Jamie Twiss, CEO de Carrington Labs – Serie de Entrevistas

Jamie Twiss es un banquero experimentado y un científico de datos que trabaja en la intersección de la ciencia de datos, la inteligencia artificial y el crédito al consumidor. Actualmente se desempeña como Director Ejecutivo de Carrington Labs, un proveedor líder de soluciones de crédito y evaluación de riesgos basadas en inteligencia artificial explicable. Anteriormente, fue el Director de Datos de un importante banco australiano. Antes de eso, trabajó en una variedad de roles en banca y servicios financieros después de comenzar su carrera como consultor con McKinsey & Company.

¿Puede explicar cómo el sistema de evaluación de riesgos basado en inteligencia artificial de Carrington Labs difiere de los métodos tradicionales de evaluación crediticia?

El enfoque de Carrington Labs para la evaluación de riesgos difiere de los métodos tradicionales de evaluación crediticia de varias maneras:

Nuestra plataforma utiliza un conjunto de datos mucho más grande que los métodos anteriores. Las calificaciones crediticias tradicionales dependen de tecnología obsoleta y se basan en la pequeña cantidad de información disponible en el archivo crediticio de un cliente, principalmente historiales de pagos, que solo ofrecen una visión limitada de un individuo y no ofrecen ninguna visión de muchas personas. Con el consentimiento del cliente, tomamos datos de transacciones bancarias detalladas y los utilizamos para crear una imagen mucho más detallada y rica de un individuo.

Luego, utilizamos técnicas modernas de inteligencia artificial y aprendizaje automático para convertir estos grandes volúmenes de datos en una visión aguda de la solvencia crediticia de un individuo, calculando cientos de variables individuales y combinándolas en una visión general integral. Las calificaciones resultantes son completamente explicables y transparentes para el prestamista que las utiliza, a diferencia de las calificaciones crediticias, que son cajas negras misteriosas. Estas calificaciones también están adaptadas a un producto y segmento de clientes específicos del prestamista, lo que las hace más relevantes y, por lo tanto, más precisas que una calificación crediticia, que es una calificación genérica entrenada en una amplia gama de productos y clientes.

Finalmente, nuestra plataforma no solo puede evaluar el riesgo de un cliente de manera más efectiva que una calificación tradicional, sino que también puede utilizar esa calificación para recomendar los términos de préstamo óptimos, como límite y duración. Como resultado de todos estos factores, la evaluación de riesgos de CL es un avance significativo en comparación con las perspectivas que ofrecen los métodos tradicionales a los prestamistas.

¿Cómo integra su inteligencia artificial los datos de transacciones de banca abierta para ofrecer una visión más completa de la solvencia crediticia de un solicitante? Y ¿cuáles son algunos de los predictores clave que sus modelos de inteligencia artificial identifican al evaluar el riesgo crediticio?

Nuestros modelos pueden ser entrenados con muchos tipos diferentes de datos, pero los datos de transacciones bancarias suelen ser el núcleo. Utilizamos decenas de millones de líneas de datos de transacciones para entrenar el modelo general y luego utilizamos miles de transacciones para cada nuevo cliente que el modelo califica. La Banca Abierta es generalmente la mejor manera de recopilar estos datos, ya que ofrece un formato consistente, buena seguridad y tiempos de respuesta rápidos. Podemos recopilarlos a través de otros medios, pero la Banca Abierta es generalmente preferida.

Por ejemplo, podemos analizar los hábitos de retiro de efectivo para ver si alguien retira frecuentemente grandes cantidades, si siempre utiliza el mismo cajero automático o si retira efectivo varias veces al día. Podemos identificar la actividad de juego analizando transacciones frecuentes en plataformas de apuestas. Podemos ver cómo gasta alguien el dinero después de recibirlo, o si ajusta sus gastos si comienza a quedarse sin dinero. También identificamos patrones financieros inesperados que pueden indicar mentalidades o comportamientos arriesgados, como multas de tráfico frecuentes.

Nuestros modelos están entrenados con alrededor de 50,000 variables posibles, con alrededor de 400 activamente utilizadas en un modelo de riesgo típico. Este enfoque basado en datos ayuda a los prestamistas a tomar decisiones de préstamo más precisas y a adaptar los préstamos al perfil de riesgo único de cada solicitante. Es importante destacar que los datos que identificamos y analizamos son anónimos, por lo que no tratamos con información de identificación personal (PII).

¿Cómo garantiza Carrington Labs que sus modelos de inteligencia artificial estén libres de sesgo de género, étnico o socioeconómico en las decisiones de préstamo, y qué medidas ha tomado para mitigar el sesgo algorítmico en sus evaluaciones de riesgo crediticio?

Los modelos de Carrington Labs son significativamente menos propensos a estar sesgados que los enfoques tradicionales debido a su objetividad (no hay “intuición” humana involucrada) y al amplio rango de datos que utilizamos para crear modelos.

Tenemos tres pilares en nuestro enfoque anti-sesgo: Primero, nunca permitimos que los datos de clase protegida (raza, género, etc.) estén cerca del proceso de creación del modelo. Preferimos que no nos proporcione esa información (a menos que desee que la usemos para pruebas de sesgo; véase abajo). Segundo, nuestros modelos son completamente explicables, por lo que revisamos cada característica utilizada en cada modelo para detectar posibles sesgos, variables proxy o otros problemas. Los prestamistas también tienen acceso a la lista de características y pueden realizar sus propias revisiones. Tercero, si el prestamista elige proporcionarnos datos de clase protegida para pruebas (solo; manteniéndolos alejados del entrenamiento), realizaremos pruebas estadísticas en las salidas del modelo para determinar las tasas de aprobación y los límites, y garantizar que la variación entre las clases esté claramente impulsada por factores explicables y razonables.

Como resultado, el mayor poder predictivo de los modelos de Carrington Labs y la capacidad de ajustar los límites en función del riesgo hacen que sea mucho más fácil para los prestamistas aprobar a más solicitantes con límites más pequeños y luego aumentarlos con el tiempo con un buen comportamiento de pago, lo que permite una inclusión financiera más amplia.

¿Cómo garantiza que sus evaluaciones de riesgo crediticio basadas en inteligencia artificial sean explicables y transparentes para los prestamistas y los reguladores?

Si bien utilizamos inteligencia artificial en varias etapas del proceso de creación del modelo, los modelos en sí, la lógica real utilizada para calcular la calificación de un cliente, se basan en matemáticas y estadísticas predecibles y controlables. Un prestamista o regulador puede revisar cada característica del modelo para asegurarse de que esté cómodo con cada una, y también podemos proporcionar un desglose de la calificación de un cliente y mapearla hacia un código de acción adversa si se desea.

¿Cómo ayudan sus modelos de inteligencia artificial a democratizar el préstamo y expandir la inclusión financiera para las poblaciones subatendidas?

Muchas personas son más dignas de crédito de lo que sugieren sus calificaciones crediticias tradicionales. Los métodos de evaluación crediticia heredados excluyen a millones de personas que no encajan en los modelos crediticios tradicionales. Nuestro enfoque basado en inteligencia artificial ayuda a los prestamistas a reconocer a estos prestatarios, expandiendo el acceso a crédito justo y responsable sin aumentar el riesgo.

Por ejemplo, piense en un inmigrante que acaba de mudarse a un nuevo país. Puede ser financieramente responsable, trabajador y laborioso, pero puede carecer de un historial crediticio tradicional. Debido a que la oficina de crédito nunca ha oído hablar de él, carece de la capacidad de demostrar que esta persona es digna de crédito, lo que a su vez hace que los prestamistas sean reacios a presentarles oportunidades de préstamo.

Esos puntos de datos de transacciones no tradicionales son la clave para construir una evaluación precisa de la calificación de riesgo crediticio para personas que las oficinas de crédito no conocen. Pueden carecer de un historial crediticio tradicional o tener un historial crediticio que pueda parecer arriesgado para los prestamistas sin el contexto adecuado, pero tenemos la capacidad de mostrar a los prestamistas que estas personas son dignas de crédito y estables al aprovechar una mayor cantidad de sus datos financieros. De hecho, nuestra plataforma es hasta un 250% más precisa, según un conjunto de datos anonimizados, para identificar prestatarios de bajo riesgo con información crediticia limitada que las calificaciones crediticias tradicionales, y eso es lo que permite a los prestamistas expandir su base de prestatarios y, en última instancia, aumentar las aprobaciones de préstamos.

Además, debido a que muchos prestamistas solo tienen una idea aproximada del riesgo individual de un cliente, luchan por ajustar una oferta para reflejar las circunstancias individuales de un cliente, frecuentemente ofreciéndoles más de lo que pueden pagar, prestándoles menos de lo que necesitan o (lo más frecuente de todo) rechazándolos por completo. La capacidad de establecer límites de préstamo con precisión tiene un efecto particularmente fuerte en la capacidad de los prestamistas para incorporar a nuevos prestatarios al sistema financiero, desde donde pueden aumentar su capacidad de préstamo mostrando un buen comportamiento de pago, dándoles esa primera oportunidad de demostrar que pueden trabajar de manera responsable con la deuda.

¿Cuál es el papel que desempeñan los organismos reguladores en la forma en que se desarrollan y despliegan las soluciones de préstamo basadas en inteligencia artificial?

Los reguladores son una parte esencial de la integración de la inteligencia artificial en los servicios financieros y en la economía en general. Los límites claros sobre dónde y cómo se puede utilizar la inteligencia artificial permitirán un crecimiento más rápido y nuevos casos de uso, y apoyamos los diversos procesos en curso para crear responsabilidad legal y regulatoria.

Como principio general, creemos que las herramientas de inteligencia artificial utilizadas en el préstamo deben estar sujetas al mismo tipo de supervisión y escrutinio que otras herramientas; deben ser capaces de demostrar que tratan a los clientes de manera justa y que hacen que el sistema bancario sea más seguro, no más arriesgado. Nuestra solución puede demostrar claramente ambas cosas.

¿Puede contarnos más sobre la reciente selección de Carrington Labs para el programa Mastercard Start Path? ¿Cómo acelerará esto su expansión en EE. UU.?

Estamos encantados de trabajar con Mastercard en nuestros planes de expansión en EE. UU. y a nivel mundial. Tienen una experiencia incomparable en la entrega de soluciones financieras a bancos y otros prestamistas en todo el mundo y ya han sido extremadamente útiles a medida que aumentamos nuestro compromiso con posibles clientes en EE. UU. Esperamos que ambas partes se beneficien, con Mastercard ofreciendo asesoramiento, presentaciones y posiblemente elementos de nuestra solución, mientras que Carrington Labs proporciona un servicio de alto valor a los clientes de Mastercard.

Beforepay, su marca de cara al consumidor, ha emitido más de 4 millones de préstamos. ¿Qué perspectivas ha obtenido de esta experiencia, y cómo han dado forma a los modelos de inteligencia artificial de Carrington Labs?

A través de esta experiencia, aprendimos a construir modelos de manera rápida y efectiva gracias al acceso que Beforepay nos dio a su gran laboratorio de investigación y desarrollo y a algunos volúmenes de datos enormes. Si tenemos una idea para un marco de modelo, arquitectura, código, etc., podemos probarla en Beforepay primero. La declinación precipitosa de la tasa de impago de Beforepay también es un gran estudio de caso que muestra cómo funciona bien el modelo.

Ha sido una experiencia muy motivadora en general, ya que nuestros empleados tienen una gran participación en la empresa. Estamos utilizando los modelos de Carrington Labs todos los días para prestar nuestro propio dinero, así que nos enfoca la mente en asegurarnos de que esos modelos funcionen.

 ¿Cómo ve la evolución de la inteligencia artificial en el espacio de préstamo en la próxima década?

El préstamo va a cambiar enormemente una vez que la industria se mueva completamente hacia los modelos de riesgo basados en grandes datos que Carrington Labs está aprovechando en la próxima década. Y lo hará, porque esos modelos son mucho más efectivos. Es como el papel de la electricidad en la fabricación; es un juego cambiable y todos harán la transición o saldrán.

Los modelos de grandes datos pueden ser construidos a mano (lo que solía hacer yo mismo, pero este proceso lleva meses o incluso años, mientras que también es enormemente costoso y no puede proporcionar el mejor resultado). O puedes automatizar la creación del modelo. Con la inteligencia artificial, puedes automatizar mucho más a una calidad más alta, mientras que también ahorras tiempo y haces cosas que serían imposibles si estuvieras construyendo a mano, como generar miles de características personalizadas para un prestamista de tamaño mediano.

La clave es saber cómo hacerlo correctamente, si simplemente lanzas un montón de cosas a un LLM, obtendrás un gran desastre y te quedarás sin presupuesto.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Carrington Labs.