kecerdasan buatanAIpembelajaran mesinrisiko kreditmanajemen risikoilmu datafintech

Analis yang Diperkuat: Bagaimana Zirdle Menggunakan AI untuk Meningkatkan Penilaian Risiko Kredit

Oleh Kepala Ilmuwan Data, Zirdle

14 Januari 2025

Istilah "Kecerdasan Buatan" dalam keuangan seringkali memunculkan dua gambaran yang bertolak belakang: visi utopis tentang pengambilan keputusan otomatis yang sempurna, atau ketakutan distopis terhadap algoritma "kotak hitam" buram yang membuat pilihan yang bias dan tidak dapat dipertanggungjawabkan. Di Zirdle, kami menolak kedua ekstrem tersebut. Filosofi kami berakar pada konsep yang lebih kuat dan pragmatis: Kecerdasan Terskala.

Kami tidak percaya AI adalah pengganti dari penilaian kontekstual yang bernuansa dari analis kredit manusia ahli kami dan mitra broker di lapangan. Sebaliknya, kami melihat AI - khususnya, pembelajaran mesin (ML) - sebagai alat yang sangat kuat yang dapat meningkatkan kemampuan mereka, memungkinkan mereka membuat keputusan yang lebih cepat, lebih konsisten, dan lebih kaya data.

Artikel ini akan menjelaskan bagaimana AI sebenarnya bekerja dalam kerangka kerja risiko kredit kami, berfokus pada bagaimana AI meningkatkan kemampuan para ahli manusia kami, alih-alih menggantikan mereka.

Keterbatasan Model Kredit Tradisional

Selama beberapa dekade, penilaian kredit bergantung pada model statistik tradisional, seperti regresi logistik, yang menggunakan sejumlah data terbatas (misalnya, pendapatan, tingkat utang, gagal bayar sebelumnya). Model-model ini transparan dan mudah diinterpretasikan, tetapi memiliki keterbatasan yang signifikan:

Model tersebut statis: Mereka kesulitan beradaptasi dengan kondisi ekonomi baru.
Model tersebut melewatkan pola yang kompleks: Mereka tidak dapat mengidentifikasi hubungan non-linear yang halus antara ribuan variabel berbeda.
Model tersebut miskin data: Mereka biasanya mengabaikan sejumlah besar data alternatif yang sangat prediktif terhadap kelayakan kredit.

Bagaimana Model Pembelajaran Mesin Zirdle Meningkatkan Proses

Model ML kami dirancang untuk mengatasi keterbatasan ini dan berfungsi sebagai co-pilot yang kuat bagi para pengambil keputusan manusia kami. Begini caranya:

1. Memproses Kumpulan Data yang Jauh Lebih Luas

Model kami dapat menganalisis ribuan titik data untuk setiap peluang pinjaman, jauh melampaui apa yang dapat diproses manusia mana pun. Ini mencakup tidak hanya data keuangan tradisional tetapi juga:

Data Makroekonomi: Bagaimana kinerja industri peminjam di wilayah spesifik mereka? Apa tren inflasi atau pengangguran lokal?
Data Rantai Pasok: Seberapa bergantung peminjam pada satu pemasok? Seberapa stabil pelanggan utama mereka?
Data Geospasial: Untuk pinjaman pertanian, model kami dapat menganalisis citra satelit untuk menilai kesehatan tanaman atau pola cuaca historis untuk sebidang tanah tertentu.

Dengan memproses kumpulan data yang sangat besar ini, model dapat mengungkapkan wawasan dan potensi risiko yang jika tidak akan tetap tersembunyi.

2. Mengidentifikasi Pola Non-Linear dan Korelasi Tersembunyi

Di sinilah ML benar-benar unggul. Seorang analis manusia mungkin melihat bahwa pendapatan peminjam meningkat, yang merupakan pertanda baik. Tetapi model ML mungkin mengidentifikasi pola yang lebih kompleks: "Pendapatan meningkat, TETAPI menjadi lebih terkonsentrasi dengan satu pelanggan yang berada di sektor yang berkorelasi negatif dengan kenaikan harga minyak."

Model tidak hanya melihat variabel; ia melihat hubungan rumit dan multi-dimensi di antara mereka. Ia dapat menandai korelasi tersembunyi ini dan menyajikannya kepada analis manusia untuk penyelidikan lebih lanjut.

3. Memberikan "Pendapat Kedua" yang Konsisten dan Tidak Bias

Setiap manusia memiliki bias bawah sadar. Seorang analis mungkin memiliki pengalaman yang sangat baik atau buruk dengan industri tertentu, yang dapat secara halus memengaruhi penilaian mereka di masa depan. Model AI kami, ketika dilatih dan diaudit dengan benar untuk keadilan, bebas dari bias manusia ini.

Model memberikan skor "probabilitas gagal bayar" yang konsisten dan berbasis data untuk setiap pinjaman. Skor ini tidak membuat keputusan akhir. Sebaliknya, ia bertindak sebagai dasar objektif. Jika seorang analis manusia ingin mengabaikan rekomendasi model (baik untuk menyetujui pinjaman yang ditandai model, atau menolak pinjaman yang disetujui model), mereka harus memberikan alasan tertulis yang jelas. Proses "manusia-dalam-langkah" ini memaksa keputusan yang ketat dan dapat dipertanggungjawabkan, menggabungkan yang terbaik dari kedua dunia: konsistensi berbasis data dari mesin dan pemahaman kontekstual dari ahli manusia.

4. Pembelajaran dan Adaptasi yang Berkelanjutan

Tidak seperti model statis, sistem ML kami dirancang untuk belajar. Kami secara terus-menerus memberi mereka data kinerja baru pada portofolio pinjaman kami. Dengan melihat pinjaman mana yang berkinerja baik dan mana yang gagal bayar, model terus-menerus menyempurnakan algoritmanya, menjadi lebih cerdas dan akurat seiring waktu. Ia dapat beradaptasi dengan kondisi ekonomi yang berubah dengan cara yang tidak dapat dilakukan oleh model tradisional.

Kesimpulan: Kemitraan Antara Manusia dan Mesin

Masa depan penilaian kredit bukanlah pertempuran antara manusia dan mesin. Ini adalah kemitraan. Di Zirdle, AI kami bukanlah hakim otonom; ia adalah asisten penelitian paling kuat di dunia. Ia menyaring gunungan data, mengidentifikasi pola yang kompleks, dan menyajikan temuan-temuannya kepada para ahli manusia kami. Para ahli inilah - tim internal kami dan mitra broker eksternal kami - yang kemudian menerapkan kebijaksanaan, pengalaman, dan konteks dunia nyata mereka untuk membuat keputusan pinjaman akhir yang cerdas.

Pendekatan kecerdasan terskala ini memungkinkan kami untuk menjadi maju secara teknologi dan sekaligus sangat manusiawi, memberikan tingkat penilaian risiko yang lebih menyeluruh, konsisten, dan berorientasi masa depan daripada sebelumnya.