Η γωνία του Anderson
Απλό AI μπορεί να προβλέψει τις αποφάσεις των διευθυντών τραπεζών για δάνεια με ακρίβεια πάνω από 95%

Βασικά σημείαΤο Τυχαίο Δάσος αναπαρήγαγε τις αποφάσεις δανειοδότησης των τραπεζικών διευθυντών με…
Δείτε περισσότερα
- Το Τυχαίο Δάσος αναπαρήγαγε τις αποφάσεις δανειοδότησης των τραπεζικών διευθυντών με σχεδόν 96% ακρίβεια.
- Οι διευθυντές σπάνια αποκλίνουν από τις αυτοματοποιημένες βαθμολογικές κάρτες, γεγονός που υποδηλώνει ότι ο ρόλος τους γίνεται ολοένα και πιο περιττός.
- Τα νευρωνικά δίκτυα είχαν χαμηλότερες επιδόσεις από απλούστερους αλγόριθμους στη μίμηση της ανθρώπινης συμπεριφοράς πιστοληπτικής αξιολόγησης.
Ένα νέο ερευνητικό πρόγραμμα έχει διαπιστώσει ότι οι αποφάσεις που λαμβάνονται κατά διακριτική ευχέρεια από ανθρώπινους διευθυντές τραπεζών μπορούν να αναπαραχθούν από συστήματα μηχανικής μάθησης με ακρίβεια πάνω από 95%.
Χρησιμοποιώντας τα ίδια δεδομένα που διατίθενται στους διευθυντές τραπεζών σε ένα ιδιωτικό σύνολο δεδομένων, η καλύτερη απόδοση αλγορίθμου στο τεστ ήταν μια εφαρμογή Random Forest – μια σχετικά απλή προσέγγιση που είναι είκοσι χρόνια παλιά, αλλά η οποία εξακολουθεί να υπερέχει ενός νευρωνικού δικτύου όταν προσπαθεί να μιμηθεί τη συμπεριφορά των ανθρώπινων διευθυντών τραπεζών που διαμορφώνουν τελικές αποφάσεις για δάνεια.

Ο αλγόριθμος Random Forest, ένας από τους τέσσερις που δοκιμάστηκαν για το πρόγραμμα, επιτυγχάνει υψηλή ανθρώπινη ισοδύναμη βαθμολογία σε σύγκριση με την απόδοση των διευθυντών τραπεζών, παρά την σχετικά απλή φύση του αλγορίθμου. Πηγή: Managers versus Machines: Do Algorithms Replicate Human Intuition in Credit Ratings?, https://arxiv.org/pdf/2202.04218.pdf
Οι ερευνητές, οι οποίοι είχαν πρόσβαση σε ένα ιδιωτικό σύνολο δεδομένων 37.449 βαθμολογιών δανείων σε 4.414 μοναδικούς πελάτες σε μια μεγάλη εμπορική τράπεζα, υποδεικνύουν σε διάφορα σημεία του προεγγράφου ότι η αυτόματη ανάλυση δεδομένων που δίνεται στους διευθυντές για να λάβουν απόφαση έχει γίνει τόσο ακριβής που οι διευθυντές σπάνια απομακρύνονται από αυτή, υποδεικνύοντας ότι ο ρόλος των διευθυντών τραπεζών στη διαδικασία έγκρισης δανείων αποτελείται κυρίως από τη διατήρηση κάποιου για να απολύσουν σε περίπτωση αθέτησης αποπληρωμής ενός δανείου.
Το έγγραφο αναφέρει:
‘Από πρακτικής πλευράς, αξίζει να σημειωθεί ότι τα αποτελέσματά μας μπορεί να υποδεικνύουν ότι η τράπεζα θα μπορούσε να επεξεργαστεί δάνεια πιο γρήγορα και φθηνότερα στην απουσία ανθρώπινων διευθυντών δανείων με πολύ συγκρίσιμα αποτελέσματα. Ενώ οι διευθυντές φυσικά εκτελούν μια ποικιλία εργασιών, είναι δύσκολο να επιχειρηματολογήσουν ότι είναι απαραίτητοι για αυτή τη συγκεκριμένη εργασία και ένας σχετικά απλός αλγόριθμος μπορεί να εκτελεστεί εξίσου καλά.
‘Είναι επίσης σημαντικό να σημειωθεί ότι με επιπλέον δεδομένα και υπολογιστική ισχύ, αυτοί οι αλγόριθμοι μπορούν να βελτιωθούν περαιτέρω.’
Το έγγραφο έχει τον τίτλο Managers versus Machines: Do Algorithms Replicate Human Intuition in Credit Ratings? και προέρχεται από το Τμήμα Οικονομικών και το Τμήμα Στατιστικής στο UoC Irvine και την Τράπεζα Επικοινωνιών BBM στη Βραζιλία.
Ρομποτική Ανθρώπινη Συμπεριφορά στις Αξιολογήσεις Πιστωτικών Βαθμολογιών
Τα αποτελέσματα δεν υποδεικνύουν ότι τα συστήματα μηχανικής μάθησης είναι αναγκαστικά καλύτερα στην λήψη αποφάσεων για δάνεια και πιστωτικές βαθμολογίες, αλλά ότι ακόμη και αλγόριθμοι που θεωρούνται σχετικά “χαμηλού επιπέδου” είναι ικανοί να βγάζουν τα ίδια συμπεράσματα με τους ανθρώπους από τα ίδια δεδομένα.
Η αναφορά χαρακτηρίζει τους διευθυντές τραπεζών ως ένα είδος ανθρώπινου τείχους προστασίας που έχει ως κύρια λειτουργία την αύξηση των βαθμολογιών κινδύνου που παρουσιάζονται από το στατιστικό και αναλυτικό σύστημα (μια πρακτική που είναι γνωστή στις τράπεζες ως “notching”).
‘Με την πάροδο του χρόνου, φαίνεται ότι οι διευθυντές χρησιμοποιούν λιγότερη κρίση, το οποίο μπορεί να υποδεικνύει τη βελτιωμένη απόδοση ή την εξάρτηση από αλγοριθμικές μεθόδους, όπως το σύστημα βαθμολογίας.’
Οι ερευνητές επίσης σημείωσαν:
‘Τα αποτελέσματα σε αυτό το έγγραφο δείχνουν ότι αυτή η συγκεκριμένη εργασία που εκτελείται από εξαιρετικά εξειδικευμένους διευθυντές τραπεζών μπορεί να αναπαραχθεί εύκολα από σχετικά απλούς αλγορίθμους. Η απόδοση αυτών των αλγορίθμων θα μπορούσε να βελτιωθεί με την εξειδίκευση για να ληφθούν υπόψη οι διαφορές μεταξύ των βιομηχανιών και φυσικά θα μπορούσε να επεκταθεί για να περιλαμβάνει επιπλέον στόχους, όπως η ενσωμάτωση της δίκαιης δανειοδότησης ή η προώθηση άλλων κοινωνικών στόχων.’

Εντοπίστε τη διαφορά: η αξιολόγηση κινδύνου των βαθμολογιών του συστήματος (αυτόματες) αυξάνεται (‘notching’) από τους διευθυντές τραπεζών, των οποίων οι αποφάσεις μελετήθηκαν στο έργο – μια αναπαραγώμενη διαδικασία.
Εφόσον τα δεδομένα υποδεικνύουν ότι οι διευθυντές τραπεζών το κάνουν με σχεδόν αλγοριθμικό και προβλέψιμο τρόπο, οι διορθώσεις τους δεν είναι τόσο δύσκολο να αναπαραχθούν. Η διαδικασία απλώς επανεκτιμά τα αρχικά δεδομένα του συστήματος βαθμολόγησης και προσαρμόζει την αξιολόγηση κινδύνου προς τα πάνω εντός προβλέψιμων ορίων.
Μέθοδος και Δεδομένα
Ο σκοπός του έργου ήταν να προβλέψει ποιες αποφάσεις θα λάβουν οι διευθυντές τραπεζών, με βάση το σύστημα βαθμολογίας και άλλες μεταβλητές που διατίθενται σε αυτούς, και όχι να αναπτύξουν καινοτόμους εναλλακτικούς μηχανισμούς που να αντικαταστήσουν τις τρέχουσες διαδικασίες αίτησης δανείων.
Οι μεθόδοι μηχανικής μάθησης που δοκιμάστηκαν για το πρόγραμμα ήταν Multinomial Logistic LASSO (MNL-LASSO), νευρωνικά δίκτυα και δύο εφαρμογές Classification and Regression Trees (CART): Random Forest και Gradient Boosting.
Το πρόγραμμα λάμβανε υπόψη τόσο τα δεδομένα της βαθμολογίας για μια πραγματική εργασία αξιολόγησης πιστωτικών, όσο και το αποτέλεσμα, όπως ήταν γνωστό στα δεδομένα. Η βαθμολογία είναι μια από τις παλαιότερες αλγοριθμικές πρακτικές, όπου οι κρίσιμες μεταβλητές για το προτεινόμενο δάνειο υπολογίζονται σε ένα πλέγμα κινδύνου, συχνά με απλές μεθόδους όπως λογιστική παλινδρόμηση.
Αποτελέσματα
Το MNL-LASSO εκτελέστηκε το χειρότερο μεταξύ των δοκιμασμένων αλγορίθμων, με επιτυχή ταξινόμηση μόνο του 53% των δανείων, σε σύγκριση με τον πραγματικό διευθυντή στις περιπτώσεις που αξιολογήθηκαν.
Οι άλλες τρεις μέθοδοι (το CART περιλαμβάνει Random Forest και Gradient Boosting) αναπαρήγαγαν την κατηγορία που επέλεγε ο διευθυντής σε πάνω από το 90% των περιπτώσεων. Το σφάλμα αξιολογήθηκε χωριστά και με τη ρίζα του μέσου τετραγωνικού σφάλματος (RMSE).
Ωστόσο, η εφαρμογή του Random Forest του CART σημείωσε ένα εντυπωσιακό ποσοστό κοντά στο 96%, ακολουθούμενο από κοντά από το Gradient Boosting.

Ακόμη και με την αφαίρεση της βαθμολογίας από τις δοκιμές κατά τη διάρκεια των μελετών ablation (κατώτερο τμήμα του πίνακα), οι αλγόριθμοι επιτυγχάνουν εξαιρετική απόδοση στην αναπαραγωγή της κρίσης των ανθρώπινων διευθυντών τραπεζών για πιστωτικές βαθμολογίες.
Εκπληκτικά, οι ερευνητές βρήκαν ότι το εφαρμοσμένο νευρωνικό δίκτυό τους σημείωσε μόνο 93%, με ένα ευρύτερο RMSE χάσμα, παράγοντας τιμές κινδύνου που απείχαν αρκετές βαθμίδες από τις ανθρώπινες εκτιμήσεις.
Οι συγγραφείς παρατηρούν:
‘Τα αποτελέσματα δεν υποδεικνύουν ότι μια μέθοδος υπερέχει της άλλης όσον αφορά ένα εξωτερικό μέτρο ακρίβειας, όπως η αντικειμενική πιθανότητα αθέτησης πληρωμών. Είναι αρκετά πιθανό ότι το Νευρωνικό Δίκτυο, για παράδειγμα, είναι το καλύτερο για αυτή τη εργασία ταξινόμησης.
‘Εδώ, ο στόχος είναι μόνο να αναπαραχθεί η επιλογή του ανθρώπινου διευθυντή και για αυτή τη εργασία, το Random Forest φαίνεται να υπερέχει όλων των άλλων μεθόδων σε όλους τους μετρημένους δείκτες.’
Το 5% που το σύστημα δεν μπορούσε να αναπαραγάγει, αποδίδεται, σύμφωνα με τους ερευνητές, στην την ετερογένεια των βιομηχανιών που καλύπτονται. Οι συγγραφείς σημειώνουν ότι το 5% των διευθυντών ευθύνεται για σχεδόν όλες τις αποκλίσεις και πιστεύουν ότι πιο περίπλοκα συστήματα θα μπορούσαν τελικά να καλύψουν τέτοιες περιπτώσεις και να κλείσουν το χάσμα.
Η Ευθύνη Είναι Δύσκολο να Αυτοματοποιηθεί
Εάν επιβεβαιωθεί σε μεταγενέστερα σχετικά έργα, η έρευνα υποδεικνύει ότι ο ρόλος του “διευθυντή τραπεζών” θα μπορούσε να προστεθεί σε μια αυξανόμενη κατηγορία πρώην ισχυρών θέσεων εξουσίας και κρίσης που μειώνονται σε “επίβλεψη” κατάσταση, ενώ η ακρίβεια των συγκρίσιμων μηχανικών συστημάτων δοκιμάζεται μακροπρόθεσμα: και υπονομεύει την κοινή θέση ότι ορισμένες κρίσιμες εργασίες δεν μπορούν να αυτοματοποιηθούν.
Ωστόσο, η καλή είδηση για τους διευθυντές τραπεζών θα φαινόταν ότι, από μια πολιτική πλευρά, η ανάγκη για ανθρώπινη ευθύνη σε κρίσιμες κοινωνικές διαδικασίες, όπως η αξιολόγηση πιστωτικών βαθμολογιών, είναι πιθανό να διατηρήσει τους τρέχοντες ρόλους τους – ακόμη και αν οι ενέργειες των ρόλων θα γίνουν πλήρως αναπαραγώγιμες από συστήματα μηχανικής μάθησης.
Πρώτη δημοσίευση 18ης Φεβρουαρίου 2022.












