Τζέιμι Τβάις, Διευθύνων Σύμβουλος της Carrington Labs – Σειρά Συνεντεύξεων

Ο Τζέιμι Τβάις είναι ένας έμπειρος τραπεζικός και επιστήμονας δεδομένων που εργάζεται στο σημείο τομής της επιστήμης των δεδομένων, της τεχνητής νοημοσύνης και του καταναλωτικού δανεισμού. Αυτή τη στιγμή υπηρετεί ως Διευθύνων Σύμβουλος της Carrington Labs, ενός ηγέτη στην παροχή εξηγητών AI-ενισχυμένων συστημάτων αξιολόγησης πιστωτικού κινδύνου και λύσεων δανεισμού. Προηγουμένως, ήταν ο Chief Data Officer σε một μεγάλη αυστραλιανή τράπεζα. Πριν από αυτό, εργάστηκε σε eine ποικιλία ρόλων σε τράπεζες και χρηματοοικονομικές υπηρεσίες μετά την έναρξη της καριέρας του ως συμβούλου στην McKinsey & Company.

Μπορείτε να εξηγήσετε πώς το σύστημα αξιολόγησης κινδύνου της Carrington Labs που βασίζεται στην τεχνητή νοημοσύνη διαφέρει από τις παραδοσιακές μεθόδους αξιολόγησης πιστωτικού κινδύνου;

Η προσέγγιση της Carrington Labs για την αξιολόγηση κινδύνου διαφέρει από τις παραδοσιακές μεθόδους αξιολόγησης πιστωτικού κινδύνου με πολλούς τρόπους:

Η πλατφόρμα μας χρησιμοποιεί ένα πολύ μεγαλύτερο σύνολο δεδομένων από τις προηγούμενες μεθόδους. Οι παραδοσιακές πιστωτικές βαθμολογίες βασίζονται σε παλαιές τεχνολογίες και βασίζονται στην μικρή ποσότητα πληροφοριών που είναι διαθέσιμες στο αρχείο πιστωτικής ιστορίας του πελάτη, κυρίως ιστορικά πληρωμών, τα οποία δίνουν μόνο μια περιορισμένη εικόνα ενός ατόμου και δεν παρέχουν καθόλου εικόνα για πολλούς ανθρώπους. Με τη συναίνεση του πελάτη, λαμβάνουμε δεδομένα συναλλαγών τραπεζικών λογαριασμών και τα χρησιμοποιούμε για να δημιουργήσουμε μια πολύ πιο λεπτομερή και πλούσια εικόνα ενός ατόμου.

Στη συνέχεια, χρησιμοποιούμε σύγχρονες τεχνικές AI και μηχανικής μάθησης για να μετατρέψουμε αυτά τα μεγάλα όγκους δεδομένων σε μια σαφή άποψη για την πιστωτική αξιοπιστία ενός ατόμου, υπολογίζοντας εκατοντάδες μεμονωμένες μεταβλητές και συνδυάζοντας τις σε μια ολοκληρωμένη γενική άποψη. Οι αποτέλεσμα είναι πλήρως εξηγημένα και διαφανή για τον δανειστή που τις χρησιμοποιεί, σε αντίθεση με τις πιστωτικές βαθμολογίες, οι οποίες είναι μυστηριώδεις μαύρες κουτί. Αυτές οι βαθμολογίες είναι επίσης προσαρμοσμένες σε ένα συγκεκριμένο προϊόν και τμήμα πελάτη του δανειστή, γεγονός που τις καθιστά πιο σχετικές και ακριβείς από μια πιστωτική βαθμολογία, η οποία είναι μια γενική βαθμολογία που έχει εκπαιδευτεί σε ένα ευρύ φάσμα προϊόντων και πελατών.

Τέλος, η πλατφόρμα μας μπορεί όχι μόνο να αξιολογήσει τον κίνδυνο ενός πελάτη πιο αποτελεσματικά από μια παραδοσιακή βαθμολογία, αλλά μπορεί επίσης να χρησιμοποιήσει αυτή τη βαθμολογία για να συνιστώσει τους βέλτιστους όρους δανεισμού, όπως το όριο και η διάρκεια. Ως αποτέλεσμα όλων αυτών των παραγόντων, η αξιολόγηση κινδύνου της Carrington Labs είναι μια σημαντική πρόοδος στις γνώσεις που παρέχουν οι παραδοσιακές μεθόδους στους δανειστές.

Πώς διασφαλίζει η Carrington Labs ότι τα μοντέλα AI της είναι ελεύθερα από προκαταλήψεις φύλου, εθνοτικής ή κοινωνικοοικονομικής προέλευσης στις αποφάσεις δανεισμού, και ποια βήματα έχετε λάβει για να μετριάσετε την προκατάληψη αλγορίθμου στις αξιολογήσεις κινδύνου πιστωτικού;

Τα μοντέλα της Carrington Labs είναι σημαντικά λιγότερο πιθανό να είναι προκατειλημμένα από τις παραδοσιακές προσεγγίσεις λόγω της αντικειμενικότητας (χωρίς ανθρώπινη “γastro” εμπλοκή) και του ευρέος φάσματος δεδομένων που χρησιμοποιούμε για να δημιουργήσουμε μοντέλα.

Έχουμε τρεις πυλώνες στην προσέγγισή μας για την καταπολέμηση της προκατάληψης: Πρώτον, δεν επιτρέπουμε ποτέ στην προστατευμένη κατηγορία δεδομένων (φύλο, εθνικότητα κ.λπ.) να πλησιάσει τη διαδικασία δημιουργίας του μοντέλου. Προτιμούμε να μην μας δώσετε αυτά τα δεδομένα (εκτός αν θέλετε να τα χρησιμοποιήσουμε για δοκιμές προκατάληψης, δείτε παρακάτω). Δεύτερον, τα μοντέλα μας είναι πλήρως εξηγημένα, οπότε αναθεωρούμε κάθε χαρακτηριστικό που χρησιμοποιείται σε κάθε μοντέλο για πιθανή προκατάληψη, μεταβλητές-proxies ή άλλα προβλήματα. Οι δανειστές έχουν επίσης πρόσβαση στη λίστα των χαρακτηριστικών και μπορούν να διεξάγουν τις δικές τους αναθεωρήσεις. Τρίτον, αν ο δανειστής επιλέξει να μας παρέχει προστατευμένα δεδομένα για δοκιμές (μόνο, κρατώντας τα μακριά από την εκπαίδευση), θα διεξαγάγουμε στατιστικές δοκιμές στα αποτελέσματα του μοντέλου για να καθορίσουμε τα ποσοστά έγκρισης και τα όρια και να διασφαλίσουμε ότι η διακύμανση μεταξύ των κατηγοριών οδηγείται από εξηγημένες και λογικές παράμετρους.

Ως αποτέλεσμα, η υψηλότερη προβλεπτική δύναμη των μοντέλων της Carrington Labs και η δυνατότητα να ρυθμίσουν τα όρια με βάση τον κίνδυνο καθιστά πολύ πιο εύκολη για τους δανειστές να εγκρίνουν περισσότερους πελάτες με μικρότερα όρια και στη συνέχεια να τα αυξήσουν με το χρόνο με καλή συμπεριφορά πληρωμής, το οποίο ενεργοποιεί την ευρύτερη οικονομική ένταξη.

Πώς διασφαλίζετε ότι οι αξιολογήσεις κινδύνου πιστωτικού που βασίζονται στην τεχνητή νοημοσύνη είναι εξηγημένες και διαφανείς για τους δανειστές και τους ρυθμιστές;

Ενώ χρησιμοποιούμε την τεχνητή νοημοσύνη σε πολλά βήματα της διαδικασίας δημιουργίας του μοντέλου, τα ίδια τα μοντέλα, η λογική που χρησιμοποιείται για τον υπολογισμό της βαθμολογίας του πελάτη, βασίζονται σε προβλέψιμη και ελεγχόμενη μαθηματική και στατιστική. Ένας δανειστής ή ρυθμιστής μπορεί να αναθεωρήσει κάθε χαρακτηριστικό του μοντέλου για να διασφαλίσει ότι είναι ικανοποιημένος με αυτό, και μπορούμε επίσης να παρέχουμε μια αναλυτική της βαθμολογίας του πελάτη και να την χαρτογραφήσουμε πίσω σε einen κωδικό αντίρρησης αν επιθυμείται.

Πώς τα μοντέλα AI σας βοηθούν να δημοκρατικοποιήσετε το δανεισμό και να επεκτείνετε την οικονομική ένταξη για τις υποαπασχολημένες πληθυσμούς;

Πολλοί άνθρωποι είναι πιο αξιοπιστίες από ό,τι οι παραδοσιακές πιστωτικές βαθμολογίες τους υποδηλώνουν. Οι παραδοσιακές μεθόδους αξιολόγησης πιστωτικού αποκλείουν εκατομμύρια ανθρώπους που δεν ταιριάζουν στα παραδοσιακά μοντέλα πιστωτικής. Η προσέγγισή μας που βασίζεται στην τεχνητή νοημοσύνη βοηθά τους δανειστές να αναγνωρίσουν αυτούς τους δανειστές, επεκτείνοντας την πρόσβαση σε δίκαιες και υπεύθυνες πιστωτικές ευκαιρίες χωρίς αύξηση του κινδύνου.

Για να δώσω ένα παράδειγμα ενός ατόμου που ανήκει σε μια υποαπασχολημένη ομάδα, σκεφτείτε έναν μετανάστη που μόλις μετακόμισε σε μια νέα χώρα. Μπορεί να είναι οικονομικά υπεύθυνος, εργατικός και βιομηχανικός, αλλά μπορεί επίσης να λείπει μια παραδοσιακή πιστωτική ιστορία. Επειδή το γραφείο πιστωτικών βαθμολογιών δεν έχει ποτέ ακούσει γι’ αυτόν, του λείπει η ικανότητα να αποδείξει ότι αυτό το άτομο είναι αξιοπιστό, γεγονός που καθιστά τους δανειστές διστακτικούς να του παρέχουν ευκαιρίες δανεισμού.

Αυτά τα μη παραδοσιακά δεδομένα συναλλαγών είναι το κλειδί για την κατασκευή μιας ακριβούς αξιολόγησης του κινδύνου πιστωτικού για άτομα που τα γραφεία πιστωτικών βαθμολογιών δεν γνωρίζουν. Μπορεί να λείπει μια παραδοσιακή πιστωτική ιστορία ή να έχει μια πιστωτική ιστορία που μπορεί να φαίνεται ριψοκίνδυνη για τους δανειστές χωρίς την κατάλληλη προοπτική, αλλά έχουμε τη δυνατότητα να δείξουμε στους δανειστές ότι αυτά τα άτομα είναι αξιοπιστά και σταθερά, αξιοποιώντας ένα μεγαλύτερο ποσό των οικονομικών τους δεδομένων. Στην πραγματικότητα, η πλατφόρμα μας είναι μέχρι 250% πιο ακριβής, με βάση ένα δείγμα ανωνυμοποιημένων δεδομένων, στην αναγνώριση δανειστών χαμηλού κινδύνου με περιορισμένες πιστωτικές πληροφορίες από τις παραδοσιακές πιστωτικές βαθμολογίες, και αυτό είναι που ενεργοποιεί τους δανειστές να επεκτείνουν την βάση των δανειστών τους και τελικά να αυξήσουν τις εγκρίσεις δανεισμού.

Επιπλέον, επειδή πολλοί δανειστές έχουν μόνο μια περίπου ιδέα για τον κίνδυνο ενός ατόμου, αγωνίζονται να ρυθμίσουν μια προσφορά για να αντανακλούν τις ιδιαίτερες περιστάσεις του ατόμου, συχνά προσφέροντας τους περισσότερα από ό,τι μπορούν να ανταποκριθούν, δανείζοντάς τους λιγότερα από ό,τι χρειάζονται ή (περισσότερο συχνά) τους απορρίπτουν εντελώς. Η δυνατότητα να ορίσετε τα όρια δανεισμού με ακρίβεια έχει einen ιδιαίτερα ισχυρό αποτέλεσμα στην ενεργοποίηση των δανειστών να φέρουν νέους δανειστές στο χρηματοοικονομικό σύστημα, από όπου μπορούν να αυξήσουν την ικανότητά τους δανεισμού με την επίδειξη καλής συμπεριφοράς πληρωμής – δίνοντάς τους την πρώτη ευκαιρία να δείξουν ότι μπορούν να εργαστούν υπεύθυνα με το χρέος.

Τι ρόλο παίζουν οι ρυθμιστικές αρχές στη διαμόρφωση του τρόπου με τον οποίο αναπτύσσονται και αναπτύσσονται οι λύσεις δανεισμού που βασίζονται στην τεχνητή νοημοσύνη;

Οι ρυθμιστές είναι ένα απαραίτητο μέρος της ενσωμάτωσης της τεχνητής νοημοσύνης στις χρηματοοικονομικές υπηρεσίες και στη ευρύτερη οικονομία. Σαφείς οριοθετήσεις για το πού και πώς μπορεί να χρησιμοποιηθεί η τεχνητή νοημοσύνη θα επιτρέψουν ταχύτερη ανάπτυξη και νέες περιπτώσεις χρήσης, και υποστηρίζουμε τις διάφορες διαδικασίες που βρίσκονται σε εξέλιξη για τη δημιουργία νομικής και ρυθμιστικής ευθύνης.

Ως γενικό αρχή, πιστεύουμε ότι τα εργαλεία AI που χρησιμοποιούνται στο δανεισμό πρέπει να υπόκεινται στους ίδιους τύπους εποπτείας και σχολαστικότητας όπως και τα άλλα εργαλεία – πρέπει να είναι σε θέση να αποδείξουν ότι αντιμετωπίζουν τους πελάτες με δίκαιο τρόπο και ότι κάνουν το τραπεζικό σύστημα ασφαλέστερο, όχι πιο ριψοκίνδυνο. Η λύση μας μπορεί να αποδείξει και τα δύο.

Μπορείτε να μας πείτε περισσότερα για την πρόσφατη επιλογή της Carrington Labs στο Πρόγραμμα Start Path της Mastercard (MA ); Πώς θα επιταχύνει την επέκταση σας στις ΗΠΑ;

Είμαστε ενθουσιασμένοι που εργαζόμαστε με την Mastercard για τα σχέδιά μας επέκτασης στις ΗΠΑ και παγκοσμίως. Έχουν απαράμιλλη εμπειρία στη παράδοση χρηματοοικονομικών λύσεων σε τράπεζες και άλλους δανειστές σε όλο τον κόσμο και έχουν ήδη ήταν εξαιρετικά χρήσιμοι καθώς αυξάνουμε την εμπλοκή μας με προοπτικούς πελάτες στις ΗΠΑ. Περιμένουμε ότι και οι δύο πάρτι θα επωφεληθούν, με την Mastercard να προσφέρει συμβουλές, εισαγωγές και πιθανώς στοιχεία της λύσης μας, ενώ η Carrington Labs παρέχει μια υψηλής αξίας υπηρεσία στους πελάτες της Mastercard.

Η Beforepay, η καταναλωτική σας μάρκα, έχει εκδώσει πάνω από 4 εκατομμύρια δάνεια. Ποια είναι τα συμπεράσματα που έχετε βγάλει από αυτή την εμπειρία, και πώς έχουν διαμορφώσει τα μοντέλα AI της Carrington Labs;

Μέσω αυτής της εμπειρίας, μάθαμε πώς να χτίζουμε μοντέλα γρήγορα και αποτελεσματικά χάρη στην πρόσβαση που μας παρείχε η Beforepay στο εξαιρετικό εργαστήριο R&D και σε некоторых πολύ μεγάλους όγκους δεδομένων. Αν έχουμε μια ιδέα για ένα πλαίσιο μοντέλου, αρχιτεκτονική, κώδικα κ.λπ., μπορούμε να το δοκιμάσουμε πρώτα στην Beforepay. Η απότομη πτώση του ποσοστού mặc στην Beforepay είναι επίσης ένα εξαιρετικό μελέτη περίπτωσης που δείχνει πόσο καλά λειτουργεί το μοντέλο.

Ήταν μια πολύ κινητοποιητική εμπειρία γενικά, καθώς οι υπάλληλοί μας έχουν ένα μεγάλο μερίδιο στην εταιρεία. Χρησιμοποιούμε τα μοντέλα της Carrington Labs κάθε μέρα για να δανείζουμε τα δικά μας χρήματα, οπότε αυτό εστιάζει το μυαλό μας να διασφαλίσουμε ότι αυτά τα μοντέλα λειτουργούν!

 Πώς βλέπετε την τεχνητή νοημοσύνη να εξελίσσεται στο χώρο του δανεισμού τις επόμενες δεκαετίες;

Ο δανεισμός θα αλλάξει δραματικά όταν η βιομηχανία μετατοπιστεί πλήρως στα είδη big-data-ενισχυμένων μοντέλων κινδύνου που χρησιμοποιεί η Carrington Labs τις επόμενες δεκαετίες. Και θα το κάνει – αυτά τα μοντέλα είναι απλά πολύ πιο αποτελεσματικά. Είναι σαν τον ρόλο της ηλεκτρικής ενέργειας στη βιομηχανία – είναι ένα παιχνίδι-αλλαγής και όλοι θα κάνουν τη μετάβαση ή θα εξαφανιστούν.

Τα μοντέλα big-data μπορούν είτε να χτιστούν με το χέρι (ότι έκανα και εγώ, αλλά αυτή η διαδικασία διαρκεί μήνες ή ακόμη και χρόνια, ενώ είναι επίσης πολύ δαπανηρή και δεν μπορεί να παρέχει το καλύτερο αποτέλεσμα) ή μπορείτε να αυτοματοποιήσετε την κατασκευή του μοντέλου. Με την τεχνητή νοημοσύνη, μπορείτε να αυτοματοποιήσετε πολύ περισσότερα από αυτά με υψηλότερη ποιότητα, ενώ επίσης εξοικονομείτε χρόνο και κάνετε πράγματα που θα ήταν αδύνατα αν χτίζατε με το χέρι, όπως η δημιουργία χιλιάδων προσαρμοσμένων χαρακτηριστικών για einen μεσαίου μεγέθους δανειστή. Το κλειδί είναι να γνωρίζετε πώς να το κάνετε σωστά – αν απλά ρίχνετε μια ποσότητα πραγμάτων σε ένα LLM, θα πάρετε ένα γιγαντιαίο χάος και θα σπαταλήσετε το προϋπολογισμό σας.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Carrington Labs.