211service.com
AI pagrįsta kredito formulė gali padėti gauti paskolą
Kredito reitingai jau seniai buvo pagrindinis matas, nurodantis, kiek tikėtina, kad JAV vartotojas grąžins bet kokią paskolą – nuo hipotekos iki kredito kortelių. Bet faktoriai kuriais FICO ir kitos kredito balus kuriančios įmonės remiasi, pvz., kredito istorija ir kredito kortelių likučiai, dažnai priklauso nuo to, ar jau turi kreditą.
Pastaraisiais metais , pradedančiųjų įmonių derlius ėmėsi prielaidos, kad tokios istorijos neturintys skolininkai vis tiek gali gana tikėtinai grąžinti, o jų tikimybę tai padaryti būtų galima nustatyti analizuojant didelius duomenų kiekius, ypač duomenis, kurie tradiciškai nebuvo įtraukti į kredito vertinimą. Šios įmonės naudoja algoritmus ir mašininį mokymąsi, kad surastų reikšmingus duomenų modelius, alternatyvius ženklus, rodančius, kad skolininkas turi gerą ar blogą kredito riziką.
Šios bendrovės vis dar jaunos, tačiau iki šiol nėra aiškių įrodymų, kad šie metodai labai padidino turimą kreditą, o juos naudojantys skolintojai dažnai taiko dideles palūkanų normas. ataskaita Nacionalinis vartotojų teisės centras, vartotojų teisių gynimo grupė. Vartotojų gynėjai nerimauja, kad kai kurie iš šių naujų duomenų šaltinių, pavyzdžiui, informacija apie tai, kaip vartotojai elgiasi internete, arba finansiniai duomenys, kurie tradiciškai neįtraukiami į kredito analizę, gali netyčia sukelti šališkumo rezultatams, todėl kai kurie skolininkai gali būti vertinami neteisingai. JAV skolintojams įstatymas draudžia priimant sprendimą dėl skolinimo atsižvelgti į rasę, lytį ir religiją.
Los Andžele įsikūrusi „ZestFinance“, įkurta buvusio „Google“ CIO Douglaso Merrillo, teigia, kad šią problemą išsprendė nauja kredito vertinimo platforma, vadinama ZAML. Įmonė parduoda mašininio mokymosi programinę įrangą skolintojams, taip pat siūlo konsultavimo paslaugas. „Zest“ pats pinigų neskolina.
Platforma buvo patobulinta remiantis patirtimi, kurią Zest turėjo dirbant su paieškos varikliu „Baidu“ Kinijoje, kur tik 20 procentų gyventojų turi žinomą kredito istoriją. Ištyręs 21 skirtingą veiksnį, pvz., tai, kaip žmonės ieško ir kaip jie naršo tinklalapiuose, „Zest“ atrado „Baidu“ duomenų šablonus, kuriuos būtų galima panaudoti sprendžiant, ar teikti mažas paskolas tiems klientams įsigyti, pavyzdžiui, drabužiams. Tarp dalykų, kuriuos Zest įvertino, buvo tai, kaip gerai asmens deklaruotos pajamos atitiko jo modeliuojamas pajamas, ką Zest apskaičiuoja, ką tas asmuo faktiškai uždirbo pagal kitą elgesį. Lygiai taip pat svarbu, kiek neatitikimų yra tarp deklaruotų ir sumodeliuotų pajamų, kai jie praneša apie padidintas pajamas (kitaip tariant, pajamas, kurios yra didesnės nei iš tikrųjų gaunamos pagal modelį) ir kiek jų padidino, sako Merrill.
Per du mėnesius „Baidu“, turinti nedidelį skolinimo verslą, patvirtino 150 procentų daugiau skolininkų, nepatiriant jų paskolų nuostolių, o nuo to laiko bendrovė suteikė šimtus tūkstančių paskolų, sako Merrill.
Baidu vyriausiasis mokslininkas Andrew Ng teigia, kad „Zest“ technologija padėjo savo įmonei greičiau pradėti teikti vartotojų finansines paslaugas, gerinant kredito modelių „nuspėjamumą“, naudojant duomenis iš skolininkų internetinės paieškos, mobiliųjų piniginių ir kitų šaltinių. Naudodamasis Zest, Baidu nustatė, kad skolininkai, kurie rizikingai elgiasi internete, pvz., lošia arba lankosi rizikingose svetainėse, pvz., parduodančiose neteisėtas prekes, arba renginius, kuriuose vyksta įspūdžių ieškojimas rinkoje, turi didesnę statistinę tikimybę, kad paskolos negrąžins.
Nors gal ir „akivaizdu“, tokios užuominos gali turėti reikšmingos įtakos draudimo rezultatams, Ng rašė el. paštu.
Kai kurie duomenys viršija ribas. Zest nenaudoja socialinės žiniasklaidos duomenis savo analizėje tai, ką Merrill pavadino siaubingu, o tai, bendrovės teigimu, nėra labai naudinga atliekant tokią analizę.
Zest taip pat dirbo su dviem kredito kortelių išdavėjais ir automobilių skolintojais. Tarp kredito kortelių turėtojų vienas svarbus signalas buvo skambučiai į pagalbos tarnybą, o skolintojas nesijungė su kreditingumu prieš Zest darbą. Pasirodo, tas, kuris skambina pratęsti likučio mokėjimo laikotarpį, nors ir vėluoja atlikti mokėjimą, greičiausiai yra patikimas klientas. Intuicija kartais klysta, sako Merrill.
Viena apsauga nuo šališkumo, anot bendrovės, yra tai, kad kiekvienam skolininkui sistema įvertina 100 000 skirtingų duomenų taškų ir nė vienas taškas nevaidina lemiamo vaidmens. Siekdama patikrinti šališkumą, „Zest“ vėl remiasi mašininiu mokymusi, kurį sistema naudoja savo rezultatams patikrinti. Jis taiko algoritmą, kurį naudoja Vartotojų finansinės apsaugos biuras, kad patikrintų, ar nėra diskriminacijos, ir atlieka kitus testus, kad nustatytų bet kokias netikėtas sąsajas su veiksniais, į kuriuos skolintojams draudžiama atsižvelgti.
„Baidu's Ng“ patvirtino „Zest“ technologiją dėl jos gebėjimo paaiškinti tai, ką jis vadino „juodosios dėžės mašininio mokymosi draudimo modeliais“, ir sutelkti dėmesį į aiškių ir paslėptų paklaidų aptikimą ir ištaisymą.
Paaiškinti kredito sprendimus skolininkams ir reguliavimo institucijoms bus labai svarbu, sako Chi Chi Wu, advokatas. NCLC , ypač paaiškinant, ar duomenų modeliai, kuriais remiamasi, yra tikrai nuspėjami, o ne tik koreliuojami. Alternatyvūs duomenys nėra viskas ir pabaiga, sako ji.