Jamie Twiss, Carrington Labsin CEO – Haastattelusarja

Jamie Twiss on kokenut pankkiiri ja data-tieteilijä, joka työskentelee datatieteen, tekoälyn ja kuluttajalainojen leikkauspisteessä. Hän toimii tällä hetkellä Carrington Labsin toimitusjohtajana, joka on johtava selitettävien tekoälypohjaisten luottoriskien arvioinnin ja lainojen ratkaisujen tarjoaja. Aikaisemmin hän toimi suuren australialaisen pankin datajohtajana. Ennen sitä hän työskenteli erilaisissa rooleissa pankkialalla ja rahoituspalveluissa aloitettuaan uransa konsulttina McKinsey & Companyssa.

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

Carrington Labsin lähestymistapa riskien arviointiin eroaa perinteisistä luottoluokitusmenetelmistä useilla tavoin:

Meidän alustamme käyttää paljon laajempaa tietojoukkoa kuin perinteiset menetelmät. Perinteiset luottoluokitusmenetelmät perustuvat vanhentuneeseen teknologiaan ja perustuvat asiakkaan luottotiedoston pienelle määrälle tietoa, pääasiassa maksuhistorioihin, jotka antavat vain rajoitetun katsauksen yksilöön ja eivät anna lainkaan käsitystä monista ihmisistä. Asiakkaan suostumuksella otamme käyttöön pankin tilitapahtumatiedot ja käytämme niitä luodaksemme yksilöistä paljon yksityiskohtaisemman ja rikkaamman kuvan.

Sitten käytämme moderneja tekoäly- ja koneoppimismenetelmiä muuttaaksemme nämä suuret tietomäärät terävään näkemykseen yksilön luottokelpoisuudesta, laskemalla satoja yksittäisiä muuttujia ja yhdistämällä ne kattavaan yleiskatsaukseen. Tuloksena olevat arviot ovat täysin selitettävissä ja avoimia lainanantajalle, toisin kuin luottoluokitus, joka on salainen musta laatikko. 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 tuotteiden ja asiakkaiden kirjolle.

Lopulta meidän alustamme voi arvioida asiakkaan riskiä perinteisen arvion paremmin ja käyttää sitä suositellakseen optimaalista lainan antamisen ehtoja, kuten lainan määrää ja kestoa. Näiden tekijöiden yhdistelmä tekee Carrington Labsin riskiarvioinnista merkittävän edistysaskeleen perinteisten menetelmien antamiin näkemyksiin.

Miten teidän tekoäly integroi avoimen pankin tilitapahtumatiedot antaakseen täydellisemmän kuvan hakijan luottokelpoisuudesta? Miten teidän tekoälymallit tunnistavat avainennustajat arvioitaessaan luottoriskiä?

Meidän mallit voidaan kouluttaa monenlaisiin tietoihin, mutta pankin tilitapahtumatiedot ovat yleensä prosessin ydin. Käytämme kymmeniä miljoonia tilitapahtumatietoja kouluttaaksemme yleisen mallin ja sitten tuhansia tilitapahtumatietoja jokaiselle uudelle asiakkaalle, jota malli arvioi. Avoin pankkitoiminta on yleensä paras tapa kerätä tietoja, koska se tarjoaa yhdenmukaisen muodon, hyvän turvallisuuden ja nopean vastausajan. Voimme kerätä sen myös muilla tavoilla, mutta avoin pankkitoiminta on yleensä suositeltavin.

Esimerkiksi voimme analyysin avulla tutkia käteisen nostamisen tapoja, katsomaan, onko joku usein nostaa suuria summia, käyttääkö hän aina samaa pankkiautomaattia vai nostaakö hän käteistä useita kertoja päivässä. Voimme tunnistaa uhkapelitoiminnan etsimällä usein toistuvia transaktioita vedonlyöntialustoilla. Voimme tarkastella, miten nopeasti joku henkilö käyttää rahaa sen saadessaan, tai muuttaako hän kulutustottumuksiaan, jos hän alkaa loppua rahasta. Lisäksi voimme tunnistaa odottamattomia taloudellisia malleja, jotka voivat osoittaa riskialttiita asenteita tai käyttäytymistä, kuten usein toistuvia nopeusvirheitä.

Meidän mallit on koulutettu noin 50 000 mahdolliseen muuttujaan, joista noin 400 on aktiivisesti käytössä tyypillisessä riskimallissa. Tämä dataohjautuva 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 taustan puolueettomuudesta lainapäätöksissä, ja mitkä toimenpiteet olette toteuttaneet algorithmisen puolueettomuuden vähentämiseksi teidän luottoriskiarvioissa?

Carrington Labsin mallit ovat merkittävästi vähemmän alttiita puolueettomuudelle verrattuna perinteisiin lähestymistapoihin niiden objektiivisuuden (ei ihmisen “vatsavaistoa”) ja laajan tietojoukon vuoksi, jota käytämme malleja luotaessa.

Meillä on kolme pilaria puolueettomuuslähestymiseemme: Ensinnäkin, emme koskaan salli suojattujen luokkien tietoja (rotu, sukupuoli jne.) pääsemään mallinluontiprosessiin. Toiseksi, meidän mallit ovat täysin selitettävissä, joten arvioimme jokaisen käytetyn ominaisuuden mahdollista puolueettomuutta, vaihtuvia muuttujia tai muita ongelmia varten. Lainanantajat voivat myös tarkastella ominaisuuksien luetteloa ja suorittaa omat arviointinsa. Kolmanneksi, jos lainanantaja valitsee antaa meille suojattujen luokkien tietoja testausta varten (vain; pidetään kaukana koulutuksesta), suoritamme tilastollisia testejä mallin tuloksista arvioidaksemme hyväksymisprosentit ja rajoitukset ja varmistamaan, että luokkien välinen vaihtelu johtuu selitettävistä ja kohtuullisista syistä.

Tämän seurauksena Carrington Labsin mallien korkeampi prediktiivinen voima ja rajoitusten hienosäätö mahdollistavat lainanantajille helpommin hyväksyä useampia hakijoita pienemmillä rajoituksilla ja sitten lisätä niitä hyvän maksukäyttäytymisen myötä, mikä mahdollistaa laajemman taloudellisen osallistumisen.

Miten varmistatte, että teidän tekoälypohjaiset luottoriskiarviot ovat selitettävissä ja avoimia lainanantajille ja sääntelijöille?

Vaikka käytämme tekoälyä useissa vaiheissa mallinluontiprosessissa, itse mallit, eli logiikka, jota käytetään asiakkaan arvioinnissa, perustuvat ennustettavissa oleviin ja hallittaviin matemaattisiin ja tilastollisiin menetelmiin. Lainanantaja tai sääntelijä voi tarkastella jokaisen mallin ominaisuutta varmistaakseen, että he ovat tyytyväisiä kuhinakin, ja voimme myös tarjota asiakkaan arvioinnin yksityiskohtaisen purkauksen ja kytkeä sen takaisin haitalliseen toimintakoodiin, jos halutaan.

Miten teidän tekoälymallit auttavat demokratisoimaan lainanantoa ja laajentamaan taloudellista osallistumista syrjäytyneille väestöryhmille?

Monet ihmiset ovat luottokelpoisempia kuin heidän perinteiset luottoluokituksensa antavat ymmärtää. Perinteiset luottoluokitusmenetelmät sulkevat pois miljoonia ihmisiä, jotka eivät mahdu perinteisiin luottomalleihin. Meidän tekoälypohjainen lähestymistapa auttaa lainanantajia tunnistamaan nämä lainanhakijat ja laajentamaan heille reilua ja vastuullista luottoa ilman riskin lisääntymistä.

Esimerkiksi ajatellaan maahanmuuttaja, joka on juuri muuttanut uuteen maahan. Hän saattaa olla taloudellisesti vastuullinen, ahkera ja teollinen, mutta hänellä saattaa olla puutteellinen perinteinen luottohistoria. Koska luottotoimisto ei ole koskaan kuullut hänestä, hänellä ei ole kykyä osoittaa, että hän on luottokelpoinen, mikä tekee lainanantajista epäröivän esittää hänelle lainatarjouksia.

Nämä epäperinteiset tilitapahtumatiedot ovat avain rakentaa tarkka luottoriskiarvio niille, joita luottotoimistot eivät tunne. He saattavat olla ilman perinteistä luottohistoriaa tai heillä saattaa olla luottohistoria, joka saattaa näyttää riskialttiilta lainanantajille ilman asianmukaista kontekstia, 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 tunnistamaan matalan riskin lainanhakijoita, joilla on rajoitettu luottotieto, verrattuna perinteisiin luottoluokituksiin, ja se mahdollistaa lainanantajille laajentaa asiakasryhmäänsä ja lopulta lisätä lainahyväksyntöjä.

Lisäksi, koska monilla lainanantajilla on vain likimääräinen käsitys yksittäisen asiakkaan riskistä, he kamppailevat sovittamaan tarjouksen asiakkaan yksilöllisiin olosuhteisiin, usein tarjoamalla heille enemmän kuin he voivat maksaa, antamalla heille vähemmän kuin he tarvitsevat tai (useimmiten) hylkäämällä heidät kokonaan. Mahdollisuus asettaa lainan rajoitukset tarkasti on erityisen voimakas vaikutus siihen, että lainanantajat voivat tuoda uusia lainanhakijoita taloudelliseen järjestelmään, josta he voivat lisätä lainojaan osoittamalla hyvän maksukäyttäytymisen – antaen heille ensimmäisen mahdollisuuden osoittaa, että he voivat toimia vastuullisesti velalla.

Mikä on sääntelijöiden rooli tekoälypohjaisten lainaratkaisujen kehittämisessä ja käyttöönotossa?

Sääntelijät ovat olennainen osa tekoälyn upottamisessa 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 sääntelyn mukainen vastuu.

Yleisenä periaatteena uskomme, että tekoälytyökalut, joita käytetään lainanantoa varten, tulisi asettaa samanlaisen valvonnan ja tarkastelun alaisuuteen kuin muut työkalut – ne tulisi osoittaa, että ne kohtelevat asiakkaita reilusti ja tekevät pankkijärjestelmästä turvallisemman, ei riskialttiimman. Meidän ratkaisumme voi selvästi osoittaa molemmat.

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

Olemme iloisia työskentelemästä Mastercardin kanssa Yhdysvaltojen ja kansainvälisten laajentumissuunnitelmien parissa. Heillä on vailla vertaista kokemusta rahoitusratkaisujen toimittamisesta pankeille ja muiden lainanantajille ympäri maailmaa, ja he ovat jo osoittaneet olevansa erittäin avuliaita, kun lisäämme osallistumistamme Yhdysvaltojen potentiaalisiin asiakkaisiin. Odotamme, että molemmat osapuolet hyötyvät siitä, Mastercard tarjoaa neuvoja, johdantoja ja mahdollisesti osia meidän ratkaisustamme, kun taas Carrington Labs tarjoaa korkealaatuisen 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 vaikuttaneet Carrington Labsin tekoälymallien kehittämiseen?

Tästä kokemuksesta olemme oppineet, miten rakentaa malleja nopeasti ja tehokkaasti kiitos Beforepayn antaman pääsyn heidän R&D-laboratorioonsa ja johtavan suuriin tietomääriin. Jos meillä on idea mallirakenteesta, arkkitehtuurista, koodista jne., voimme kokeilla sitä Beforepayssa ensin. Beforepayn defaulttiosuuden jyrkkä lasku on myös erinomainen esimerkki siitä, miten hyvin malli toimii.

Se on ollut myös erittäin motivointi kokemus yleisesti, koska työntekijöillämme on suuri osuus yrityksestä. Käytämme Carrington Labsin malleja joka päivä lainataksemme omia rahojamme, joten se keskittää mieltä varmistamaan, että mallit toimivat!

 Miten näette tekoälyn kehittyvän lainamarkkinoilla seuraavan vuosikymmenen aikana?

Lainaus on muuttumassa radikaalisti, kun teollisuus siirtyy kokonaan siihen, mihin Carrington Labs on jo siirtynyt – suurten tietojoukkojen avulla luotujen riskimallien pariin seuraavan vuosikymmenen aikana. Ja se tapahtuu – nämä mallit ovat vain paljon tehokkaampia. Se on kuin sähkön rooli valmistuksessa; se on pelinmuuttaja, ja joko kaikki siirtyvät siihen tai poistuvat.

Big data -mallit voidaan rakentaa joko käsin (mitä itse aikaisemmin tein, mutta se prosessi kestää kuukausia tai jopa vuosia ja on erittäin kallista ja ei pysty antamaan parasta lopputulosta) tai automatisoida mallinrakennus. Tekoälyn avulla voidaan automatisoida paljon enemmän laadukkaammin ja säästää aikaa ja tehdä asioita, jotka olisivat mahdottomia, jos ne rakennettaisiin käsin, kuten luoda tuhansia mukautettuja ominaisuuksia keskikokoiselle lainanantajalle.

Avain on tietää, miten tehdä se oikein – jos heittää paljon tavaraa LLM:lle, saa valtavan sotkun ja kuluttaa budjetin. Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Carrington Labsissa.