Jamie Twiss, CEO της Carrington Labs – Σειρά Συνεντεύξεων

Ο Jamie Twiss είναι ένας έμπειρος τραπεζικός και επιστήμονας δεδομένων που εργάζεται στο σημείο τομής της επιστήμης των δεδομένων, της τεχνητής νοημοσύνης και του καταναλωτικού δανεισμού. Σήμερα υπηρετεί ως Διευθύνων Σύμβουλος της Carrington Labs, ενός ηγετικού παρόχου εξηγητών AI-ενισχυμένων συστημάτων αξιολόγησης κινδύνου πίστωσης 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 με την McKinsey & Company.

Μπορείτε να εξηγήσετε πώς το σύστημα αξιολόγησης κινδύνου της Carrington Labs που βασίζεται σε AI διαφέρει από τις παραδοσιακές μεθόδους αξιολόγησης πίστωσης;

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

Η πλατφόρμα μας χρησιμοποιεί ένα πολύ μεγαλύτερο σύνολο δεδομένων από τις προηγούμενες μεθόδους. Οι παραδοσιακές評価 πίστωσης βασίζονται σε παλαιές τεχνολογίες και βασίζονται στα少ά δεδομένα που είναι διαθέσιμα στο αρχείο πίστωσης του πελάτη, κυρίως ιστορικά πληρωμών, τα οποία παρέχουν μόνο μια περιορισμένη εικόνα ενός ατόμου και καμία εικόνα για πολλούς ανθρώπους. Με την συγκατάθεση 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 machine learning για να μετατρέψουμε αυτά τα μεγάλα όγκους δεδομένων σε μια σαφή άποψη για την αξιολόγηση πίστωσης ενός ατόμου, υπολογίζοντας εκατοντάδες μεμονωμένες μεταβλητές και συνδυάζοντάς τες σε μια綜合ική συνολική άποψη. Τα αποτελέσματα των评価 είναι πλήρως εξηγημένα και διαφανή για τον δανειστή που τις χρησιμοποιεί, αντίθετα με τις評価 πίστωσης, οι οποίες είναι μυστηριώδεις μαύρες κούτες. Αυτές οι評価 είναι επίσης προσαρμοσμένες σε συγκεκριμένα προϊόντα και τμήματα πελάτη, γεγονός που τις καθιστά πιο σχετικές και ακριβείς από μια γενική評価 πίστωσης, η οποία είναι μια γενική評価 που έχει εκπαιδευτεί σε ένα ευρύ φάσμα προϊόντων και πελάτών.

Τέλος, η πλατφόρμα μας μπορεί όχι μόνο να αξιολογήσει τον κίνδυνο ενός πελάτη πιο αποτελεσματικά από μια παραδοσιακή評価, αλλά μπορεί επίσης να χρησιμοποιήσει αυτήν την評価 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 πληροφορίες που παρέχουν οι παραδοσιακές μεθόδους στους δανειστές.

Πώς η AI σας ενσωματώνει τα δεδομένα συναλλαγών ανοιχτής τράπεζας για να παρέχει μια πλήρη εικόνα της αξιολόγησης πίστωσης ενός αιτούντα;

Τα μοντέλα μας μπορούν να εκπαιδευτούν σε διάφορους τύπους δεδομένων, αλλά τα δεδομένα συναλλαγών τραπεζικών λογαριασμών είναι συνήθως στο κέντρο. Χρησιμοποιούμε δεκάδες εκατομμύρια γραμμών δεδομένων συναλλαγών για να εκπαιδεύσουμε το συνολικό μοντέλο και στη συνέχεια χρησιμοποιούμε χιλιάδες συναλλαγές για κάθε νέο πελάτη που το μοντέλο αξιολογεί. Η ανοιχτή τράπεζα είναι γενικά ο καλύτερος τρόπος για να συλλέξουμε αυτά τα δεδομένα, καθώς παρέχει μια συνεπή μορφή, καλή ασφάλεια και γρήγορες χρόνους απόκρισης. Μπορούμε να τα συλλέξουμε με άλλους τρόπους, αλλά η ανοιχτή τράπεζα είναι συνήθως προτιμότερη.

Για παράδειγμα, μπορούμε να αναλύσουμε τα habbits ανάληψης μετρητών για να δούμε αν κάποιος συχνά αναλαμβάνει μεγάλες ποσότητες, αν χρησιμοποιεί πάντα τον ίδιο ATM ή αν αναλαμβάνει μετρητά πολλές φορές την ημέρα. Μπορούμε να αναγνωρίσουμε δραστηριότητα τζόγου αναζητώντας συχνές συναλλαγές σε πλατφόρμες τζόγου. Μπορούμε να δούμε πώς γρήγορα κάποιος ξοδεύει χρήματα μετά τη λήψη τους, ή αν điều chỉnhει τις δαπάνες του αν αρχίσει να έχει έλλειψη. Μπορούμε επίσης να σημάνουμε απροσδόκητους χρηματοοικονομικούς μοτίβους που μπορούν να υποδείξουν επικίνδυνες στάσεις ή συμπεριφορές, όπως συχνές προστίμους για υπερβολική ταχύτητα.

Τα μοντέλα μας έχουν εκπαιδευτεί σε περίπου 50.000 πιθανές μεταβλητές, με περίπου 400 ενεργά χρησιμοποιούμενες σε ένα τυπικό μοντέλο κινδύνου. Αυτή η προσεγγισή βάσει δεδομένων βοηθά τους δανειστές να λαμβάνουν πιο ακριβείς αποφάσεις δανεισμού και να προσαρμόζουν τα δάνεια σε κάθε μοναδικό προφίλ κινδύνου του αιτούντα. Είναι σημαντικό να σημειωθεί ότι τα δεδομένα που αναγνωρίζουμε και αναλύουμε είναι ανώνυμα, οπότε δεν ασχολούμαστε με προσωπικά δεδομένα ταυτοποίησης (PII).

Πώς η Carrington Labs εξασφαλίζει ότι τα μοντέλα AI της είναι ελεύθερα από φύλο, εθνοτική ή κοινωνικοοικονομική προκατάληψη στις αποφάσεις δανεισμού;

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 κατά της προκατάληψης: Πρώτον, δεν αφήνουμε προστατευμένα δεδομένα (φύλο, φυλή, κ.λπ.) να πλησιάσουν τη διαδικασία δημιουργίας μοντέλων. 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, κρατημένα μακριά από την εκπαίδευση), θα διεξάγουμε στατιστικές δοκιμές στα αποτελέσματα του μοντέλου για να καθορίσουμε τα ποσοστά έγκρισης και τα όρια και να διασφαλίσουμε ότι η διακύμανση μεταξύ των τάξεων είναι σαφώς οδηγούμενη από εξηγημένες και λογικές παράμετρες.

Ως αποτέλεσμα, η υψηλότερη προβλεπτική δύναμη των μοντέλων της Carrington Labs και η ικανότητα να ρυθμίσετε τα όρια με βάση τον κίνδυνο καθιστά πολύ εύκολο για τους δανειστές να εγκρίνουν περισσότερους αιτούντες με μικρότερα όρια και στη συνέχεια να αυξήσουν αυτά τα όρια με το χρόνο με καλή συμπεριφορά αποπληρωμής, το οποίο επιτρέπει eine ευρύτερη finanziική ένταξη.

Πώς εξασφαλίζετε ότι οι αξιολογήσεις κινδύνου που βασίζονται σε AI είναι εξηγημένες και διαφανείς για τους δανειστές και τους ρυθμιστές;

Ενώ χρησιμοποιούμε AI σε कई βήματα της διαδικασίας δημιουργίας μοντέλων, τα ίδια τα μοντέλα, η λογική που χρησιμοποιείται για τον υπολογισμό της评価 ενός πελάτη — βασίζονται σε προβλέψιμη και ελεγχόμενη μαθηματική και στατιστική. Ένας δανειστής ή ρυθμιστής μπορεί να αναθεωρήσει κάθε χαρακτηριστικό στο μοντέλο για να διασφαλίσει ότι είναι ικανοποιημένος με το κάθε ένα, και μπορούμε επίσης να παρέχουμε μια αναλυτική της评価 ενός πελάτη και να την χαρτογραφήσουμε πίσω σε einen κωδικό αντί-δράσης αν το επιθυμείτε.

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

Πολλοί άνθρωποι είναι πιο αξιοπιστίας από ό,τι οι παραδοσιακές τους評価 πίστωσης. Οι παραδοσιακές μεθόδους αξιολόγησης πίστωσης αποκλείουν εκατομμύρια ανθρώπων που δεν ταιριάζουν στα παραδοσιακά μοντέλα πίστωσης. Η προσέγγισή μας που βασίζεται σε AI βοηθά τους δανειστές να αναγνωρίσουν αυτούς τους δανειστές, επεκτείνοντας την πρόσβαση σε δίκαιες και υπεύθυνες πιστώσεις χωρίς αύξηση του κινδύνου.

Για να δώσετε ένα παράδειγμα κάποιου που ανήκει σε μια υποαπασχολημένη κοινότητα, 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 ιστορία πίστωσης. Επειδή το γραφείο πίστωσης δεν έχει ακούσει γι’ αυτόν, λείπει η ικανότητα να αποδείξει ότι αυτό το άτομο είναι αξιοπιστό, το οποίο με τη σειρά του κάνει τους δανειστές διστακτικούς να του παρουσιάσουν ευκαιρίες δανεισμού.

Αυτά τα μη παραδοσιακά δεδομένα συναλλαγών είναι το κλειδί για την κατασκευή μιας ακριβούς αξιολόγησης κινδύνου για άτομα που το γραφείο πίστωσης δεν είναι εξοικειωμένο. Μπορεί να λείψει μια παραδοσιακή ιστορία πίστωσης ή να έχει μια ιστορία πίστωσης που μπορεί να φανεί επικίνδυνη στους δανειστές χωρίς την κατάλληλη εξήγηση, αλλά έχουμε τη δυνατότητα να δείξουμε στους δανειστές ότι αυτά τα άτομα είναι αξιοπιστά και σταθερά με την αξιοποίηση eines μεγαλύτερου ποσοστού των οικονομικών τους δεδομένων. Στην πραγματικότητα, η πλατφόρμα μας είναι έως και 250% πιο ακριβής, με βάση ένα δείγμα ανωνυμοποιημένων δεδομένων, στην αναγνώριση δανειστών χαμηλού κινδύνου με περιορισμένες πληροφορίες πίστωσης από τις παραδοσιακές評価 πίστωσης, και αυτό είναι που ενδυναμώνει τους δανειστές να επεκτείνουν τη βάση των δανειστών τους και τελικά να αυξήσουν τις εγκρίσεις δανείων.

Επιπλέον, επειδή πολλοί δανειστές έχουν μόνο μια aproximative ιδέα του ατομικού κινδύνου ενός πελάτη, αγωνίζονται να ρυθμίσουν μια προσφορά για να αντανακλούν τις ιδιαίτερες περιστάσεις του πελάτη, συχνά προσφέροντας του περισσότερα από ό,τι μπορεί να ανταποκριθεί, δανείζοντάς του λιγότερα από ό,τι χρειάζεται ή (περισσότερο συχνά) τον απορρίπτοντας ολοσχερώς. Η ικανότητα να ορίσετε τα όρια δανεισμού με ακρίβεια έχει ένα ιδιαίτερα ισχυρό αποτέλεσμα στην ενεργοποίηση των δανειστών να φέρουν νέους δανειστές στο finanziικό σύστημα, από όπου μπορούν να αυξήσουν τη δυνατότητά τους δανεισμού με την επίδειξη καλής συμπεριφοράς αποπληρωμής — δίνοντάς τους την πρώτη ευκαιρία να δείξουν ότι μπορούν να εργαστούν υπεύθυνα με χρέη.

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

Οι ρυθμιστές είναι ένα απαραίτητο μέρος της ενσωμάτωσης της AI στις χρηματοοικονομικές υπηρεσίες και στην ευρύτερη οικονομία. Σαφείς οριοθετήσεις για το πού και πώς μπορεί να χρησιμοποιηθεί η AI θα ermögουν ταχύτερη ανάπτυξη και νέες χρήσεις, και υποστηρίζουμε τις διάφορες διαδικασίες που βρίσκονται σε εξέλιξη για να δημιουργήσουν νομική και ρυθμιστική ευθύνη.

Ως γενικός κανόνας, πιστεύουμε ότι τα εργαλεία AI που χρησιμοποιούνται στο δανεισμό πρέπει να υποβληθούν στους ίδιους τύπους εποπτείας και σχολαστικής εξέτασης 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 επικίνδυνο. 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; Πώς θα επιταχύνει την επέκταση σας στις ΗΠΑ;

Είμαστε ενθουσιασμένοι να συνεργαστούμε με την Mastercard στα σχέδιά μας για επέκταση 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 μάρκα σας, έχει εκδώσει πάνω από 4 εκατομμύρια δάνεια. Ποια είναι τα συμπεράσματα που έχετε βγάλει από αυτήν 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 στην Beforepay σε ένα εξαιρετικό εργαστήριο R&D και σε einige πολύ μεγάλα 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 mặcαράδας της Beforepay είναι επίσης μια εξαιρετική μελέτη περίπτωσης που δείχνει πόσο καλά λειτουργεί το μοντέλο.

Ήταν μια πολύ мотιβιστική εμπειρία γενικά, καθώς οι υπάλληλοι 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 στο να βεβαιωθούμε ότι αυτά τα μοντέλα λειτουργούν!

 Πώς βλέπετε την AI να εξελίσσεται στον χώρο του δανεισμού τις επόμενες δεκαετίες;

Ο δανεισμός θα αλλάξει μαζικά όταν η βιομηχανία μετατοπιστεί πλήρως στις μεγάλης κλίμακας μοντέλα κινδύνου που η Carrington Labs αξιοποιεί τις επόμενες δεκαετίες. Και θα το κάνει — αυτά τα μοντέλα είναι απλά πολύ πιο αποτελεσματικά. Είναι σαν το ρόλο της ηλεκτρικής ενέργειας στη βιομηχανία, είναι ένα παιχνίδι-αλλαγής και όλοι θα κάνουν τη μετάβαση ή θα εξαφανιστούν.

Τα μοντέλα μεγάλης κλίμακας μπορούν είτε να χτιστούν με το χέρι (ότι κάνατε στο παρελθόν, αλλά αυτή η διαδικασία διαρκεί μήνες ή ακόμη και χρόνια ενώ είναι επίσης πολύ δαπανηρή και ανίκανη να παρέχει το καλύτερο αποτέλεσμα. Ή μπορείτε να αυτοματοποιήσετε την κατασκευή του μοντέλου. Με την AI, μπορείτε να αυτοματοποιήσετε πολύ περισσότερα σε υψηλότερη ποιότητα ενώ επίσης économείτε χρόνο και κάνετε πράγματα που θα ήταν αδύνατα αν χτίζατε με το χέρι, όπως η δημιουργία χιλιάδων προσαρμοσμένων χαρακτηριστικών για einen μεσομεγέθης δανειστή.

Το κλειδί είναι να ξέρετε πώς να το κάνετε σωστά — αν απλώς ρίχνετε ένα σωρό πράγματα σε ένα LLM, θα πάρετε ένα γιγαντιαίο χάος και θα σπαταλήσετε το προϋπολογισμό σας.

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