Jamie Twiss, Carrington Labsin CEO – Haastattelusarja

Jamie Twiss on kokenut pankkiiri ja data-tieteilijä, joka työskentelee datatieteen, tekoälynn ja kuluttajaluottojen leikkauspinnalla. Hän toimii tällä hetkellä Carrington Labsin toimitusjohtajana, joka on johtava selitettävän tekoälyvoiman luottoRiskien arviointi- ja luottoRatkaisujen tarjoaja. Aikaisemmin hän oli suuren australialaisen pankin Chief Data Officer. Ennen sitä hän työskenteli monissa rooleissa pankkialalla ja rahoituspalveluissa uransa aloittamisen jälkeen konsulttina McKinsey & Companyssa.

Voitko selittää, miten Carrington Labsin tekoälyvoiman riskiarviointijärjestelmä eroaa perinteisistä luottoluokitusmenetelmistä?

Carrington Labsin lähestymistapa riskiarviointiin eroaa perinteisistä luottoluokitusmenetelmistä usealla tavalla:

Meidän alustamme käyttää paljon laajempaa tietojoukkoa kuin aiemmat menetelmät. Perinteiset luottoluokitusmenetelmät perustuvat vanhentuneeseen teknologiaan ja perustuvat asiakkaan luottotiedoston pieniin määriin saatavilla olevaa tietoa, pääasiassa maksuhistorioita, jotka antavat vain rajoitetun kuvan yksilöstä ja ei ollenkaan näkymää monille ihmisille. Asiakkaan suostumuksella otamme käyttöön pankin tilitapahtumatiedot ja käytämme niitä luomaan paljon yksityiskohtaisemman ja rikkaamman kuvan yksilöstä.

Käytämme sitten moderneja tekoäly- ja koneoppimismenetelmiä muuttaaksesi nämä suuret tietomäärät teräväksi näkemykseksi yksilön luottokelpoisuudesta, laskemalla satoja yksittäisiä muuttujia ja yhdistämällä ne kattavaan yleiskatsaukseen. Tuloksena olevat arviot ovat täysin selitettävissä ja läpinäkyviä lainanantajalle, toisin kuin luottoluokitus, jotka ovat salaperäisiä mustia laatikoita. Nämä arviot on myös räätälöity lainanantajan tiettyyn tuotteeseen ja asiakassegmenttiin, mikä tekee niistä merkityksellisempiä ja tarkempia kuin luottoluokitus, joka on geneerinen arvio, joka on koulutettu laajalle valikoimalle tuotteita ja asiakkaita.

Lopulta, meidän alustamme ei voi vain arvioida asiakkaan riskiä tehokkaammin kuin perinteinen arvio, vaan se voi myös käyttää arviota suositellakseen optimaalista lainan antamisen ehtoja, kuten raja- ja kestoaikaa. Näiden kaikkien tekijöiden vuoksi CL-riskiarviointi on merkittävä edistysaskel perinteisten menetelmien antamiin näkemyksiin.

Miten teidän tekoäly integroi avoimen pankin tilitapahtumatiedot antaakseen täydellisemmän kuvan hakijan luottokelpoisuudesta? Mitkä ovat joitain avainennustajia, jotka teidän tekoälymallit tunnistavat arvioidessaan luottoriskiä?

Mallimme voidaan kouluttaa monilla eri tietotyypeillä, mutta pankin tilitapahtumatiedot ovat yleensä ydin. Käytämme kymmeniä miljoonia tietorivejä kouluttaaksemme koko mallia ja sitten käytämme tuhansia tietorivejä jokaiselle uudelle asiakkaalle, jonka malli arvioi. Avoimen pankin kautta on yleensä paras tapa kerätä tietoja, koska se tarjoaa yhdenmukaisen muodon, hyvän turvallisuuden ja nopean vastausajan. Voimme kerätä sen myös muilla tavoilla, mutta avoimen pankin kautta on yleensä suositeltavaa.

Esimerkiksi voimme analyysin avulla tarkastella käteisen nostamisen tapoja nähdäksesi, onko joku usein nostaa suuria määriä, onko he aina käyttävät samaa pankkiautomaattia, tai onko he nostavat käteistä useita kertoja päivässä. Voimme tunnistaa uhkapelitoiminnan etsimällä usein tapahtumia vedonlyöntialustoilla. Voimme tarkastella, kuinka nopeasti joku käyttää rahaa sen saadessaan, tai onko he sopeuttavat kulutustottumuksiaan, jos he alkavat olla lopussa. Myös merkitsemme odottamattomia rahaliiketoimia, jotka voivat osoittaa riskialttiita asenteita tai käyttäytymistä, kuten useita nopeusrajoitusmaksuja.

Mallimme on koulutettu noin 50 000 mahdollista muuttujaa, ja noin 400 on aktiivisesti käytössä tyypillisessä riskimallissa. Tämä data-ajoitettu lähestymistapa auttaa lainanantajia tekemään tarkempia lainapäätöksiä ja räätälöimään lainoja kunkin hakijan yksilölliseen riskiprofiiliin. On tärkeää huomata, että tiedot, joita tunnistamme ja analysoimme, ovat anonyymejä, joten emme koske henkilökohtaisiin tunnistetietoihin (PII).

Miten Carrington Labs varmistaa, että sen tekoälymallit ovat vapaita sukupuolen, etnisen tai sosioekonomisen puolueellisuuden vaikutuksista lainapäätöksissä, ja mitkä toimet olette toteuttaneet vähentääksesi algoritmista puolueellisuutta luottoriskiarvioissa?

Carrington Labsin mallit ovat merkittävästi vähemmän alttiita puolueellisuudelle kuin perinteiset lähestymistavat niiden objektiivisuuden (ei ihmisen “vatsavaistoa” mukana) ja laajan tietojoukon vuoksi, jota käytämme mallien luomiseen.

Meillä on kolme pilaria anti-puolueellisuuslähestymistavassa: Ensinnäkin, emme koskaan salli suojattujen luokkien tietoja (rotu, sukupuoli jne.) mallinluontiprosessiin. Emme suosittele antamaan meille tietoja (ellei haluatte, että käytämme niitä puolueellisuustestaukseen; ks. alla). Toiseksi, mallimme on täysin selitettävissä, joten tarkastelemme jokaista ominaisuutta, jota käytetään kussakin mallissa, mahdollisen puolueellisuuden, välimuuttujien tai muiden ongelmien vuoksi. Lainanantajat myös pääsevät käsiksi ominaisuuksien luetteloon ja voivat suorittaa oman tarkastuksensa. Kolmanneksi, jos lainanantaja valitsee antaa meille suojattujen luokkien tietoja testaamista varten (vain; pidetään kaukana koulutuksesta), suoritamme tilastollisia testejä mallin tuloksista selvittääksesi hyväksymisprosentit ja -rajat ja varmistaa, että vaihtelu luokkien välillä on johtuen selitettävistä ja järkevistä tekijöistä.

Näin ollen Carrington Labsin mallien korkeampi prediktiivinen voima ja mahdollisuus hienosäätää rajoja riskin perusteella tekee siitä paljon helpomman lainanantajille hyväksyä useampia hakijoita pienemmillä rajoilla ja sitten lisätä niitä ajan myötä hyvän maksukäyttäytymisen myötä, mikä mahdollistaa laajemman taloudellisen osallistumisen.

Miten varmistatte, että teidän tekoälyvoimat luottoriskiarviot ovat selitettävissä ja läpinäkyviä lainanantajille ja sääntelijöille?

Vaikka käytämme tekoälyä useissa vaiheissa mallinluontiprosessissa, itse mallit, todellinen logiikka, jota käytetään asiakkaan arvioinnissa, perustuvat ennustettavissa olevaan ja hallittavissa olevaan matematiikkaan ja tilastotieteeseen. Lainanantaja tai sääntelijä voi tarkastella jokaista ominaisuutta mallissa varmistaakseen, että he ovat tyytyväisiä kuhinakin, ja voimme myös antaa asiakkaan arvioinnin yksityiskohtaisen jakautumisen ja kytkeä sen takaisin haitalliseen toimintakoodiin, jos halutaan.

Miten teidän tekoälymallit auttavat demokratisoimaan lainanantoa ja laajentamaan taloudellista osallistumista aliedustetuille väestöille?

Monet ihmiset ovat enemmän luottokelpoisia kuin heidän perinteiset luottoluokituksensa viittaavat. Perinteiset luottoluokitusmenetelmät sulkevat miljoonat ihmiset, jotka eivät mahdu perinteisiin luottomalleihin. Meidän tekoälyvoimainen lähestymistapa auttaa lainanantajia tunnistamaan nämä lainanhakijat ja laajentamaan pääsyä reiluun ja vastuulliseen luottoon ilman riskin lisäämistä.

Esimerkiksi ajatellaan maahanmuuttaja, joka on juuri muuttanut uuteen maahan. He saattavat olla taloudellisesti vastuullisia, ahkeria ja tehostavia, mutta he saattavat myös puuttua perinteisestä luottohistoriasta. Koska luottotoimisto ei ole koskaan kuullut heistä, heillä ei ole kykyä osoittaa, että tämä henkilö on luottokelpoinen, mikä tekee lainanantajista epäröivän esittää heille lainatarjouksia.

Nämä epäperinteiset tilitapahtumatiedot ovat avain rakentamaan tarkan arvion luottoriskiarvioista niille ihmisille, joita luottotoimistot eivät tunne. He saattavat puuttua perinteisestä luottohistoriasta tai heillä saattaa olla luottohistoria, joka saattaa vaikuttaa riskialttiilta lainanantajille ilman oikeaa asiayhteyttä, mutta meillä on kyky osoittaa lainanantajille, että nämä ihmiset ovat luottokelpoisia ja vakaat hyödyntämällä suurempaa määrää heidän taloudellista tietoa. Itse asiassa, meidän alustamme on jopa 250 % tarkempi, perustuen anonyyminä olevaan tietojoukkoon, tunnistamaan matalan riskin lainanhakijoita, joilla on rajoitettu luottotieto, kuin perinteiset luottoluokitus, ja se on se, mikä mahdollistaa lainanantajille laajentaa lainanhakijoiden perustaa ja lopulta lisätä lainahyväksymisiä.

Lisäksi, koska monilla lainanantajilla on vain likimääräinen käsitys yksittäisen asiakkaan riskistä, he kamppailevat sovittamaan tarjouksen heijastamaan asiakkaan yksilöllisiä olosuhteita, usein tarjoamalla heille enemmän kuin he voivat maksaa, antamalla heille vähemmän kuin he tarvitsevat tai (useimmiten) hylkäämällä heidät kokonaan. Mahdollisuus asettaa lainan rajoja tarkasti vaikuttaa erityisesti siihen, että lainanantajat voivat tuoda uusia lainanhakijoita taloudelliseen järjestelmään, josta he voivat lisätä lainanottokykyään osoittamalla hyvää maksukäyttäytymistä – antaen heille ensimmäisen mahdollisuuden osoittaa, että he voivat toimia vastuullisesti velan kanssa.

Mikä rooli sääntelijöillä on tekoälyvoimaisissa lainanratkaisujen kehittämisessä ja käyttöönotossa?

Sääntelijät ovat olennainen osa tekoälyn upottamista rahoituspalveluihin ja laajemmin talouteen. Selkeät rajat siitä, missä ja miten tekoälyä voidaan käyttää, mahdollistavat nopeamman kasvun ja uudet käyttötavat, ja olemme sitoutuneita eri prosessien luomiseen, joissa luodaan oikeudellinen ja sääntelyvastuu.

Yleisenä periaatteena uskomme, että tekoälytyökalut, joita käytetään lainanannossa, tulisi asettaa samanlaisen valvonnan ja tarkastelun alaisiksi kuin muut työkalut – ne tulisi pystyä osoittamaan, että ne kohtelevat asiakkaita reilusti ja tekevät pankkijärjestelmästä turvallisemman, ei riskallisemman. Meidän ratkaisumme pystyy selvästi osoittamaan molemmat.

Voitko kertoa lisää Carrington Labsin valinnasta Mastercard Start Path -ohjelmaan? Miten se kiihdyttää Yhdysvaltojen laajentumista?

Olemme iloisia työskentelemästä Mastercardin kanssa Yhdysvaltojen ja kansainvälisen laajentumissuunnitelman parissa. Heillä on vaatimaton kokemus toimittaa rahoitusratkaisuja pankeille ja muiden lainanantajien maailmanlaajuisesti ja ovat jo osoittaneet olevansa erittäin avuliaita, kun lisäämme sitoutumista mahdollisiin Yhdysvaltojen asiakkaisiin. Odotamme, että molemmat osapuolet hyötyvät, Mastercard tarjoaa neuvontaa, johdantoja ja mahdollisesti osia meidän ratkaisustamme, kun taas Carrington Labs tarjoaa arvokkaan palvelun Mastercardin asiakkaille.

Beforepay, teidän kuluttajien käyttöön tarkoitettu brändi, on myöntänyt yli 4 miljoonaa lainaa. Mitkä oivallukset olette saaneet tästä kokemuksesta, ja miten ne ovat muokanneet Carrington Labsin tekoälymallit?

Tästä kokemuksesta olemme oppineet, miten rakentaa malleja nopeasti ja tehokkaasti kiitos Beforepayn antaman pääsyn heidän loistavaan tutkimus- ja kehityslaboratorioonsa ja johtavan suuriin tietomääriin. Jos meillä on idea mallirakenteesta, arkkitehtuurista, koodista jne., voimme kokeilla sitä Beforepayssa ensin. Beforepayn defaulttisen korkea väheneminen on myös erinomainen case-tutkimus siitä, miten hyvin malli toimii.

Se on ollut erittäin motivoiduttava kokemus yleensä, koska työntekijöillämme on suuri osuus yrityksestä. Käytämme Carrington Labsin malleja joka päivä lainataksemme omia rahoja, joten se keskittää mieltä varmistamaan, että nämä mallit toimivat!

Miten tekoäly kehittyy lainanannossa seuraavan vuosikymmenen aikana?

Lainananto muuttuu massiivisesti, kun teollisuus siirtyy kokonaan siihen, mitä Carrington Labs käyttää suurten tietomäärien voimaa hyväksi tekoälyvoimaisissa riskimalleissa seuraavan vuosikymmenen aikana. Ja se tekee – nämä mallit ovat vain niin paljon tehokkaampia. Se on kuin sähkön rooli valmistuksessa; se on pelimuuttaja, ja joko teet siirtymän tai poistut.

Suuret tietomallit voidaan rakentaa käsin (mitä itse tein aikaisemmin, mutta tämä prosessi kestää kuukausia tai jopa vuosia, ja se on erittäin kallista ja kykenemätöntä tarjoamaan parasta lopputulosta. Tai voit automatisoida mallinrakennuksen. Tekoälyllä voit automatisoida paljon enemmän siitä laadukkaammin ja säästää aikaa ja tehdä asioita, jotka olisivat mahdottomia, jos rakentaisit käsin, kuten luomalla tuhansia mukautettuja ominaisuuksia keskikokoiselle lainanantajalle.

Avain on tietää, miten tehdä se oikein – jos heittäisit paljon tavaraa suurelle kielelliselle mallille, saisit valtavan sotkun ja menettäisit budjettisi.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Carrington Labs:ssa.