जेमी ट्विस, कैरिंगटन लैब्स के सीईओ – साक्षात्कार श्रृंखला

जेमी ट्विस एक अनुभवी बैंकर और डेटा वैज्ञानिक हैं जो डेटा विज्ञान, कृत्रिम बुद्धिमत्ता और उपभोक्ता उधार के बीच के संगम पर काम करते हैं। वह वर्तमान में कैरिंगटन लैब्स के मुख्य कार्यकारी अधिकारी के रूप में कार्य करते हैं, जो व्याख्यात्मक एआई-संचालित क्रेडिट जोखिम स्कोरिंग और उधार समाधानों का एक प्रमुख प्रदाता है। इससे पहले, वह एक प्रमुख ऑस्ट्रेलियाई बैंक में मुख्य डेटा अधिकारी थे। इससे पहले, उन्होंने मैकिन्से एंड कंपनी के साथ परामर्शदाता के रूप में अपना करियर शुरू करने के बाद बैंकिंग और वित्तीय सेवाओं में विभिन्न भूमिकाओं में काम किया था।

क्या आप बता सकते हैं कि कैरिंगटन लैब्स की एआई-संचालित जोखिम स्कोरिंग प्रणाली पारंपरिक क्रेडिट स्कोरिंग विधियों से कैसे भिन्न है?

कैरिंगटन लैब्स की जोखिम स्कोरिंग की दृष्टिकोण पारंपरिक क्रेडिट स्कोरिंग विधियों से कई मायनों में भिन्न है:

हमारा प्लेटफ़ॉर्म पारंपरिक विधियों की तुलना में बहुत बड़े डेटासेट का उपयोग करता है। पारंपरिक क्रेडिट स्कोर पुरानी तकनीक पर निर्भर करते हैं और मुख्य रूप से एक ग्राहक के क्रेडिट फ़ाइल में उपलब्ध जानकारी पर आधारित होते हैं, जो कि भुगतान इतिहास होता है, जो केवल एक व्यक्ति का एक सीमित स्नैपशॉट प्रदान करता है, और कई लोगों के लिए कोई दृष्टिकोण नहीं है। ग्राहक की सहमति से हम लाइन-आइटम बैंक लेनदेन डेटा लेते हैं और एक व्यक्ति की एक बहुत अधिक विस्तृत और समृद्ध तस्वीर बनाने के लिए इसका उपयोग करते हैं।

फिर हम बड़ी मात्रा में डेटा को एक तेज़ दृष्टिकोण में बदलने के लिए आधुनिक एआई और मशीन-लर्निंग तकनीकों का उपयोग करते हैं, जो एक व्यक्ति की क्रेडिट योग्यता की गणना करता है, सैकड़ों व्यक्तिगत चरों की गणना करता है और उन्हें एक व्यापक समग्र दृष्टिकोण में जोड़ता है। परिणामी स्कोर पूरी तरह से व्याख्यात्मक और पारदर्शी होते हैं और उधारदाता के लिए पारदर्शी होते हैं, जो क्रेडिट स्कोर के विपरीत होते हैं, जो रहस्यमय काले बॉक्स होते हैं। ये स्कोर एक उधारदाता के विशिष्ट उत्पाद और ग्राहक खंड के लिए अनुकूलित होते हैं, जो उन्हें एक क्रेडिट स्कोर की तुलना में अधिक प्रासंगिक और सटीक बनाता है, जो एक जेनेरिक स्कोर होता है जो विभिन्न उत्पादों और ग्राहकों पर प्रशिक्षित होता है।

अंत में, हमारा प्लेटफ़ॉर्म न केवल एक ग्राहक के जोखिम का आकलन पारंपरिक स्कोर की तुलना में अधिक प्रभावी ढंग से कर सकता है, बल्कि वह स्कोर का उपयोग उधार की शर्तों की सिफारिश करने के लिए भी कर सकता है, जैसे कि सीमा और अवधि। इन सभी कारकों के परिणामस्वरूप, सीएल जोखिम स्कोरिंग पारंपरिक विधियों द्वारा प्रदान की गई अंतर्दृष्टि पर एक महत्वपूर्ण प्रगति है।

आपका एआई खुले बैंकिंग लेनदेन डेटा को एक उधारकर्ता की क्रेडिट योग्यता की एक पूर्ण तस्वीर प्रदान करने के लिए कैसे एकीकृत करता है? और जोखिम मूल्यांकन करते समय आपके एआई मॉडल द्वारा पहचाने जाने वाले कुछ प्रमुख भविष्यवाणी क्या हैं?

हमारे मॉडल कई प्रकार के डेटा पर प्रशिक्षित किए जा सकते हैं, लेकिन बैंक लेनदेन डेटा आमतौर पर कोर में होता है। हम मॉडल को प्रशिक्षित करने के लिए लाखों लाइनों के लेनदेन डेटा का उपयोग करते हैं और फिर प्रत्येक नए ग्राहक के लिए जो मॉडल स्कोर करता है उसे thousands के लिए उपयोग करते हैं। खुले बैंकिंग आमतौर पर इस डेटा को इकट्ठा करने का सबसे अच्छा तरीका है, क्योंकि यह एक संगत प्रारूप, अच्छी सुरक्षा और तेज़ प्रतिक्रिया समय प्रदान करता है। हम इसे अन्य तरीकों से भी इकट्ठा कर सकते हैं, लेकिन खुले बैंकिंग आमतौर पर पसंद किया जाता है।

उदाहरण के लिए, हम नकद निकासी की आदतों का विश्लेषण कर सकते हैं कि क्या कोई व्यक्ति अक्सर बड़ी रकम निकालता है, क्या वे हमेशा एक ही एटीएम का उपयोग करते हैं, या क्या वे दिन में कई बार नकद निकालते हैं। हम बेटिंग प्लेटफ़ॉर्म पर बार-बार लेनदेन देखकर जुए की गतिविधि की पहचान कर सकते हैं। हम देख सकते हैं कि कोई व्यक्ति प्राप्त करने के बाद कितनी जल्दी पैसा खर्च करता है, या क्या वे अपने खर्च को समायोजित करते हैं यदि वे कम होने लगते हैं। हम अप्रत्याशित वित्तीय पैटर्न को भी पहचान सकते हैं जो जोखिम भरे दिमाग या व्यवहार को इंगित कर सकते हैं, जैसे कि बार-बार गति टिकट।

हमारे मॉडल लगभग 50,000 संभावित चरों पर प्रशिक्षित होते हैं, जिनमें से लगभग 400 एक典型 जोखिम मॉडल में सक्रिय रूप से उपयोग किए जाते हैं। यह डेटा-संचालित दृष्टिकोण उधारदाताओं को अधिक सटीक उधार निर्णय लेने और प्रत्येक आवेदक के विशिष्ट जोखिम प्रोफ़ाइल के अनुसार ऋणों को अनुकूलित करने में मदद करता है। यह ध्यान रखना महत्वपूर्ण है कि हम जो डेटा पहचानते और विश्लेषण करते हैं वह गुमनाम है, इसलिए हम व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) से निपटते नहीं हैं।

कैरिंगटन लैब्स अपने एआई मॉडलों को लिंग, जातीय या सामाजिक-आर्थिक पूर्वाग्रह से मुक्त रखने के लिए क्या सुनिश्चित करता है, और आपने अपने क्रेडिट जोखिम मूल्यांकन में एल्गोरिदमिक पूर्वाग्रह को कम करने के लिए क्या कदम उठाए हैं?

कैरिंगटन लैब्स के मॉडल पारंपरिक दृष्टिकोणों की तुलना में पूर्वाग्रह से मुक्त होने की संभावना बहुत अधिक है क्योंकि वे वस्तुनिष्ठ हैं (कोई मानव “गut महसूस” शामिल नहीं है) और हम मॉडल बनाने के लिए जो व्यापक डेटा का उपयोग करते हैं।

हमारे पास तीन स्तंभ हैं जो हमारे पूर्वाग्रह-विरोधी दृष्टिकोण को परिभाषित करते हैं: पहला, हम कभी भी संरक्षित-वर्ग डेटा (जाति, लिंग, आदि) को मॉडल-निर्माण प्रक्रिया के पास नहीं आने देते हैं। हमें यह पसंद है कि आप हमें वह डेटा न दें (जब तक कि आप हमें इसका उपयोग पूर्वाग्रह परीक्षण के लिए करने के लिए नहीं चाहते हैं; नीचे देखें)। दूसरा, हमारे मॉडल पूरी तरह से व्याख्यात्मक हैं, इसलिए हम प्रत्येक मॉडल में उपयोग किए जाने वाले प्रत्येक फीचर की पूर्वाग्रह, प्रॉक्सी चर, या अन्य समस्याओं के लिए समीक्षा करते हैं। उधारदाताओं के पास भी फीचर्स की सूची तक पहुंच होती है और वे अपनी समीक्षा कर सकते हैं। तीसरा, यदि उधारदाता हमें संरक्षित-वर्ग डेटा प्रदान करने का विकल्प चुनते हैं (केवल परीक्षण के लिए; प्रशिक्षण से दूर रखा जाता है), तो हम मॉडल आउटपुट पर सांख्यिकीय परीक्षण करेंगे ताकि यह सुनिश्चित किया जा सके कि अनुमोदन दर और सीमा में परिवर्तन स्पष्ट और तर्कसंगत कारकों द्वारा संचालित है।

परिणामस्वरूप, कैरिंगटन लैब्स के मॉडलों की उच्च भविष्यसूचक शक्ति और सीमाओं को जोखिम के आधार पर ठीक करने की क्षमता उधारदाताओं के लिए अधिक आवेदकों को छोटी सीमा पर अनुमोदित करने और फिर अच्छे पुनर्भुगतान व्यवहार के साथ समय के साथ उन्हें बढ़ाने के लिए यह बहुत आसान बनाती है, जो व्यापक वित्तीय समावेशन को सक्षम बनाता है।

आप अपने एआई-संचालित क्रेडिट जोखिम मूल्यांकन को उधारदाताओं और नियामकों के लिए व्याख्यात्मक और पारदर्शी कैसे बनाते हैं?

जबकि हम मॉडल-निर्माण प्रक्रिया में कई चरणों में एआई का उपयोग करते हैं, मॉडल स्वयं, वास्तविक तर्क जो एक ग्राहक स्कोर की गणना करता है—पredictable और controllable गणित और सांख्यिकी पर आधारित है। एक उधारदाता या नियामक मॉडल में प्रत्येक फीचर की समीक्षा कर सकता है ताकि वे प्रत्येक एक के साथ सहज हों और हम एक ग्राहक के स्कोर का विभाजन प्रदान कर सकते हैं और इसे एक प्रतिकूल-कार्रवाई कोड में मैप कर सकते हैं यदि वांछित हो।

आपके एआई मॉडल वित्तीय समावेशन को बढ़ाने और कम सेवा वाले आबादी के लिए उधार को लोकतांत्रिक बनाने में कैसे मदद करते हैं?

कई लोग पारंपरिक क्रेडिट स्कोर से अधिक क्रेडिट योग्य हैं। विरासत क्रेडिट स्कोरिंग विधियां उन लाखों लोगों को बाहर करती हैं जो पारंपरिक क्रेडिट मॉडल में फिट नहीं होते हैं। हमारा एआई-संचालित दृष्टिकोण उधारदाताओं को इन उधारकर्ताओं को पहचानने में मदद करता है, निष्पक्ष और जिम्मेदार क्रेडिट तक पहुंच बढ़ाता है बिना जोखिम बढ़ाए।

एक उदाहरण के रूप में, एक अप्रवासी के बारे में सोचें जो हाल ही में एक नए देश में चले गए हैं। वे वित्तीय रूप से जिम्मेदार, मेहनती और उद्योगी हो सकते हैं, लेकिन उनके पास पारंपरिक क्रेडिट इतिहास की कमी हो सकती है। क्योंकि क्रेडिट ब्यूरो ने उन्हें कभी नहीं सुना है, वे यह साबित करने में असमर्थ हैं कि यह व्यक्ति क्रेडिट योग्य है, जो उधारदाताओं को ऋण अवसर प्रदान करने में अनिच्छा पैदा करता है।

गैर-पारंपरिक लेनदेन डेटा बिंदु उन लोगों के लिए क्रेडिट जोखिम स्कोर का सटीक मूल्यांकन बनाने की कुंजी है जिन्हें क्रेडिट ब्यूरो नहीं जानता है। वे पारंपरिक क्रेडिट इतिहास की कमी हो सकती है या उधारदाताओं के लिए उचित संदर्भ के बिना जोखिम भरा दिखाई दे सकती है, लेकिन हमें यह दिखाने की क्षमता है कि ये लोग क्रेडिट योग्य और स्थिर हैं बड़ी मात्रा में उनके वित्तीय डेटा का लाभ उठाकर। वास्तव में, हमारा प्लेटफ़ॉर्म सीमित क्रेडिट जानकारी वाले कम-जोखिम वाले उधारकर्ताओं की पहचान करने में पारंपरिक क्रेडिट स्कोर की तुलना में 250% अधिक सटीक है, और यही बात उधारदाताओं को अपने उधारकर्ता आधार का विस्तार करने और अंततः ऋण अनुमोदन बढ़ाने में सक्षम बनाती है।

इसके अलावा, कई उधारदाताओं के पास केवल एक व्यक्तिगत ग्राहक के जोखिम का एक अनुमानित ज्ञान है, वे एक ग्राहक की विशिष्ट परिस्थितियों को प्रतिबिंबित करने के लिए एक प्रस्ताव को ठीक से समायोजित करने के लिए संघर्ष करते हैं, अक्सर उन्हें अधिक प्रदान करते हैं जितना वे वहन कर सकते हैं, उन्हें जितनी आवश्यकता है उतना कम उधार देते हैं या (सबसे अधिक बार) उन्हें पूरी तरह से अस्वीकार कर देते हैं। सीमाओं को सटीक रूप से निर्धारित करने की क्षमता वित्तीय प्रणाली में नए उधारकर्ताओं को लाने में उधारदाताओं को सक्षम बनाने के लिए एक मजबूत प्रभाव डालती है, जहां वे अच्छे पुनर्भुगतान व्यवहार को दिखाकर अपनी उधार क्षमता बढ़ा सकते हैं—उन्हें पहला मौका देते हुए कि वे जिम्मेदारी से ऋण के साथ काम कर सकते हैं।

नियामक निकाय एआई-संचालित उधार समाधानों के विकास और तैनाती को आकार देने में क्या भूमिका निभाते हैं?

नियामक एआई को वित्तीय सेवाओं और व्यापक अर्थव्यवस्था में एम्बेड करने के लिए एक आवश्यक हिस्सा हैं। एआई का उपयोग कहां और कैसे किया जा सकता है, इस पर स्पष्ट सीमाएं तेजी से विकास और नए उपयोग के मामलों को सक्षम करेंगी, और हम विभिन्न प्रक्रियाओं का समर्थन करते हैं जो कानूनी और नियामक जवाबदेही बनाने के लिए हैं।

एक सामान्य सिद्धांत के रूप में, हम मानते हैं कि उधार में उपयोग किए जाने वाले एआई टूल्स को अन्य टूल्स के समान निरीक्षण और जांच के अधीन किया जाना चाहिए—उन्हें यह प्रदर्शित करने में सक्षम होना चाहिए कि वे ग्राहकों के साथ न्यायपूर्ण व्यवहार कर रहे हैं और बैंकिंग प्रणाली को असुरक्षित बनाने के बजाय सुरक्षित बना रहे हैं। हमारा समाधान दोनों को स्पष्ट रूप से प्रदर्शित कर सकता है।

क्या आप हमें कैरिंगटन लैब्स के मास्टरकार्ड स्टार्ट पाथ प्रोग्राम में हाल ही में चयन के बारे में और बता सकते हैं? यह आपके संयुक्त राज्य अमेरिका के विस्तार को कैसे तेज करेगा?

हम मास्टरकार्ड के साथ अपने संयुक्त राज्य अमेरिका और वैश्विक विस्तार योजनाओं पर काम करने के लिए खुश हैं। उन्होंने दुनिया भर के बैंकों और अन्य उधारदाताओं को वित्तीय समाधान प्रदान करने में असाधारण अनुभव है और वे पहले से ही हमारे साथ काम करने में बहुत मददगार रहे हैं क्योंकि हम संभावित संयुक्त राज्य अमेरिका के ग्राहकों के साथ हमारी बातचीत बढ़ाते हैं। हम दोनों पक्षों को लाभ होने की उम्मीद करते हैं, मास्टरकार्ड सलाह, परिचय और हमारे समाधान के तत्व प्रदान करेगा, जबकि कैरिंगटन लैब्स मास्टरकार्ड के ग्राहकों को एक उच्च मूल्य वाली सेवा प्रदान करेगा।

बिफोरपे, आपके उपभोक्ता-सामना वाले ब्रांड ने 4 मिलियन से अधिक ऋण जारी किए हैं। आपने इस अनुभव से क्या जानकारी प्राप्त की है, और यह आपके एआई मॉडलों को कैसे आकार देता है?

इस अनुभव के माध्यम से, हमने सीखा कि कैसे तेजी से और प्रभावी ढंग से मॉडल बनाना है, धन्यवाद बिफोरपे ने हमें उनके महान आरएंडडी लैब और कुछ बड़ी मात्रा में डेटा तक पहुंच प्रदान की। यदि हमारे पास एक मॉडल फ्रेमवर्क, वास्तुकला, कोड, आदि के लिए एक विचार है, तो हम इसे बिफोरपे में पहले आजमा सकते हैं। बिफोरपे की डिफ़ॉल्ट दर में तेजी से गिरावट भी यह दिखाने में एक महान मामला अध्ययन है कि मॉडल कितनी अच्छी तरह काम करता है।

यह सामान्य तौर पर एक बहुत ही प्रेरक अनुभव रहा है, क्योंकि हमारे कर्मचारियों को कंपनी में एक बड़ा हिस्सा है। हम अपने स्वयं के पैसे उधार देने के लिए कैरिंगटन लैब्स के मॉडलों का उपयोग कर रहे हैं, इसलिए यह सुनिश्चित करने के लिए कि वे काम करते हैं यह हमारे लिए बहुत महत्वपूर्ण है!

 आप अगले दशक में उधार के क्षेत्र में एआई के विकास को कैसे देखते हैं?

उधार पूरी तरह से बदल जाएगा जब उद्योग पूरी तरह से बड़े डेटा-संचालित जोखिम मॉडलों में स्थानांतरित हो जाएगा जो कैरिंगटन लैब्स का लाभ उठा रहे हैं। और यह होगा—वे मॉडल इतने अधिक प्रभावी हैं। यह विनिर्माण में बिजली की भूमिका की तरह है; यह एक खेल-changer है और हर कोई या तो इस परिवर्तन को करेगा या बाहर निकल जाएगा।

बड़े डेटा मॉडल या तो हाथ से बनाए जा सकते हैं (जो मैं खुद करता था, लेकिन यह प्रक्रिया महीनों या thậm chí वर्षों तक चलती है जबकि यह बहुत महंगा और सबसे अच्छा परिणाम प्रदान करने में असमर्थ है)। या आप मॉडल-निर्माण को स्वचालित कर सकते हैं। एआई के साथ, आप इसे उच्च गुणवत्ता के साथ अधिक स्वचालित कर सकते हैं और समय और उन चीजों को बचा सकते हैं जो हाथ से बनाने पर असंभव होंगे, जैसे कि एक मध्यम आकार के उधारदाता के लिए हजारों कस्टम फीचर्स बनाना।

चाबी यह जानना है कि इसे सही तरीके से कैसे करना है—यदि आप केवल एक एलएलएम पर बहुत सारी चीजें फेंकते हैं, तो आपको एक विशाल गड़बड़ी मिलेगी और आप अपने बजट को समाप्त कर देंगे।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें कैरिंगटन लैब्स पर जाना चाहिए。