Uzlabotais analītiķis: Kā Zirdle izmanto mākslīgo intelektu, lai uzlabotu kredītriska novērtējumu

Uzlabotais analītiķis: Kā Zirdle izmanto mākslīgo intelektu, lai uzlabotu kredītriska novērtējumu | Blog | Zirdle

Termins "mākslīgais intelekts" finansēs bieži izsauc divas pretējas ainas: utopisku redzējumu par nevainojamu, automatizētu lēmumu pieņemšanu vai distopisku bailes no necaurredzamām "melnās kastes" algoritmām, kas pieņem neobjektīvus un neuzskaitītus lēmumus. Zirdle mēs noraidām abas galējības. Mūsu filozofija ir sakņota spēcīgākā un pragmatiskākā koncepcijā: Papildinātais intelekts.

Mēs neticam, ka mākslīgais intelekts var aizstāt mūsu ekspertu cilvēku kredītu analītiķu un lauka brokeru partneru niansēto, kontekstā balstīto spriedumu. Tā vietā mēs redzam mākslīgo intelektu - konkrēti, mašīnmācīšanos (ML) - kā neticami spēcīgu rīku, kas var papildināt viņu spējas, ļaujot viņiem pieņemt ātrākus, konsekventākus un ar datiem bagātākus lēmumus.

Šis raksts atklās, kā mākslīgais intelekts faktiski darbojas mūsu kredītriska ietvaros, koncentrējoties uz to, kā tas pastiprina mūsu cilvēku ekspertus, nevis aizstāj tos.

Tradicionālo kredītmodelu ierobežojumi

Gadu desmitiem kredītvērtēšana ir paļāvusies uz tradicionāliem statistikas modeļiem, piemēram, logistisko regresiju, izmantojot ierobežotu datu punktu skaitu (piemēram, ienākumus, parāda līmeni, pagātnes maksātnespējas). Šie modeļi ir caurredzami un viegli interpretējami, taču tiem ir būtiski ierobežojumi:

Tie ir statiski: Tie cīnās pielāgoties jauniem ekonomiskajiem apstākļiem.
Tie nokavē sarežģītus modeļus: Tie nevar identificēt smalkas, nelineāras attiecības starp tūkstošiem dažādu mainīgo.
Tie ir datu nabadzīgi: Tie parasti ignorē milzīgu alternatīvo datu daudzumu, kas var būt ļoti prognozējošs kredītspējai.

Kā Zirdle mašīnmācīšanās modeļi papildina procesu

Mūsu ML modeļi ir veidoti, lai pārvarētu šos ierobežojumus un kalpotu kā spēcīgs kopilots mūsu cilvēku lēmumu pieņēmējiem. Lūk, kā:

1. Apstrādājot ievērojami plašāku datu kopu

Mūsu modeļi var analizēt tūkstošiem datu punktu konkrētai aizdevuma iespējai, tālu pārsniedzot to, ko jebkurš cilvēks varētu apstrādāt. Tas ietver ne tikai tradicionālos finanšu datus, bet arī:

Makroekonomiskos datus: Kā aizņēmēja nozare veicas viņu konkrētajā reģionā? Kāda ir lokālās inflācijas vai bezdarba tendence?
Piegādes ķēdes datus: Cik atkarīgs ir aizņēmējs no viena piegādātāja? Cik stabilas ir viņu primārās klientu bāzes?
Ģeotelpiskos datus: Lauksaimniecības aizdevumiem mūsu modeļi var analizēt satelītu attēlus, lai novērtētu ražas veselību vai vēsturiskos laika apstākļus konkrētam zemes gabalam.

Apstrādājot šo milzīgo datu kopu, modelis var atklāt ieskatus un potenciālos riskus, kas citādi paliktu slēpti.

2. Identificējot nelineārus modeļus un slēptās korelācijas

Šeit ML patiešām izceļas. Cilvēka analītiķis varētu redzēt, ka aizņēmēja ieņēmumi pieaug, kas ir labs pazīme. Bet ML modelis varētu identificēt sarežģītāku modeli: "Ieņēmumi pieaug, BET tie kļūst arvien koncentrētāki pie viena klienta, kurš darbojas nozarē, kas ir negatīvi korelēta ar augošām naftas cenām."

Modelis ne tikai skatās uz mainīgajiem; tas skatās uz sarežģītajām, daudzdimensiju attiecībām starp tiem. Tas var iezīmēt šīs slēptās korelācijas un prezentēt tās cilvēka analītiķim tālākai izpētei.

3. Sniedzot konsekventu, neobjektīvu "otro viedokli"

Katram cilvēkam ir neapzinātas aizspriedumi. Analītiķim varētu būt īpaši labs vai slikts pieredze ar noteiktu nozari, kas varētu nedaudz ietekmēt viņa turpmākos spriedumus. Mūsu mākslīgā intelekta modeļi, pareizi apmācīti un pārbaudīti taisnīgumam, ir brīvi no šīm cilvēka aizspriedumiem.

Modelis nodrošina konsekventu, uz datiem balstītu "maksātnespējas varbūtības" rezultātu katram aizdevumam. Šis rezultāts nepieņem galīgo lēmumu. Tā vietā tas darbojas kā objektīvs pamata līmenis. Ja cilvēka analītiķis vēlas ignorēt modeļa ieteikumu (vai nu apstiprināt aizdevumu, ko modelis iezīmēja, vai noraidīt to, ko tas apstiprināja), viņam jānodrošina skaidrs, rakstisks pamatojums. Šis "cilvēka iesaistīšanas" process piespiež pieņemt stingru un atbildīgu lēmumu, apvienojot abu pasaulu labāko: mašīnas uz datiem balstīto konsekvenci un cilvēka eksperta kontekstālo izpratni.

4. Nepārtraukta mācīšanās un pielāgošanās

Atšķirībā no statiskiem modeļiem, mūsu ML sistēmas ir veidotas, lai mācītos. Mēs nepārtraukti barojam tās ar jauniem veiktspējas datiem par mūsu aizdevumu portfeļiem. Redzot, kuri aizdevumi veiksmīgi veikti un kuri maksātnespējīgi, modelis pastāvīgi uzlabo savus algoritmus, laika gaitā kļūstot gudrāks un precīzāks. Tas var pielāgoties mainīgiem ekonomiskajiem apstākļiem tā, kā tradicionālie modeļi vienkārši nevar.

Secinājums: Partnerība starp cilvēku un mašīnu

Kredītvērtēšanas nākotne nav cīņa starp cilvēkiem un mašīnām. Tā ir partnerība. Zirdle mūsu mākslīgais intelekts nav autonomais tiesnesis; tas ir pasaules visvarenākais pētniecības asistents. Tas izsijā cauri datu kalniem, identificē sarežģītus modeļus un prezentē savus atklājumus mūsu cilvēku ekspertiem. Tieši šie eksperti - mūsu iekšējās komandas un ārējie brokeru partneri - pēc tam pielieto savu gudrību, pieredzi un reālās pasaules kontekstu, lai pieņemtu galīgo, inteliģento aizdevuma lēmumu.

Šī papildinātā intelekta pieeja ļauj mums būt gan tehnoloģiski progresīviem, gan dziļi cilvēciskiem, nodrošinot riska novērtējuma līmeni, kas ir pārdomātāks, konsekventāks un vērienīgāks nekā jebkad agrāk.