Vylepšený analytik: Ako Zirdle využíva umeľú inteligenciu na zlepšenie hodnotenia úverového rizika

Vylepšený analytik: Ako Zirdle využíva umeľú inteligenciu na zlepšenie hodnotenia úverového rizika | Blog | Zirdle

Pojem „Umelá inteligencia“ vo financiách často vyvoláva dva protichodné obrazy: utopickú víziu bezchybného, automatizovaného rozhodovania alebo dystopický strach z nepriehľadných algoritmov „black box“, ktoré robia zaujaté a nekontrolovateľné rozhodnutia. V Zirdle oba extrémy odmietame. Naša filozofia je zakorenená v mocnejšom a pragmatickejšom koncepte: Rozšírená inteligencia.

Neveríme, že AI je náhradou za nuansovaný, kontextový úsudok našich expertných ľudských úverových analytikov a terénnych broker partnerov. Namiesto toho vidíme AI – konkrétne strojové učenie (ML) – ako neuveriteľne mocný nástroj, ktorý môže ich schopnosti rozšíriť a umožniť im robiť rýchlejšie, konzistentnejšie a dátovo bohatšie rozhodnutia.

Tento článok demystifikuje, ako AI v skutočnosti funguje v rámci nášho rámca úverového rizika, so zameraním na to, ako posilňuje našich ľudských expertov, namiesto toho, aby ich nahradila.

Obmedzenia tradičných úverových modelov

Po desaťročia sa úverové hodnotenie spoliehalo na tradičné štatistické modely, ako je logistická regresia, ktoré používajú obmedzený počet dátových bodov (napr. príjem, úroveň dlhu, minulé zlyhania). Tieto modely sú transparentné a ľahko interpretovateľné, ale majú významné obmedzenia:

Sú statické: Ťažko sa prispôsobujú novým ekonomickým podmienkam.
Prehliadajú komplexné vzory: Nedokážu identifikovať jemné, nelineárne vzťahy medzi tisícmi rôznych premenných.
Sú chudobné na dáta: Typicky ignorujú obrovské množstvo alternatívnych dát, ktoré môžu byť vysoko prediktívne pre bonitu.

Ako modely strojového učenia spoločnosti Zirdle rozširujú proces

Naše ML modely sú navrhnuté tak, aby prekonali tieto obmedzenia a slúžili ako mocný spolupilot pre našich ľudských rozhodcov. Takto to funguje:

1. Spracovanie omnoho širšej množiny dát

Naše modely dokážu analyzovať tisíce dátových bodov pre danú úverovú príležitosť, ďaleko za hranice toho, čo by dokázal spracovať človek. Zahŕňa to nielen tradičné finančné údaje, ale aj:

Makroekonomické údaje: Ako si vedie odvetvie požičiavateľa v jeho konkrétnom regióne? Aký je trend miestnej inflácie alebo nezamestnanosti?
Dáta o dodávateľských reťazcoch: Ako je požičiavateľ závislý na jedinom dodávateľovi? Akí stabilní sú jeho primárni zákazníci?
Geopriestorové údaje: Pre poľnohospodárske úvery môžu naše modely analyzovať satelitné snímky na posúdenie zdravia plodín alebo historické poveternostné vzory pre konkrétny pozemok.

Spracovaním tohto rozsiahleho súboru dát môže model odhaliť poznatky a potenciálne riziká, ktoré by inak zostali skryté.

2. Identifikácia nelineárnych vzorov a skrytých korelácií

Tu ML skutočne exceluje. Ľudský analytik môže vidieť, že príjmy požičiavateľa rastú, čo je dobré znamenie. Ale ML model môže identifikovať komplexnejší vzor: „Príjmy rastú, ALE sú čoraz viac sústredené na jediného zákazníka, ktorý pôsobí v sektore negatívne korelovanom s rastúcimi cenami ropy.“

Model sa nepozerá len na premenné; pozerá sa na zložité, multidimenzionálne vzťahy medzi nimi. Môže tieto skryté korelácie označiť a prezentovať ich ľudskému analytikovi na ďalšie preskúmanie.

3. Poskytovanie konzistentného, nezaujatého „druhého názoru“

Každý človek má nevedomé predpojatosti. Analytik mohol mať mimoriadne dobrú alebo zlú skúsenosť s určitým odvetvím, čo by mohlo nebadane ovplyvniť jeho budúce úsudky. Naše AI modely, keď sú riadne vytrénované a auditované na spravodlivosť, sú týchto ľudských predpojatostí zbavené.

Model poskytuje konzistentné, dátami riadené „skóre pravdepodobnosti zlyhania“ pre každý úver. Toto skóre neprináša konečné rozhodnutie. Namiesto toho slúži ako objektívna základná línia. Ak chce ľudský analytik prepísať odporúčanie modelu (či už na schválenie úveru, ktorý model označil, alebo zamietnutie toho, ktorý schválil), musí poskytnúť jasné, písomné odôvodnenie. Tento proces „človeka v slučke“ núti k dôslednému a zodpovednému rozhodnutiu, ktoré kombinuje to najlepšie z oboch svetov: dátami riadenú konzistentnosť stroja a kontextové pochopenie ľudského experta.

4. Priebežné učenie a adaptácia

Na rozdiel od statických modelov sú naše ML systémy navrhnuté na učenie. Neustále im dodávame nové výkonnostné dáta o našom úverovom portfóliu. Tým, že vidí, ktoré úvery si viedli dobre a ktoré zlyhali, model neustále zdokonaľuje svoje algoritmy, stáva sa časom inteligentnejším a presnejším. Dokáže sa prispôsobiť meniacim sa ekonomickým podmienkam spôsobom, aký tradičné modely jednoducho nedokážu.

Záver: Partnerstvo medzi človekom a strojom

Budúcnosť úverového hodnotenia nie je bitka medzi ľuďmi a strojmi. Je to partnerstvo. V Zirdle naša AI nie je autonómny sudca; je to najvýkonnejší výskumný asistent na svete. Prehrabáva sa cez hory dát, identifikuje komplexné vzory a prezentuje svoje zistenia našim ľudským expertom. Sú to práve títo experti – naše interné tímy a externí broker partneri – ktorí potom aplikujú svoju múdrosť, skúsenosti a reálny kontext na konečné, inteligentné úverové rozhodnutie.

Tento prístup rozšírenej inteligencie nám umožňuje byť technologicky pokročilí a zároveň hlboko ľudskí, čím poskytujeme úroveň hodnotenia rizika, ktorá je dôkladnejšia, konzistentnejšia a perspektívnejšia ako kedykoľvek predtým.