Покращений аналітик: Як Zirdle використовує штучний інтелект для покращення оцінки кредитних ризиків

Покращений аналітик: Як Zirdle використовує штучний інтелект для покращення оцінки кредитних ризиків | Blog | Zirdle

Термін "Штучний інтелект" у фінансах часто викликає два протилежні образи: утопічне бачення бездоганного, автоматизованого прийняття рішень або антиутопічний страх перед непрозорими алгоритмами "чорної скриньки", що приймають упереджені та безвідповідальні рішення. У Zirdle ми відкидаємо обидві крайнощі. Наша філософія ґрунтується на потужнішій та прагматичнішій концепції: Доповнений інтелект.

Ми не віримо, що ШІ є заміною для нюансованого, контекстуального судження наших експертів-кредитних аналітиків та партнерів-брокерів на місцях. Натомість ми бачимо ШІ — зокрема, машинне навчання (МН) — як неймовірно потужний інструмент, який може доповнити їхні здібності, дозволяючи їм приймати швидші, більш послідовні та багатші на дані рішення.

Ця стаття розвіє міфи про те, як ШІ насправді працює в нашій системі оцінки кредитних ризиків, зосереджуючись на тому, як він посилює можливості наших людських експертів, а не замінює їх.

Обмеження традиційних кредитних моделей

Десятиліттями оцінка кредитоспроможності ґрунтувалася на традиційних статистичних моделях, таких як логістична регресія, з використанням обмеженої кількості точок даних (наприклад, дохід, рівень боргу, минулі дефолти). Ці моделі прозорі та легкі для інтерпретації, але вони мають значні обмеження:

Вони статичні: Їм важко адаптуватися до нових економічних умов.
Вони пропускають складні закономірності: Вони не можуть виявити тонкі, нелінійні взаємозв'язки між тисячами різних змінних.
Вони мають недостатньо даних: Вони зазвичай ігнорують величезну кількість альтернативних даних, які можуть бути високопрогнозованими для кредитоспроможності.

Як моделі машинного навчання Zirdle доповнюють процес

Наші моделі МН створені для подолання цих обмежень і слугують потужним другим пілотом для наших людських ухвалювачів рішень. Ось як:

1. Обробка значно ширшого набору даних

Наші моделі можуть аналізувати тисячі точок даних для кожної кредитної можливості, набагато більше, ніж будь-яка людина здатна обробити. Це включає не лише традиційні фінансові дані, але й:

Макроекономічні дані: Як працює галузь позичальника в їх конкретному регіоні? Яка тенденція місцевої інфляції чи безробіття?
Дані ланцюга поставок: Наскільки позичальник залежить від одного постачальника? Наскільки стабільні його основні клієнти?
Геопросторові дані: Для сільськогосподарських кредитів наші моделі можуть аналізувати супутникові знімки для оцінки здоров'я врожаю або історичні погодні умови для конкретної ділянки землі.

Обробляючи цей величезний набір даних, модель може виявити інсайти та потенційні ризики, які в іншому випадку залишилися б прихованими.

2. Виявлення нелінійних закономірностей і прихованих кореляцій

Ось де МН справді сяє. Людський аналітик може побачити, що дохід позичальника зростає, що є добрим знаком. Але модель МН може виявити складнішу закономірність: "Дохід зростає, АЛЕ він стає більш зосередженим на єдиному клієнтові, який працює в секторі, що має негативну кореляцію зі зростанням цін на нафту".

Модель дивиться не лише на змінні; вона дивиться на складні, багатовимірні взаємозв'язки між ними. Вона може відзначити ці приховані кореляції та представити їх людському аналітику для подальшого розслідування.

3. Надання послідовної, неупередженої "другої думки"

Кожна людина має несвідомі упередження. Аналітик міг мати особливо позитивний чи негативний досвід з певною галуззю, що може непомітно впливати на його майбутні судження. Наші моделі ШІ, при правильному навчанні та перевірці на справедливість, вільні від цих людських упереджень.

Модель надає послідовну, засновану на даних оцінку "ймовірності дефолту" для кожного кредиту. Ця оцінка не приймає остаточного рішення. Натомість вона діє як об'єктивна базова лінія. Якщо людський аналітик хоче скасувати рекомендацію моделі (або схвалити кредит, який модель відзначила, або відхилити той, який вона схвалила), він повинен надати чітке письмове обґрунтування. Цей процес "людини в контурі" змушує приймати ретельні та відповідальні рішення, поєднуючи найкраще з обох світів: послідовність, засновану на даних, від машини та контекстуальне розуміння людського експерта.

4. Безперервне навчання та адаптація

На відміну від статичних моделей, наші системи МН створені для навчання. Ми постійно завантажуємо в них нові дані про результативність нашого кредитного портфеля. Бачачи, які кредити виконувалися добре, а які пішли в дефолт, модель постійно вдосконалює свої алгоритми, стаючи розумнішою та точнішою з часом. Вона може адаптуватися до змін економічних умов так, як традиційні моделі просто не можуть.

Висновок: Партнерство між людиною та машиною

Майбутнє оцінки кредитоспроможності — це не бійка між людьми та машинами. Це партнерство. У Zirdle наш ШІ не є автономним суддею; це найпотужніший у світі дослідницький асистент. Він просіює гори даних, виявляє складні закономірності та представляє свої висновки нашим людським експертам. Саме ці експерти — наші внутрішні команди та зовнішні партнери-брокери — потім застосовують свою мудрість, досвід і контекст реального світу, щоб прийняти остаточне, розумне кредитне рішення.

Такий підхід доповненого інтелекту дозволяє нам бути одночасно технологічно просунутими та глибоко людяними, забезпечуючи рівень оцінки ризиків, який є більш ретельним, послідовним та перспективним, ніж будь-коли раніше.