kunstig intelligensAImaskinlæringkredittrisikorisikostyringdatavitenskapfintech

Den forsterkede analytikeren: Hvordan Zirdle bruker AI for å forbedre kredittrisikovurdering

Av Sjefsdatavitenskapsmann, Zirdle

14. januar 2025

Loading...

Begrepet "kunstig intelligens" i finans bringer ofte frem to motstridende bilder: en utopisk visjon om feilfri, automatisert beslutningstaking, eller en dystopisk frykt for uigjennomsiktige "black box"-algoritmer som tar forutinntatte og uansvarlige valg. Hos Zirdle avviser vi begge ytterlighetene. Vår filosofi er forankret i et mer kraftfullt og pragmatisk konsept: Augmented Intelligence (forsterket intelligens).

Vi tror ikke at AI er en erstatning for den nyanserte, kontekstuelle dømmekraften til våre erfarne menneskelige kredittanalytikere og våre partnere på bakken. I stedet ser vi på AI – spesielt maskinlæring (ML) – som et utrolig kraftig verktøy som kan forsterke deres evner og gjøre dem i stand til å ta raskere, mer konsistente og mer datarike beslutninger.

Denne artikkelen vil avmystifisere hvordan AI faktisk fungerer innen vårt kredittrisikorammeverk, med fokus på hvordan det forsterker våre menneskelige eksperter, i stedet for å erstatte dem.

Begrensningene til tradisjonelle kreditmodeller

I flere tiår har kredittvurdering støttet seg til tradisjonelle statistiske modeller, som logistisk regresjon, ved bruk av et begrenset antall datapunkter (f.eks. inntekt, gjeldsnivå, tidligere mislighold). Disse modellene er gjennomsiktige og lette å tolke, men de har betydelige begrensninger:

De er statiske: De sliter med å tilpasse seg nye økonomiske forhold.
De går glipp av komplekse mønstre: De kan ikke identifisere de subtile, ikke-lineære sammenhengene mellom tusenvis av forskjellige variabler.
De er datafattige: De ignorerer typisk en enorm mengde alternative data som kan være svært prediktive for kredittverdighet.

Hvordan Zirdles maskinlæringsmodeller forsterker prosessen

Våre ML-modeller er designet for å overvinne disse begrensningene og fungere som en kraftfull medpilot for våre menneskelige beslutningstagere. Slik gjør vi det:

1. Prosessering av et betydelig bredere datasett

Våre modeller kan analysere tusenvis av datapunkter for et gitt lånetilbud, langt utover hva noe menneske kunne prosessert. Dette inkluderer ikke bare tradisjonelle finansielle data, men også:

Makroøkonomiske data: Hvordan presterer låntakerens bransje i deres spesifikke region? Hva er trenden i lokal inflasjon eller arbeidsledighet?
Verdikjededata: Hvor avhengig er låntakeren av en enkelt leverandør? Hvor stabile er deres primære kunder?
Georomlige data: For landbrukslån kan våre modeller analysere satellittbilder for å vurdere avlingens helse eller historiske værmønstre for en spesifikk jordparsell.

Ved å prosessere dette enorme datasettet kan modellen avdekke innsikt og potensielle risikoer som ellers ville forbli skjult.

2. Identifisering av ikke-lineære mønstre og skjulte korrelasjoner

Det er her ML virkelig utmerker seg. En menneskelig analytiker kan se at en låntakers inntekter øker, som er et godt tegn. Men en ML-modell kan identifisere et mer komplekst mønster: "Inntektene øker, MEN de blir mer konsentrert hos en enkelt kunde som er i en sektor som er negativt korrelert med stigende oljepriser."

Modellen ser ikke bare på variabler; den ser på de intrikate, flerdimensjonale sammenhengene mellom dem. Den kan flagge disse skjulte korrelasjonene og presentere dem for den menneskelige analytikeren for videre undersøkelse.

3. Gir et konsistent, upartisk "second opinion"

Alle mennesker har ubevisste fordommer. En analytiker kan ha hatt en spesielt god eller dårlig opplevelse med en viss bransje, noe som subtilt kan farge fremtidige vurderinger. Våre AI-modeller, når de er riktig trent og revidert for rettferdighet, er fri for disse menneskelige fordommene.

Modellen gir en konsistent, datadrevet "sannsynlighet for mislighold"-score for hvert lån. Denne scoren tar ikke den endelige beslutningen. I stedet fungerer den som et objektivt utgangspunkt. Hvis en menneskelig analytiker ønsker å overstyre modellens anbefaling (enten for å godkjenne et lån modellen flagget, eller avvise et den godkjente), må de gi en klar, skriftlig begrunnelse. Denne "human-in-the-loop"-prosessen tvinger frem en grundig og ansvarlig beslutning, og kombinerer det beste fra begge verdener: maskinens datadrevne konsistens og den menneskelige ekspertens kontekstuelle forståelse.

4. Kontinuerlig læring og tilpasning

I motsetning til statiske modeller, er våre ML-systemer designet for å lære. Vi mater dem kontinuerlig med nye ytelsesdata om vårt låneportefølje. Ved å se hvilke lån som presterte bra og hvilke som misligholdt, foredler modellen kontinuerlig sine algoritmer og blir smartere og mer nøyaktig over tid. Den kan tilpasse seg skiftende økonomiske forhold på en måte tradisjonelle modeller rett og slett ikke kan.

Konklusjon: Et partnerskap mellom menneske og maskin

Fremtiden for kredittvurdering er ikke en kamp mellom mennesker og maskiner. Det er et partnerskap. Hos Zirdle er vår AI ikke en autonom dommer; den er verdens mektigste forskningsassistent. Den rangerer gjennom fjell av data, identifiserer komplekse mønstre og presenterer sine funn for våre menneskelige eksperter. Det er disse ekspertene – våre interne team og våre eksterne meglerpartnere – som deretter anvender sin visdom, erfaring og virkelighetens kontekst for å ta den endelige, intelligente utlånsbeslutningen.

Denne "augmented intelligence"-tilnærmingen gjør at vi kan være både teknologisk avanserte og dypt menneskelige, og levere et risikovurderingsnivå som er mer grundig, konsistent og fremtidsrettet enn noen gang før.