Analiza — January 2, 2019 at 5:05 am

Inteligența artificială în ajutorul micşorării riscului de creditare

by

bankRiscurile legate de creditare reprezintă una din provocările financiare majore din sistemul bancar. Cu toate astea, foarte multe instituţii de creditare ezită să utilizeze forţa predictivă a digitizării riscului. Iar asta se întâmplă în ciuda unui recent raport publicat de McKinsey care arată că procesele AI, in special machine learning, pot reduce pierderile din credite cu până la zece la sută, mai bine de jumătate din managerii de risc aşteptându-se ca timpii de luare a deciziilor legate de credite să scadă cu procente între 25 şi 50 la sută.

De ce? Audatibilitatea. Scorurile tradiţionale de creditare fac adesea mai uşoară explicarea modului în care un client a fost cotat, atât pentru client, cât şi pentru autorităţile de reglementare. Modelele tradiţionale tind să se axeze pe elementele financiare ale creditorilor, cotând clienţii pe baza demografiiilor, a istoricului de plăţi şi a altor considerente macroeconomice. Astfel, instituţiilor financiare le vine mai uşor să demonstreze relaţiile clare dintre comportamentul consumatorilor şi scorul de creditare.

Numai că modul în care consumatorii cheltuie banii, economisesc şi împrumută bani se schimbă, iar odată cu asta se schimbă şi tehnologia. Prin intermediul AI şi al machine learning, instituţiile dinanciare sunt tot mai capabile să implementeze mai multă ştiinţă şi să limiteze zona de “ghicire”. Instituţiile financiare majore folosesc deja IA de câţiva ani ca să detecteze şi să împiedice tranzacţiile frauduloase.

De exemplu, în 2017, JPMorgan Chase a introdus CoiN, o platformă inteligentă de contractare care, prin folosirea machine learning, poate revizui un volum de 12.000 de contracte comerciale de creditare în câteva secunde. Personalului uman i-ar lua circa 360.000 de ore de muncă anual ca să analizeze acelaşi volum de date.

Modelele de scoring bazate pe AI combină istoricul de creditare al clienţilor cu puterea big data, folosind o gamă mai largă de surse pentru îmbunătăţirea deciziilor de creditare şi obţinând adesea informaţii mai bune decât un analist uman. Băncile pot analiza volume mai largi de date, atât de natură financiară cât şi non-financiară, prin rularea permanentă a unor combinaţii diferite de variabile şi învăţând din acele date pentru a prevedea diverse interacţiuni posibile.

Giganţi precum Intel au intrat şi ei în acest joc extrem de interesant. De exemplu, firma a lansat recent un Proof of Concept (PoC) care demonstrează că operarea de modele de scoring, bazate pe AI, pe procesoare Intel Xeon, cu folosirea de biblioteci Intel Performance poate ajuta băncile să crească semnificativ performanţele legate de machine learning şi data analytics. Experimentul a arătat că aplicaţiile de tip machine learning au reuşit să facă previziuni legate de riscurile de creditare mai rapid decât rularea clasică a unui set de date de creditare pentru un volum de 1000 de aplicaţii clasice de credit.

Care sunt etapele implicate în experiment? Prima etapă este analiza setului de date, asta însemnând explorarea iniţială de datelor, aici incluzând analiză numerică şi a categoriilor de variabile. A doua etapă este legată de pre-procesarea datelor. Pre-procesarea transformă datele înainte de introducerea lor în algoritmul de machine learning. În acest caz, variabilele de tip categorie sunt convertite în variabile numerice prin folosirea unor tehnici diverse, cum ar fi codarea etichetelor.

A treia etapă este legată de selecţie. Obiectivul acestui pas este dat de eliminarea caracteristicilor irelevante care pot genera creşterea timpilor de rulare sau care pot genera tipare complexe de lucru. După aceea, datele sunt divizate în trenuri de date şi pregătite pentru analiză suplimentară. La pasul următor se selectează modelele de machine learning pentru instruire.

Aceasta este etapa în care modelul machine learning deja instruit estimează rezultatele pentru un anumit set de date de intrare, pe baza instruirii primite. În fine, pentru măsurarea performanţelor se utilizează diverse metrici de evaluare, cum ar fi acurateţea, precizia şi capacitatea de reluare a procesului.

Desigur, fiind vorba de un experiment, este greu de spus în câtă vreme astfel de modele de AI aplicat în mediul financiar se vor dezvolta de o asemenea manieră încât să devină majoritare în zona analizei de risc al creditării. Însă Intel a deschis un drum la capătul căruia rezultatele pot fi spectaculoase pentru un întreg univers de activitate.