يمكن أن تتوقع ‘الذكاء الاصطناعي البسيط’ قرارات مديري البنوك بشأن القروض بدقة تزيد عن 95%

اكتشف مشروع بحثي جديد أن القرارات التعسفية التي يتخذها مديرو البنوك يمكن أن تُكرر بواسطة أنظمة التعلم الآلي بدقة تزيد عن 95%.

باستخدام نفس البيانات المتاحة لمديري البنوك في مجموعة بيانات امتيازية ، كان أفضل خوارزمية أداء في الاختبار هو تنفيذ غابة عشوائية – وهي نهج相当 بسيط يعود تاريخه إلى عشرين عامًا ، ولكنه يتفوق على شبكة عصبية عند محاولة تقليد سلوك مديري البنوك عند صياغة القرارات النهائية بشأن القروض.

ت实现 خوارزمية غابة عشوائية ، واحدة من أربعة خوارزميات تم اختبارها في المشروع ، درجات عالية متساوية مع أداء مديري البنوك ، على الرغم من بساطة الخوارزمية. مصدر: مديرو البنوك مقابل الآلات: هل تكرر الخوارزميات الحدس البشري في تقييمات الائتمان؟ ، https://arxiv.org/pdf/2202.04218.pdf

يقترح الباحثون ، الذين كانوا لديهم الوصول إلى مجموعة بيانات امتيازية تضم 37,449 تصنيف قروض عبر 4,414 عميل فريد في “بنك تجاري كبير” ، في نقاط مختلفة من ورقة ما قبل الطباعة أن التحليل التلقائي للبيانات الذي يتم إعطاؤه للمديرين لاتخاذ قرارهم أصبح الآن دقيقًا لدرجة أن مديري البنوك نادرًا ما يختلفون عنه ، مما قد يشير إلى أن دور مديري البنوك في عملية الموافقة على القرض يتكون في الغالب من الاحتفاظ بشخص ما لإقالته في حالة عدم سداد القرض.

تنص الورقة على ما يلي:

‘من وجهة نظر عملية ، يُلاحظ أن نتائجنا قد تشير إلى أن البنك يمكنه معالجة القروض بشكل أسرع وأرخص في غياب مديري القروض البشرية مع نتائج قابلة للمقارنة. بينما يقوم المديرون بطبيعة الحال بمجموعة من المهام ، من الصعب الحجة بأنهم ضروريون لهذه المهمة على وجه التحديد ومازال يمكن للخوارزمية البسيطة أداء جيد مثلها. ‘

‘كما أنه من المهم ملاحظة أنه مع بيانات إضافية وقوة حسابية يمكن تحسين هذه الخوارزميات بشكل أكبر.’

الورقة ، التي تحمل عنوان مديرو البنوك مقابل الآلات: هل تكرر الخوارزميات الحدس البشري في تقييمات الائتمان؟ ، تنشأ من قسم الاقتصاد وقسم الإحصاء في جامعة كاليفورنيا إيرفين و بنك الاتصالات بي بي إم في البرازيل.

السلوك البشري الروبوتي في تقييمات الائتمان

لا تعني النتائج أن أنظمة التعلم الآلي أفضل في اتخاذ القرارات المتعلقة بالقروض وتقييمات الائتمان ، ولكن بالأحرى أن حتى الخوارزميات التي تعتبر الآن منخفضة المستوى قادرة على استخلاص نفس الاستنتاجات مثل البشر من نفس البيانات.

توصف الورقة مديري البنوك بشكل ضمني على أنهم نوع من “نار جدار الحماية من اللحم” الذي لا يزال دورهم الرئيسي هو رفع درجات المخاطر التي يقدمها نظام التصنيف الإحصائي والتحليلي (مارسة تعرف في البنوك باسم “التصنيف”).

‘على مر الوقت يبدو أن المديرين يظفرون بقليل من السلطة التقديرية التي قد تشير إلى أداء أو اعتماد أفضل للوسائل الخوارزمية مثل التصنيف.’

كما لاحظ الباحثون:

‘تُظهر النتائج في هذه الورقة أن هذه المهمة الخاصة التي يقوم بها مديرو البنوك المهرة قد تكون في الواقع سهلة التكرار بواسطة خوارزميات بسيطة نسبيًا. يمكن تحسين أداء هذه الخوارزميات من خلال ضبط دقيق للاعتبار للفروق عبر الصناعات ويمكن تمديدها بسهولة لتشمل أهدافًا إضافية مثل دمج اعتبارات العدالة في ممارسات القروض أو تعزيز أهداف اجتماعية أخرى.’

اكتشف الفرق: يتم رفع تصنيفات التصنيف التلقائية (‘التصنيف’) بشكل إحصائي بواسطة مديري البنوك الذين تم دراسة قراراتهم في العمل – إجراء يمكن تكراره.

منذ أن تشير البيانات إلى أن مديري البنوك يفعلون ذلك بطريقة شبه خوارزمية وقابلة للتنبؤ ، فإن تعديلاتهم ليست صعبة التكرار. يُجرى الإجراء ببساطة “التشكيك” في بيانات التصنيف الأصلية وضبط تصنيف المخاطر لأعلى ضمن هامش قابل للتنبؤ.

المنهج والبيانات

كان الغرض المعلن للمشروع هو توقع ما سيقوم به مديرو البنوك من قرارات ، بناءً على نظام التصنيف والمتغيرات الأخرى المتاحة لهم ، بدلاً من تطوير أنظمة بديلة مبتكرة مصممة لتحل محل إطارات إجراءات تقديم الطلب الحالية.

تم اختبار أساليب التعلم الآلي التالية للمشروع: لوجستي متعدد الحدود لاسو (MNL-LASSO) ، شبكات عصبية ، وتنفيذان لشجرة التصنيف والانحدار (CART): غابة عشوائية و تعزيز التدرج.

تم النظر في بيانات التصنيف والنتائج الفعلية لمهمة تقييم الائتمان في العالم الحقيقي. التصنيف هو واحد من أقدم الممارسات الخوارزمية ، حيث يتم حساب المتغيرات الرئيسية للقرض المقترح في مصفوفة مخاطر ، غالبًا عن طريق وسائل بسيطة مثل الانحدار اللوجستي.

النتائج

أداء MNL-LASSO بشكل سيئ بين الخوارزميات التي تم اختبارها ، حيث قامت بتصنيف بنجاح 53% فقط من القروض ، مقارنة بالمدير الحقيقي في الحالات التي تم تقييمها.

أدت الطرق الثلاث الأخرى (مع CART الذي يشمل غابة عشوائية وتعزيز التدرج) جميعها بنجاح بنسبة 90% على الأقل من حيث الدقة ومتوسط الخطأ المربع الجذري (RMSE).

ومع ذلك ، سجلت غابة عشوائية تنفيذ CART نسبة عالية تقترب من 96% ، تليها تعزيز التدرج بفارق ضئيل.

حتى مع إزالة تصنيف التصنيف من الاختبارات خلال دراسات الإزالة (قسم الجدول السفلي) ، تتحقق الخوارزميات من أداء استثنائي في تكرار التمييز الذي يقوم به مديرو البنوك البشرية لتقيمات الائتمان.

وجد الباحثون بشكل مخالف لل期待 أن شبكتهم العصبية المنفذة سجلت 93% فقط ، مع فجوة RMSE أوسع ، مما أدى إلى إنتاج قيم مخاطر تبعد عن التقييمات التي أنتجها البشر بمقدار عدة تصنيفات.

يلاحظ المؤلفون:

‘لا تشير هذه النتائج إلى أن طريقة تتفوق على الأخرى من حيث معيار دقة خارجي مثل احتمالية الإفلاس الموضوعي. من الممكن أن تكون الشبكة العصبية ، على سبيل المثال ، أفضل لذلك مهمة التصنيف. ‘

‘هنا الهدف هو فقط تكرار اختيار المدير البشري ، ولهذا المهمة يبدو أن غابة عشوائية تتفوق على جميع الطرق الأخرى عبر المقاييس التي تم فحصها.’

ال 5% التي لا يمكن للنظام إنتاجها يُحسبها الباحثون بسبب تباين الصناعات التي غُطيت. يلاحظ المؤلفون أن 5% من المديرين يُحسبون تقريبًا جميع هذه الانحرافات ، ويعتقدون أن أنظمة أكثر تعقيدًا يمكنها في النهاية تغطية هذه الحالات وتحقيق الفجوة.

المساءلة صعبة التأتمة

إذا تم تأكيد البحث في مشاريع متعلقة لاحقة ، فإن البحث يشير إلى أن دور “مدير البنك” يمكن إضافته إلى مجموعة متزايدة من المناصب السابقة القوية للسلطة والتمييز التي يتم تقليلها إلى وضع “مراقب” بينما يتم اختبار دقة أنظمة الآلة المقارنة على المدى الطويل؛ ويفسخ الموقف السائد بأن بعض المهام الحاسمة لا يمكن تلقينيًا.

ومع ذلك ، يبدو أن الخبر السار لمديري البنوك هو أن ، من وجهة نظر سياسية ، الحاجة إلى مساءلة بشرية في العمليات الاجتماعية الحاسمة مثل تقييم الائتمان من المحتمل أن تحافظ على أدوارهم الحالية – حتى لو أصبحت أفعال الأدوار قابلة للتكرار بالكامل بواسطة أنظمة التعلم الآلي.

نُشر لأول مرة في 18 فبراير 2022.