell adnia. Ez az "ember a hurokban" folyamat egy szigorú és felelősségre vonható döntéshozatalt eredményez, egyesítve a legjobbat mindkét világból: a gép adatvezérelt következetességét és az emberi szakértő kontextuális megértését.
A statikus modellektől eltérően ML-rendszereinket tanulásra tervezték. Folyamatosan tápláljuk őket új teljesítményadatokkal hitelportfóliónkról. Azzal, hogy látják, mely hitelek teljesítettek jól és melyek váltak fizetésképtelenné, a modell folyamatosan finomítja algoritmusait, idővel okosabbá és pontosabbá válva. Olyan módon képes alkalmazkodni a változó gazdasági körülményekhez, amire a hagyományos modellek egyszerűen nem képesek.
A hitelminősítés jövője nem az ember és a gép közötti harc. Ez egy partnerség. A Zirdle-nél MI-nk nem autonóm bíró; hanem a világ leghatékonyabb kutatási asszisztense. Átkutat adathegyeket, azonosít összetett mintázatokat, és megállapításait előterjeszti emberi szakértőinknek. Ezek a szakértők – belső csapataink és külső brókérpartnereink – azok, akik ezután bölcsességüket, tapasztalatukat és valóságszerinti kontextusukat alkalmazzák a végső, intelligens hiteldöntés meghozatalához.
Ez a kibővített intelligencia megközelítés lehetővé teszi számunkra, hogy technológiailag fejlett és mélyen emberközpontúak legyünk egyúttal, olyan szintű kockázatértékelést nyújtva, amely átfogóbb, következetesebb és előrelátóbb, mint valaha.