kunstmatige intelligentieAImachine learningkredietrisicorisicobeheerdatawetenschapfintech
De Geaugmenteerde Analist: Hoe Zirdle AI Gebruikt om Kredietrisicobeoordeling te Verbeteren
Door Chief Data Scientist, Zirdle
Loading...
Loading...
De term "Artificial Intelligence" (kunstmatige intelligentie) in de financiële wereld roept vaak twee tegenstrijdige beelden op: een utopisch beeld van foutloze, geautomatiseerde besluitvorming, of een dystopische angst voor ondoorzichtige "black box"-algoritmes die bevooroordeelde en niet-toerekenbare keuzes maken. Bij Zirdle verwerpen wij beide extremen. Onze filosofie is geworteld in een krachtiger en pragmatischer concept: Augmented Intelligence (geaugmenteerde intelligentie).
Wij geloven niet dat AI een vervanging is voor het genuanceerde, contextuele oordeel van onze ervaren menselijke kredietanalisten en broker-partners ter plaatse. In plaats daarvan zien we AI - specifiek machine learning (ML) - als een ongelooflijk krachtig instrument dat hun capaciteiten kan versterken, waardoor ze snellere, consistentere en data-rijkere beslissingen kunnen nemen.
Dit artikel zal demystificeren hoe AI daadwerkelijk werkt binnen ons kredietrisicokader, met de focus op hoe het onze menselijke experts een boost geeft, in plaats van ze te vervangen.
Decennialang heeft kredietbeoordeling vertrouwd op traditionele statistische modellen, zoals logistische regressie, die gebruikmaken van een beperkt aantal datapunten (bijv. inkomen, schuldniveau, eerdere wanbetalingen). Deze modellen zijn transparant en gemakkelijk te interpreteren, maar ze hebben aanzienlijke beperkingen:
Onze ML-modellen zijn ontworpen om deze beperkingen te overwinnen en te dienen als een krachtige co-piloot voor onze menselijke besluitvormers. Hier is hoe:
Onze modellen kunnen duizenden datapunten analyseren voor een bepaalde leenkans, ver buiten wat een mens zou kunnen verwerken. Dit omvat niet alleen traditionele financiële gegevens, maar ook:
Door deze enorme dataset te verwerken, kan het model inzichten en potentiële risico's aan het licht brengen die anders verborgen zouden blijven.
Dit is waar ML echt uitblinkt. Een menselijke analist zou kunnen zien dat de omzet van een kredietnemer stijgt, wat een goed teken is. Maar een ML-model zou een complexer patroon kunnen identificeren: "De omzet stijgt, MAAR deze wordt zwaarder geconcentreerd bij een enkele klant die actief is in een sector die negatief gecorreleerd is met stijgende olieprijzen."
Het model kijkt niet alleen naar variabelen; het kijkt naar de ingewikkelde, multidimensionale relaties daartussen. Het kan deze verborgen correlaties signaleren en presenteren aan de menselijke analist voor nader onderzoek.
Elk mens heeft onbewuste vooroordelen. Een analist kan een bijzonder goede of slechte ervaring hebben met een bepaalde branche, wat zijn toekomstige oordelen subtiel kan kleuren. Onze AI-modellen, wanneer goed getraind en gecontroleerd op eerlijkheid, zijn vrij van deze menselijke vooroordelen.
Het model levert een consistente, data-gedreven "kans op wanbetaling"-score voor elke lening. Deze score neemt niet de uiteindelijke beslissing. In plaats daarvan fungeert het als een objectieve basislijn. Als een menselijke analist de aanbeveling van het model wil negeren (om een door het model gemarkeerde lening toch goed te keuren, of een goedgekeurde lening af te wijzen), moet hij een duidelijke, schriftelijke motivering geven. Dit "human-in-the-loop"-proces dwingt tot een rigoureuze en verantwoordelijke beslissing, waarbij het beste van twee werelden wordt gecombineerd: de data-gedreven consistentie van de machine en het contextuele begrip van de menselijke expert.
In tegenstelling tot statische modellen zijn onze ML-systemen ontworpen om te leren. We voeren ze continu nieuwe prestatiegegevens over onze leningenportefeuille toe. Door te zien welke leningen goed presteerden en welke in wanbetaling vervielen, verfijnt het model voortdurend zijn algoritmen, waardoor het in de loop der tijd slimmer en nauwkeuriger wordt. Het kan zich op een manier aanpassen aan veranderende economische omstandigheden die voor traditionele modellen simpelweg onmogelijk is.
De toekomst van kredietbeoordeling is geen strijd tussen mens en machine. Het is een partnerschap. Bij Zirdle is onze AI geen autonome rechter; het is 's werelds krachtigste onderzoeksassistent. Het doorzoekt bergen data, identificeert complexe patronen en presenteert zijn bevindingen aan onze menselijke experts. Het zijn deze experts - onze interne teams en onze externe broker-partners - die vervolgens hun wijsheid, ervaring en kennis van de praktijk toepassen om de uiteindelijke, intelligente kredietbeslissing te nemen.
Deze augmented intelligence-benadering stelt ons in staat om zowel technologisch geavanceerd als diep menselijk te zijn, en biedt een niveau van risicobeoordeling dat grondiger, consistenter en toekomstgerichter is dan ooit tevoren.