جيمي تويس، الرئيس التنفيذي لمعامل كارينجتون – سلسلة المقابلات

جيمي تويس هو مصرفي متمرس وعالِم بيانات يعمل على تقاطع العلوم البيانية والذكاء الاصطناعي والقروض الاستهلاكية. وهو حاليًا الرئيس التنفيذي لشركة معامل كارينجتون، وهي شركة رائدة في مجال تقديم حلول التمويل القائمة على الذكاء الاصطناعي والتحليلات البيانية. وكان من قبل ذلك مسؤولًا رئيسيًا للبيانات في أحد البنوك الكبيرة في أستراليا. وقبل ذلك، عمل في مجموعة متنوعة من الأدوار عبر قطاع البنوك والخدمات المالية بعد أن بدأ مسيرته المهنية كمستشار في شركة ماكينزي.

يمكنك أن تفسر كيف يختلف نظام تقييم المخاطر القائم على الذكاء الاصطناعي في معامل كارينجتون عن الأساليب التقليدية لتقييم الائتمان؟

يتفوق نظام تقييم المخاطر في معامل كارينجتون على الأساليب التقليدية لتقييم الائتمان في عدة جوانب:

منصةنا تستخدم قاعدة بيانات أكبر بكثير من الأساليب السابقة. تعتمد التقييمات الائتمانية التقليدية على تقنيات قديمة وتستند إلى المعلومات القليلة المتاحة في سجل ائتمان العميل، وغالبًا ما تكون سجلات الدفع فقط، والتي توفر صورة محدودة للفرد ولا توفر أي صورة ل许多 أشخاص. بموافقة العميل، نحصل على بيانات المعاملات البنكية بالتفصيل ونستخدمها لإنشاء صورة أكثر تفصيلاً وغنى عن الفرد.

ثم نستخدم تقنيات الذكاء الاصطناعي والتعلم الآلي الحديثة لتحويل هذه الكميات الكبيرة من البيانات إلى رؤية حادة وواضحة حول ائتمانية الفرد، ونتيجة لذلك نحسب مئات المتغيرات الفردية ونجملها في صورة شاملة. تكون النتائج قابلة للفهم وشفافة للغاية للمقرضين الذين يستخدمونها، على عكس تقييمات الائتمان التي تعتبر صناديق سوداء غامضة. كما أن هذه التقييمات مخصصة لمنتج وsegment زبون معين للمقرض، مما يجعلها أكثر صلة وبالتالي أكثر دقة من تقييم الائتمان الذي هو تقييم عام مدرب على مجموعة واسعة من المنتجات والعملاء.

أخيرًا، يمكن لمنصتنا تقييم مخاطر الزبون بشكل أكثر فعالية من التقييم التقليدي، ويمكنها استخدام هذا التقييم لتحديد الشروط المثالية للقرض مثل الحد والمدة. ونتيجة لجميع هذه العوامل، فإن تقييم المخاطر في معامل كارينجتون يعتبر تقدمًا كبيرًا على الرؤى التي توفرها الأساليب التقليدية للمقرضين.

كيف تدمج منصتك بيانات المعاملات البنكية المفتوحة لتقديم صورة أكثر كمالًا لائتمانية المتقدم؟ وما هي بعض المؤشرات الرئيسية التي تحدد نماذج الذكاء الاصطناعي عند تقييم مخاطر الائتمان؟

يمكن تدريب نماذجنا على أنواع مختلفة من البيانات، ولكن بيانات المعاملات البنكية عادة ما تكون في صميمها. نستخدم عشرات الملايين من سجلات المعاملات لتدريب النموذج العام، ثم نستخدم آلاف المعاملات لكل زبون جديد يتم تقييمه. وتعتبر البنوك المفتوحة بشكل عام أفضل طريقة لجمع هذه البيانات، لأنها توفر تنسيقًا موحدًا وأمانًا جيدًا وأوقات استجابة سريعة. يمكننا جمعها من خلال وسائل أخرى، ولكن البنوك المفتوحة عادة ما تكون المفضلة.

على سبيل المثال، يمكننا تحليل عادات سحب النقد لمعرفة ما إذا كان شخص ما يسحب كميات كبيرة بانتظام، أو إذا كان يستخدم دائمًا نفس جهاز الصرف الآلي، أو إذا كان يسحب النقد عدة مرات في اليوم. يمكننا تحديد النشاط القماري من خلال البحث عن معاملات متكررة على منصات المراهنات. يمكننا النظر في كيفية قضاء شخص ما للمال بعد استلامه، أو إذا كان يعدل في إنفاقه إذا بدأ في النقص. كما ن.highlight أنماط مالية غير متوقعة التي يمكن أن تشير إلى سلوكيات أو عقلية مخاطرة، مثل الغرامات المتكررة للاعتداء على السرعة.

نماذجنا مدربة على حوالي 50,000 متغير محتمل، مع حوالي 400 متغير نشط في نموذج مخاطر نمطي. هذا النهج القائم على البيانات يساعد المقرضين على اتخاذ قرارات قرض أكثر دقة وتailor القروض إلى ملف مخاطر كل متقدم بشكل فريد. ومن المهم أن نلاحظ أن البيانات التي نحدد ونحللها مجهولة الهوية، لذلك لا نتعامل مع معلومات تعريف شخصية (PII).

كيف تضمن معامل كارينجتون أن نماذج الذكاء الاصطناعي خالية من التحيز الجنساني أو العرقي أو الاجتماعي والاقتصادي في قرارات القرض، وما هي الخطوات التي اتخذتموها للحد من التحيز الخوارزمي في تقييمات مخاطر الائتمان؟

نماذج معامل كارينجتون أقل عرضة للتحيز بشكل كبير مقارنة بالنهج التقليدية بسبب موضوعيتها (لا يشارك فيها الحدس البشري) ومدى البيانات الواسعة التي نستخدمها لإنشاء النماذج.

لدينا ثلاثة ركائز لنهج مكافحة التحيز: أولًا، لا نسمح أبدًا بمعلومات الفئة المحمية (الجنس، العرق، إلخ) بالدخول إلى عملية إنشاء النموذج. نفضل أن لا تقدموها لنا على الإطلاق (إلا إذا كنت ترغب في استخدامها لاختبار التحيز؛ انظر أدناه). ثانيًا، نماذجنا قابلة完全ًا للفهم، لذلك نراجع كل ميزة تستخدم في كل نموذج للتحقق من وجود أي تحيز أو متغيرات وسيطة أو مشاكل أخرى. كما أن المقرضين لديهم إمكانية الوصول إلى قائمة الميزات ويمكنهم إجراء مراجعاتهم الخاصة. ثالثًا، إذا اختار المقرض تقديم معلومات الفئة المحمية للاختبار (فقط؛ يتم الاحتفاظ بها بعيدًا عن التدريب)، سنقوم بإجراء اختبارات إحصائية على مخرجات النموذج لتحديد معدلات الموافقة والحدود وضمان أن التباين عبر الفئات يعتمد على عوامل معقولة ويمكن تفسيرها.

نتيجة لذلك، فإن قوة التنبؤ العالية لنماذج معامل كارينجتون و khảية ضبط الحدود بدقة بناءً على المخاطر تجعل من السهل على المقرضين الموافقة على المزيد من المتقدمين بحدود أصغر، ثم زيادة الحدود مع سلوك دفع جيد، مما يتيح دمجًا أوسع للشامل المالي.

كيف تضمن أن تقييمات مخاطر الائتمان القائمة على الذكاء الاصطناعي شفافة وواضحة للمقرضين والمنظمين؟

في حين أننا نستخدم الذكاء الاصطناعي في عدة خطوات من عملية إنشاء النموذج، فإن النماذج نفسها، المنطق الفعلي المستخدم لحساب تقييم زبون، يعتمد على رياضيات وعلوم قابلة للفهم ومراقبة. يمكن للمقرض أو المنظم مراجعة كل ميزة في النموذج للتأكد من راحتهم مع كل منها، ويمكننا أيضًا تقديم تفكيك لتقييم زبون وربطه بالكود التفسيري للاجراءات السلبية إذا كان ذلك مرغوبًا.

كيف تساعد نماذج الذكاء الاصطناعي في معامل كارينجتون على تمكين القروض وتوسيع الشمول المالي للفئات غير المخدمة؟

许多 أشخاص أكثر ائتمانية مما تشير إليه تقييمات الائتمان التقليدية. أساليب تقييم الائتمان التقليدية تستثني ملايين الأشخاص الذين لا يتناسبون مع نماذج الائتمان التقليدية. نهجنا القائم على الذكاء الاصطناعي يساعد المقرضين على التعرف على هؤلاء المقترضين، مما يوسع الوصول إلى القروض العادلة والمسؤولة دون زيادة المخاطر.

على سبيل المثال، يمكننا أن نفكر في مهاجر جديد قد انتقل مؤخرًا إلى بلد جديد. قد يكون هذا الشخص مسؤولاً مالياً، يعمل بجد، ومتعطشاً للعمل، ولكنه قد يفتقر إلى تاريخ ائتماني تقليدي. بسبب أن مكتب الائتمان لم يسمع به من قبل، فإنه يفتقر إلى القدرة على إثبات أن هذا الشخص ائتماني، مما يجعل المقرضين مترددين في تقديم فرص قرض له.

نقاط البيانات غير التقليدية للمعاملات هي المفتاح لإنشاء تقييم دقيق لمخاطر الائتمان للأشخاص الذين لا يعرفهم مكتب الائتمان. قد يفتقرون إلى تاريخ ائتماني تقليدي أو قد يكون لديهم تاريخ ائتماني قد يبدو مخاطراً للمقرضين بدون السياق المناسب، ولكن لدينا القدرة على إظهار للمقرضين أن هؤلاء الأشخاص ائتمانيون ومستقرين من خلال الاستفادة من كمية أكبر من بياناتهم المالية. في الواقع، منصتنا أكثر دقة بنسبة تصل إلى 250% في تحديد المقترضين منخفضي المخاطر ذوي المعلومات الائتمانية المحدودة مقارنة بتقييمات الائتمان التقليدية، وهذا ما يتيح للمقرضين توسيع قاعدة المقترضين وزيادة الموافقات على القروض في النهاية.

بالإضافة إلى ذلك،由于 أن العديد من المقرضين لديهم فكرة غير دقيقة فقط عن مخاطر زبون معين، فإنه يصعب عليهم ضبط عرض القرض بدقة ليعكس ظروف الزبون الفردية، وغالبًا ما يقدمون لهم أكثر مما يمكنهم تحمله، أو يقدمون لهم أقل مما يحتاجون إليه، أو (الأكثر شيوعًا) يرفضونهم تمامًا. القدرة على تحديد حدود القرض بدقة لها تأثير قوي على تمكين المقرضين من جلب مقترضين جدد إلى النظام المالي، حيث يمكنهم زيادة قدرتهم على الاقتراض من خلال إظهار سلوك دفع مسؤول.

ما هو الدور الذي تلعبه الهيئات التنظيمية في تشكيل طريقة تطوير وتطبيق حلول القروض القائمة على الذكاء الاصطناعي؟

المنظمون جزء أساسي من دمج الذكاء الاصطناعي في الخدمات المالية وفي الاقتصاد الأوسع. سوف تتيح الحدود الواضحة حول مكان و كيفية استخدام الذكاء الاصطناعي نموًا أسرع وحالات استخدام جديدة، ونحن ندعم العمليات المختلفة الجارية لإنشاء مساءلة قانونية وتنظيمية.

كقاعدة عامة، نعتقد أن أدوات الذكاء الاصطناعي المستخدمة في القروض يجب أن تخضع لنفس أنواع الرقابة والفحص مثل الأدوات الأخرى – يجب أن تكون قادرة على إثبات أنها تعامل مع العملاء بشكل عادل، وأنها تجعل نظام البنوك أكثر أمانًا، وليس أكثر مخاطر. يمكن حلنا إثبات كلا الأمرين.

يمكنك أن تخبرنا المزيد عن اختيار معامل كارينجتون الأخير في برنامج مسار ماستركارد؟ كيف سيسرع هذا توسعك في الولايات المتحدة؟

نحن سعداء للغاية بالعمل مع ماستركارد على خطط توسعنا في الولايات المتحدة وعلى الصعيد العالمي. لديهم خبرة فريدة في تقديم حلول مالية إلى البنوك والمقرضين في جميع أنحاء العالم، وقد كانوا بالفعل مفيدين جدًا أثناء زيادة تعاوننا مع العملاء المحتملين في الولايات المتحدة. نتوقع أن يستفيد كلا الطرفين، مع تقديم ماستركارد المشورة والمداخل وربما بعض عناصر حلولنا، في حين تقدم معامل كارينجتون خدمة ذات قيمة عالية لعملاء ماستركارد.

قبل الدفع، العلامة التجارية التوجيهية للمستهلك، قد أصدرت أكثر من 4 ملايين قرض. ما هي الرؤى التي اكتسبتموها من هذه التجربة، وكيف ساهمت في تشكيل نماذج الذكاء الاصطناعي في معامل كارينجتون؟

من خلال هذه التجربة، تعلمنا كيف نبني نماذج بسرعة وفعالية بفضل وصول قبل الدفع إلى مختبر الأبحاث والبيانات الضخمة. إذا كان لدينا فكرة ل_framework نموذج أو هيكل أو رمز، يمكننا تجربته أولاً في قبل الدفع. انخفاض معدل افتراض قبل الدفع هو أيضًا دراسة حالة رائعة في إظهار كيفية عمل النموذج.

لقد كانت تجربة محفزة بشكل عام، حيث أن موظفينا لديهم حصة كبيرة في الشركة. نحن نستخدم نماذج معامل كارينجتون كل يوم لتقديم قروضنا الخاصة، لذلك هذا يركز العقل على التأكد من أن هذه النماذج تعمل!

 كيف ترى تطور الذكاء الاصطناعي في مجال القروض على مدار العقد القادم؟

سيتغير مجال القروض بشكل كبير بمجرد انتقال الصناعة بالكامل إلى نماذج المخاطر القائمة على البيانات الكبيرة التي تعتمد عليها معامل كارينجتون على مدار العقد القادم. وسيتغير – هذه النماذج أكثر فعالية بكثير. إنه مثل دور الكهرباء في التصنيع؛ إنه مغير اللعبة وكل شخص سيتغير أو يغادر.

نماذج البيانات الكبيرة يمكن بناؤها يدويًا (الذي كنت أفعلُه بنفسي، ولكن هذه العملية تستغرق أشهر أو حتى سنوات وتكون باهظة التكلفة وغير قادرة على تقديم أفضل نتيجة. أو يمكنك توفير آليتها. مع الذكاء الاصطناعي، يمكنك توفير آليتها أكثر جودة مع الحفاظ على الوقت وتنفيذ الأمور التي ستكون مستحيلة إذا كنت تبنيها يدويًا، مثل توليد آلاف الميزات المخصصة لمقرض من حجم متوسطة.

المفتاح هو معرفة كيفية القيام بذلك بشكل صحيح – إذا كنت ترمي فقط بكمية من الأشياء في LLM، ستحصل على فوضى كبيرة وستنفد ميزانيتك.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا معامل كارينجتون.