Jamie Twiss, CEO von Carrington Labs – Interview-Serie

Jamie Twiss ist ein erfahrener Banker und Datenwissenschaftler, der an der Schnittstelle von Datenwissenschaft, künstlicher Intelligenz und Verbraucherkreditwesen arbeitet. Er ist derzeit Chief Executive Officer von Carrington Labs, einem führenden Anbieter von erklärbarer KI-gestützter Kreditrisikobewertung und Kreditlösungen. Zuvor war er Chief Data Officer bei einer großen australischen Bank. Davor arbeitete er in verschiedenen Rollen im Bank- und Finanzdienstleistungssektor, nachdem er seine Karriere als Berater bei McKinsey & Company begonnen hatte.

Können Sie erklären, wie Carrington Labs’ KI-gestütztes Risikobewertungssystem sich von herkömmlichen Kreditbewertungsmethoden unterscheidet?

Carrington Labs’ Ansatz zur Risikobewertung unterscheidet sich von herkömmlichen Kreditbewertungsmethoden in mehreren Aspekten:

Unsere Plattform verwendet ein viel größeres Datenset als herkömmliche Methoden. Traditionelle Kreditscores basieren auf veralteter Technologie und werden auf der Grundlage der kleinen Menge an Informationen im Kreditverlauf eines Kunden erstellt, hauptsächlich Zahlungshistorien, die nur einen begrenzten Einblick in eine Person geben und keine Sicht auf viele Menschen bieten. Mit Zustimmung des Kunden nehmen wir Transaktionsdaten von Bankkonten und verwenden sie, um ein viel detaillierteres und umfassenderes Bild einer Person zu erstellen.

Dann verwenden wir moderne KI- und Machine-Learning-Techniken, um diese großen Datenmengen in eine präzise Sicht auf die Kreditwürdigkeit einer Person umzuwandeln, indem wir Hunderte von individuellen Variablen berechnen und sie zu einer umfassenden Gesamtsicht kombinieren. Die resultierenden Scores sind vollständig erklärbar und transparent für den Kreditgeber, der sie verwendet, im Gegensatz zu Kreditscores, die geheimnisvolle Black-Box-Systeme sind. Diese Scores sind auch auf das spezifische Produkt und die Kundenzielgruppe des Kreditgebers zugeschnitten, was sie relevanter und genauer macht als einen Kreditscore, der ein generischer Score ist, der über ein breites Produkt- und Kundenspektrum trainiert wird.

Schließlich kann unsere Plattform nicht nur das Risiko eines Kunden effektiver bewerten als ein traditioneller Score, sondern auch die optimalen Kreditbedingungen wie Limit und Laufzeit auf der Grundlage des Scores empfehlen. Als Ergebnis aller dieser Faktoren ist die Risikobewertung von Carrington Labs eine signifikante Verbesserung gegenüber den Erkenntnissen, die herkömmliche Methoden Kreditgebern bieten.

Wie integriert Ihre KI offene Banktransaktionsdaten, um ein vollständigeres Bild der Kreditwürdigkeit eines Antragstellers zu erstellen? Und welche sind einige der wichtigsten Prädiktoren, die Ihre KI-Modelle identifizieren, wenn sie das Kreditrisiko bewerten?

Unsere Modelle können auf viele verschiedene Arten von Daten trainiert werden, aber Banktransaktionsdaten sind normalerweise der Kern. Wir verwenden Zehnmillionen von Transaktionsdaten, um das Gesamtmodell zu trainieren, und dann Tausende von Transaktionen für jeden neuen Kunden, den das Modell bewertet. Open Banking ist im Allgemeinen die beste Methode, um diese Daten zu sammeln, da es ein konsistentes Format, gute Sicherheit und schnelle Antwortzeiten bietet. Wir können die Daten auch auf andere Weise sammeln, aber Open Banking ist normalerweise bevorzugt.

Beispielsweise können wir die Gewohnheiten von Bargeldabhebungen analysieren, um zu sehen, ob jemand häufig große Beträge abhebt, ob er immer dieselbe Geldautomat verwendet oder ob er mehrmals am Tag Bargeld abhebt. Wir können Glücksspielaktivitäten identifizieren, indem wir häufige Transaktionen auf Glücksspielplattformen suchen. Wir können sehen, wie schnell jemand Geld ausgibt, nachdem er es erhalten hat, oder ob er sein Ausgabenverhalten ändert, wenn er beginnt, knapp zu werden. Wir flaggen auch unerwartete Finanzmuster, die auf riskantes Verhalten oder Einstellungen hinweisen können, wie häufige Geschwindigkeitsübertretungen.

Unsere Modelle werden auf etwa 50.000 möglichen Variablen trainiert, wobei etwa 400 in einem typischen Risikomodell aktiv verwendet werden. Dieser datengetriebene Ansatz hilft Kreditgebern, präzisere Kreditentscheidungen zu treffen und Kredite auf die individuelle Risikoprofil eines Antragstellers zuzuschneiden. Es ist wichtig zu beachten, dass die Daten, die wir identifizieren und analysieren, anonym sind, so dass wir keine personenbezogenen Daten (PII) verarbeiten.

Wie stellt Carrington Labs sicher, dass seine KI-Modelle frei von Geschlechts-, ethnischen oder sozioökonomischen Vorurteilen bei Kreditentscheidungen sind, und welche Schritte haben Sie unternommen, um algorithmische Vorurteile in Ihren Kreditrisikobewertungen zu minimieren?

Carrington Labs’ Modelle sind wesentlich weniger anfällig für Vorurteile als herkömmliche Ansätze aufgrund ihrer Objektivität (kein menschliches “Bauchgefühl” ist beteiligt) und der breiten Palette von Daten, die wir verwenden, um Modelle zu erstellen.

Wir haben drei Säulen in unserem Anti-Vorurteils-Ansatz: Erstens lassen wir geschützte Klassen-Daten (Rasse, Geschlecht usw.) niemals in den Modell-Erstellungsprozess gelangen. Wir bevorzugen es, wenn Sie uns diese Daten nicht einmal geben (es sei denn, Sie möchten, dass wir sie für Vorurteils-Tests verwenden; siehe unten). Zweitens sind unsere Modelle vollständig erklärbar, so dass wir jeden in jedem Modell verwendeten Feature auf mögliche Vorurteile, Proxy-Variablen oder andere Probleme überprüfen. Kreditgeber haben auch Zugang zu der Liste der Features und können ihre eigenen Überprüfungen durchführen. Drittens können wir, wenn der Kreditgeber uns geschützte Klassen-Daten für Tests (nur; getrennt von der Ausbildung) zur Verfügung stellt, statistische Tests auf Modell-Ausgaben durchführen, um die Genehmigungsquoten und -limits zu bestimmen und sicherzustellen, dass die Variation über Klassen hinweg klar durch erklärbar und vernünftige Faktoren getrieben wird.

Als Ergebnis haben die KI-Modelle von Carrington Labs eine höhere Vorhersagekraft und ermöglichen es Kreditgebern, mehr Antragsteller auf kleineren Limits zu genehmigen und diese dann über Zeit mit gutem Rückzahlungsverhalten zu erhöhen, was eine breitere finanzielle Inklusion ermöglicht.

Wie stellen Sie sicher, dass Ihre KI-gestützten Kreditrisikobewertungen für Kreditgeber und Aufsichtsbehörden erklärbar und transparent sind?

Obwohl wir in mehreren Schritten des Modell-Erstellungsprozesses KI verwenden, basieren die Modelle selbst, die tatsächliche Logik, die zur Berechnung eines Kunden-Scores verwendet wird, auf vorhersehbaren und kontrollierbaren Mathematik und Statistik. Ein Kreditgeber oder Aufsichtsbehörde kann jedes in einem Modell verwendete Feature überprüfen, um sicherzustellen, dass er mit jedem davon einverstanden ist, und wir können auch eine Aufschlüsselung eines Kunden-Scores und eine Zuordnung zu einem ablehnenden Aktionscode bereitstellen, wenn gewünscht.

Wie helfen Ihre KI-Modelle dabei, die Kreditvergabe zu demokratisieren und die finanzielle Inklusion für benachteiligte Bevölkerungsgruppen zu erweitern?

Viele Menschen sind kreditwürdiger, als ihre traditionellen Kreditscores vermuten lassen. Herkömmliche Kreditbewertungsmethoden schließen Millionen von Menschen aus, die nicht in traditionelle Kreditmodelle passen. Unser KI-gestützter Ansatz hilft Kreditgebern, diese Kreditnehmer zu erkennen und ihnen fairen und verantwortungsvollen Kredit ohne Risikoerhöhung zu bieten.

Um beispielsweise an einen Einwanderer zu denken, der kürzlich in ein neues Land gezogen ist. Er könnte finanziell verantwortungsbewusst, fleißig und arbeitsam sein, aber er könnte auch keine traditionelle Kreditgeschichte haben. Weil die Kreditbörse noch nie von ihm gehört hat, fehlt es ihm an der Fähigkeit, zu beweisen, dass er kreditwürdig ist, was Kreditgebern zögern lässt, ihm Kreditmöglichkeiten anzubieten.

Diese nicht-traditionellen Transaktionsdatenpunkte sind der Schlüssel zur Erstellung einer genauen Bewertung von Kreditrisikoscores für Menschen, die die Kreditbörse nicht kennt. Sie könnten keine traditionelle Kreditgeschichte haben oder eine Kreditgeschichte, die für Kreditgeber ohne angemessenen Kontext riskant erscheinen könnte, aber wir haben die Fähigkeit, Kreditgebern zu zeigen, dass diese Menschen kreditwürdig und stabil sind, indem wir eine größere Menge ihrer Finanzdaten nutzen. Tatsächlich ist unsere Plattform bis zu 250% genauer, basierend auf einem Satz anonymisierter Daten, bei der Identifizierung von Low-Risk-Borrowern mit begrenzten Kreditinformationen als traditionelle Kreditscores, und das ermöglicht es Kreditgebern, ihre Kreditnehmerbasis zu erweitern und letztendlich Kreditgenehmigungen zu erhöhen.

Welche Rolle spielen Aufsichtsbehörden bei der Gestaltung der Entwicklung und des Einsatzes von KI-gestützten Kreditlösungen?

Aufsichtsbehörden sind ein wesentlicher Teil der Einbettung von KI in Finanzdienstleistungen und in der breiteren Wirtschaft. Klar definierte Grenzen, wo und wie KI eingesetzt werden kann, ermöglichen ein schnelleres Wachstum und neue Anwendungsfälle, und wir unterstützen die verschiedenen Prozesse, die zur Schaffung von Rechts- und Regulierungsverantwortlichkeit im Gange sind.

Als allgemeines Prinzip glauben wir, dass KI-Tools, die in der Kreditvergabe eingesetzt werden, denselben Arten von Aufsicht und Prüfung unterliegen sollten wie andere Tools – sie sollten in der Lage sein, zu demonstrieren, dass sie Kunden fair behandeln und dass sie das Bankensystem sicherer und nicht riskanter machen. Unsere Lösung kann beides klar demonstrieren.

Können Sie uns mehr über die jüngste Auswahl von Carrington Labs in das Mastercard (MA ) Start Path-Programm erzählen? Wie wird dies Ihre US-Expansion beschleunigen?

Wir sind erfreut, mit Mastercard an unseren US- und globalen Expansionsplänen zu arbeiten. Sie haben unübertroffene Erfahrungen in der Bereitstellung von Finanzlösungen für Banken und andere Kreditgeber auf der ganzen Welt und haben uns bereits sehr geholfen, als wir unsere Interaktion mit potenziellen US-Kunden erhöhen. Wir erwarten, dass beide Parteien profitieren werden, wobei Mastercard Beratung, Einführungen und möglicherweise Elemente unserer Lösung anbietet, während Carrington Labs einen hochwertigen Service für Mastercard-Kunden bereitstellt.

Beforepay, Ihre Verbraucher-Marke, hat über 4 Millionen Kredite vergeben. Welche Erkenntnisse haben Sie aus dieser Erfahrung gewonnen, und wie haben sie Ihre KI-Modelle von Carrington Labs geprägt?

Durch diese Erfahrung haben wir gelernt, wie man Modelle schnell und effektiv aufbaut, dank des Zugangs zu Beforepays großem R&D-Labor und enormen Datenmengen. Wenn wir eine Idee für ein Modellrahmenwerk, Architektur, Code usw. haben, können wir es zuerst in Beforepay ausprobieren. Der rapide Rückgang des Ausfallrisikos von Beforepay ist auch ein großartiges Fallbeispiel, das zeigt, wie gut das Modell funktioniert.

Es war insgesamt eine sehr motivierende Erfahrung, da unsere Mitarbeiter einen großen Anteil am Unternehmen haben. Wir verwenden die Modelle von Carrington Labs jeden Tag, um unser eigenes Geld zu verleihen, also konzentriert es den Geist darauf, sicherzustellen, dass diese Modelle funktionieren!

 Wie sehen Sie die Entwicklung von KI in der Kreditvergabe über das nächste Jahrzehnt?

Die Kreditvergabe wird sich massiv ändern, sobald die Branche vollständig auf die Arten von Big-Data-gestützten Risikomodellen umsteigt, die Carrington Labs über das nächste Jahrzehnt nutzt. Und sie wird – diese Modelle sind einfach viel effektiver. Es ist wie die Rolle der Elektrizität in der Fertigung; es ist ein Spielveränderer und jeder wird entweder den Wechsel vornehmen oder aussteigen.

Big-Data-Modelle können entweder von Hand aufgebaut werden (was ich früher selbst getan habe, aber dieser Prozess dauert Monate oder sogar Jahre und ist enorm teuer und kann nicht das beste Ergebnis liefern) oder man kann die Modellbildung automatisieren. Mit KI kann man viel mehr davon automatisieren, mit höherer Qualität, während man auch Zeit spart und Dinge tut, die unmöglich wären, wenn man von Hand aufbaut, wie die Erstellung von Tausenden von benutzerdefinierten Funktionen für einen mittelständischen Kreditgeber.

Der Schlüssel ist, zu wissen, wie man es richtig macht – wenn man einfach eine Menge von Dingen an ein LLM wirft, erhält man ein großes Durcheinander und verschwendet das Budget.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Carrington Labs besuchen Carrington Labs.