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 préstamo al consumidor. Actualmente se desempeña como Director Ejecutivo de Carrington Labs, un proveedor líder de soluciones de crédito y préstamo impulsadas por IA explicables. 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 en McKinsey & Company.

¿Puede explicar cómo el sistema de puntuación de riesgo impulsado por IA de Carrington Labs difiere de los métodos de puntuación de crédito tradicionales?

El enfoque de Carrington Labs para la puntuación de riesgo difiere de los métodos de puntuación de crédito tradicionales de varias maneras:

Nuestra plataforma utiliza un conjunto de datos mucho más grande que los métodos anteriores. Las puntuaciones de crédito tradicionales dependen de tecnología obsoleta y se basan en la pequeña cantidad de información disponible en el archivo de crédito 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 los datos de transacciones bancarias por línea y los usamos para crear una imagen mucho más detallada y rica de un individuo.

Luego, usamos técnicas modernas de IA y aprendizaje automático para convertir estos grandes volúmenes de datos en una visión clara de la solvencia crediticia de un individuo, calculando cientos de variables individuales y combinándolas en una visión general integral. Las puntuaciones resultantes son completamente explicables y transparentes para el prestamista que las utiliza, a diferencia de las puntuaciones de crédito, que son cajas negras misteriosas. Estas puntuaciones también están adaptadas a un producto y segmento de cliente específicos del prestamista, lo que las hace más relevantes y, por lo tanto, más precisas que una puntuación de crédito, que es una puntuación 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 puntuación tradicional, sino que también puede utilizar esa puntuación para recomendar los términos de préstamo óptimos, como el límite y la duración. Como resultado de todos estos factores, la puntuación de riesgo de CL es un avance significativo en comparación con las perspectivas que ofrecen los métodos tradicionales a los prestamistas.

¿Cómo integra su IA los datos de transacciones bancarias abiertas 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 IA 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. Usamos decenas de millones de líneas de datos de transacciones para entrenar el modelo general y luego usamos miles de transacciones para cada nuevo cliente que el modelo evalúa. 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 usa el mismo cajero automático o si retira efectivo varias veces al día. Podemos identificar la actividad de juego al buscar transacciones frecuentes en plataformas de apuestas. Podemos ver cómo gasta el dinero rápidamente después de recibirlo o si ajusta sus gastos si comienza a quedarse sin dinero. También señalamos patrones financieros inesperados que pueden indicar mentalidades o comportamientos riesgosos, como multas de tráfico frecuentes.

Nuestros modelos están entrenados en alrededor de 50,000 variables posibles, con alrededor de 400 activas 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 IA 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 “sentido común” humano involucrado) y al amplio rango de datos que usamos 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 a continuación). En segundo lugar, 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. En tercer lugar, si el prestamista elige proporcionarnos datos de clase protegida para pruebas (solo; manteniéndolos alejados del entrenamiento), realizaremos pruebas estadísticas sobre 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 según el 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 mayor inclusión financiera.

¿Cómo garantiza que sus evaluaciones de riesgo crediticio impulsadas por IA sean explicables y transparentes para los prestamistas y los reguladores?

Si bien usamos IA en varias etapas del proceso de creación del modelo, los modelos en sí, la lógica real utilizada para calcular la puntuación 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 puntuación de un cliente y mapearla hacia un código de acción adversa si es deseado.

¿Cómo ayudan sus modelos de IA a democratizar el préstamo y ampliar la inclusión financiera para las poblaciones marginadas?

Muchas personas son más dignas de crédito de lo que sugieren sus puntuaciones de crédito tradicionales. Los métodos de puntuación de crédito heredados excluyen a millones de personas que no encajan en los modelos de crédito tradicionales. Nuestro enfoque impulsado por IA ayuda a los prestamistas a reconocer a estos prestatarios, ampliando el acceso a un crédito justo y responsable sin aumentar el riesgo.

Por ejemplo, pensemos en un inmigrante que acaba de mudarse a un nuevo país. Puede ser financieramente responsable, trabajador y emprendedor, 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 puntuación de riesgo crediticio para personas con las que las oficinas de crédito no están familiarizadas. Pueden carecer de un historial crediticio tradicional o tener un historial crediticio que puede parecer riesgoso 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 en comparación con las puntuaciones de crédito tradicionales, y eso es lo que permite a los prestamistas ampliar 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 atraer a nuevos prestatarios al sistema financiero, desde donde pueden aumentar su capacidad de préstamo al mostrar un buen comportamiento de pago, dándoles esa primera oportunidad de demostrar que pueden trabajar de manera responsable con la deuda.

¿Cuál es el papel de los organismos reguladores en la configuración de la forma en que se desarrollan y despliegan las soluciones de préstamo impulsadas por IA?

Los reguladores son una parte esencial para integrar la IA en los servicios financieros y en la economía en general. Los límites claros sobre dónde y cómo se puede utilizar la IA permitirán un crecimiento más rápido y nuevos casos de uso, y apoyamos los diversos procesos en marcha para crear rendición de cuentas legales y regulatorias.

Como principio general, creemos que las herramientas de IA utilizadas en el préstamo deben someterse a los mismos tipos de supervisión y escrutinio que otras herramientas; deben poder 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 en el Programa Start Path de Mastercard (MA )? ¿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 clientes potenciales 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 conocimientos ha obtenido de esta experiencia, y cómo han dado forma a los modelos de IA 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 probarlo en Beforepay primero. La declinación precipitosa de la tasa de impago de Beforepay también es un gran caso de estudio 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 enfocamos en asegurarnos de que esos modelos funcionen.

 ¿Cómo ve la evolución de la IA 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 impulsados por grandes datos que Carrington Labs está utilizando 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 cambiad or 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, además de ser enormemente costoso y no poder proporcionar el mejor resultado). O puedes automatizar la construcción del modelo. Con la IA, puedes automatizar mucho más a mayor calidad, ahorrando tiempo y haciendo 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 desorden y te quedarás sin presupuesto.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Carrington Labs.