‘सरल’ एआई बैंक प्रबंधकों के ऋण निर्णयों की 95% से अधिक सटीकता के साथ अनुमान लगा सकता है

एक नए शोध परियोजना में पाया गया है कि मानव बैंक प्रबंधकों द्वारा किए गए विवेकाधीन निर्णयों को मशीन लर्निंग सिस्टम द्वारा 95% से अधिक सटीकता के साथ दोहराया जा सकता है।

बैंक प्रबंधकों के लिए एक विशेष डेटासेट में उपलब्ध समान डेटा का उपयोग करके, परीक्षण में सर्वश्रेष्ठ प्रदर्शन करने वाला एल्गोरिदम रैंडम फॉरेस्ट कार्यान्वयन था – एक काफी सरल दृष्टिकोण जो बीस साल पुराना है, लेकिन जो ऋणों के बारे में निर्णय लेने वाले मानव बैंक प्रबंधकों के व्यवहार की नकल करने की कोशिश में एक न्यूरल नेटवर्क से बेहतर प्रदर्शन किया।

रैंडम फॉरेस्ट एल्गोरिदम, जो परियोजना के लिए चार में से एक था, बैंक प्रबंधकों के प्रदर्शन के सापेक्ष मानव-समान स्कोरिंग हासिल करता है, एल्गोरिदम की अपेक्षाकृत सरलता के बावजूद। स्रोत: मैनेजर्स वर्सेज मशीन्स: डू अल्गोरिदम रेप्लिकेट ह्यूमन इंट्यूशन इन क्रेडिट रेटिंग्स?, https://arxiv.org/pdf/2202.04218.pdf

शोधकर्ताओं, जिनके पास 37,449 ऋण रेटिंग्स के प्रोप्राइटरी डेटासेट तक पहुंच थी, जो 4,414 अद्वितीय ग्राहकों में ‘एक बड़े वाणिज्यिक बैंक’ में थे, सुझाव देते हैं कि स्वचालित डेटा विश्लेषण जो प्रबंधकों को अपने निर्णय लेने के लिए दिया जाता है, अब इतना सटीक हो गया है कि बैंक प्रबंधक शायद ही कभी इसके विपरीत जाते हैं, संभावित रूप से यह दर्शाता है कि ऋण अनुमोदन प्रक्रिया में बैंक प्रबंधकों की भूमिका मुख्य रूप से ऋण चूक की स्थिति में किसी को बरकरार रखने के लिए है।

लेख में कहा गया है:

‘व्यावहारिक दृष्टिकोण से, यह ध्यान देने योग्य है कि हमारे परिणाम यह दर्शा सकते हैं कि बैंक मानव ऋण प्रबंधकों की अनुपस्थिति में ऋणों को तेजी से और सस्ता प्रसंस्करण कर सकता है और परिणामी रूप से समान हो सकता है। जबकि प्रबंधक स्वाभाविक रूप से विभिन्न कार्य करते हैं, यह तर्क देना मुश्किल है कि वे इस विशिष्ट कार्य के लिए आवश्यक हैं और एक अपेक्षाकृत सरल एल्गोरिदम उतना ही अच्छा प्रदर्शन कर सकता है। ‘

‘यह भी महत्वपूर्ण है कि अतिरिक्त डेटा और गणना शक्ति के साथ इन एल्गोरिदम को और बेहतर बनाया जा सकता है।’

लेख पेपर शीर्षक मैनेजर्स वर्सेज मशीन्स: डू अल्गोरिदम रेप्लिकेट ह्यूमन इंट्यूशन इन क्रेडिट रेटिंग्स? है, और यह यूसी इरविन के अर्थशास्त्र और सांख्यिकी विभाग और ब्राजील में बैंक ऑफ कम्युनिकेशंस बीबीएम से है।

रोबोटिक मानव व्यवहार ऋण रेटिंग मूल्यांकन में

परिणाम यह नहीं दर्शाते हैं कि मशीन लर्निंग सिस्टम ऋणों और ऋण रेटिंग्स के बारे में निर्णय लेने में मानवों से बेहतर हैं, बल्कि यह कि यहां तक कि अब ‘निम्न-स्तर’ माने जाने वाले एल्गोरिदम भी मानवों के समान निष्कर्ष निकाल सकते हैं जो समान डेटा से हैं।

रिपोर्ट में बैंक प्रबंधकों को एक प्रकार के ‘मांसवेयर फायरवॉल’ के रूप में वर्णित किया गया है, जिनका मुख्य शेष कार्य जोखिम स्कोर को बढ़ाना है जो सांख्यिकीय और विश्लेषणात्मक स्कोरकार्ड प्रणाली उन्हें प्रस्तुत करती है (जिसे बैंकिंग में ‘नोटिंग’ के रूप में जाना जाता है)।

‘समय के साथ, यह प्रतीत होता है कि प्रबंधक कम विवेक का उपयोग कर रहे हैं, जो यह दर्शा सकता है कि एल्गोरिदमिक साधनों जैसे स्कोरकार्ड के प्रदर्शन में सुधार या निर्भरता।’

शोधकर्ताओं ने यह भी कहा:

‘इस पत्र में परिणाम यह दिखाते हैं कि उच्च कौशल वाले बैंक प्रबंधकों द्वारा निष्पादित यह विशिष्ट कार्य वास्तव में अपेक्षाकृत सरल एल्गोरिदम द्वारा आसानी से दोहराया जा सकता है। इन एल्गोरिदम के प्रदर्शन में उद्योगों में अंतर के लिए अनुकूलन द्वारा सुधार किया जा सकता है और निश्चित रूप से ऋण प्रथाओं में न्याय की考虑 जैसे अतिरिक्त लक्ष्यों को शामिल करने के लिए विस्तारित किया जा सकता है या अन्य सामाजिक लक्ष्यों को बढ़ावा देने के लिए।’

अंतर बताएं: स्कोरकार्ड (स्वचालित) रेटिंग्स का जोखिम मूल्यांकन बैंक प्रबंधकों द्वारा सांख्यिकीय रूप से (‘नोटेड’) ऊपर की ओर बढ़ाया जाता है, जिनके निर्णय इस कार्य में अध्ययन किए गए थे – एक दोहराने योग्य प्रक्रिया।

चूंकि डेटा यह दर्शाता है कि बैंक प्रबंधक ऐसा लगभग एल्गोरिदमिक और अनुमानित तरीके से करते हैं, उनके समायोजन इतने मुश्किल नहीं हैं जिन्हें दोहराने की जरूरत है। प्रक्रिया मूल रूप से मूल स्कोरकार्ड डेटा को दूसरे अनुमान में रखती है और जोखिम रेटिंग को सीमित सीमा के भीतर ऊपर की ओर समायोजित करती है।

विधि और डेटा

परियोजना का उद्देश्य बैंक प्रबंधकों के निर्णयों की पूर्वसूचक करना था, जो स्कोरिंग सिस्टम और अन्य उन्हें उपलब्ध चर के आधार पर थे, न कि वर्तमान ऋण अनुप्रयोग प्रक्रिया ढांचे को बदलने के लिए नए विकल्पों को विकसित करने के लिए।

परीक्षण में उपयोग किए गए मशीन लर्निंग तरीकों में मल्टीनोमियल लॉजिस्टिक लासो (एमएनएल-लासो), न्यूरल नेटवर्क, और दो क्लासिफिकेशन एंड रिग्रेशन ट्रीज (सीएआरटी) कार्यान्वयन: रैंडम फॉरेस्ट और ग्रेडिएंट बूस्टिंग शामिल थे।

परियोजना ने ऋण रेटिंग कार्य के लिए स्कोरकार्ड डेटा और इसके परिणाम, जैसा कि डेटा में जाना जाता है, दोनों पर विचार किया। स्कोरकार्ड रेटिंग एक पुरानी एल्गोरिदमिक प्रथा है, जहां प्रस्तावित ऋण के लिए मुख्य चर एक जोखिम मैट्रिक्स में गणना की जाती है, अक्सर लॉजिस्टिक रिग्रेशन जैसे सरल साधनों द्वारा।

परिणाम

एमएनएल-लासो ने परीक्षण में सबसे खराब प्रदर्शन किया, केवल 53% ऋणों को सफलतापूर्वक वर्गीकृत किया, वास्तविक जीवन प्रबंधक की तुलना में मामलों का मूल्यांकन किया।

अन्य तीन तरीकों (सीएआरटी के साथ रैंडम फॉरेस्ट और ग्रेडिएंट बूस्टिंग) ने सभी 90% से अधिक सटीकता और रूट मीन स्क्वायर एरर (आरएमएसई) हासिल की।

हालांकि, रैंडम फॉरेस्ट के कार्यान्वयन ने लगभग 96% का प्रभावशाली स्कोर किया, जिसके बाद ग्रेडिएंट बूस्टिंग का स्कोर था।

यहां तक कि जब स्कोरकार्ड रेटिंग को परीक्षणों से हटा दिया जाता है (निचले तालिका अनुभाग में), तो एल्गोरिदम मानव बैंक प्रबंधकों के विवेक की नकल करने में असाधारण प्रदर्शन हासिल करते हैं।

आश्चर्यजनक रूप से, शोधकर्ताओं ने पाया कि उनके द्वारा लागू किया गया न्यूरल नेटवर्क केवल 93% स्कोर किया, जिसमें व्यापक आरएमएसई अंतराल था, जो जोखिम मूल्यों का उत्पादन करता था जो मानव-उत्पादित अनुमानों से कई नोट्स दूर थे।

लेखकों का观察 है:

‘[इन] परिणामों से यह नहीं पता चलता है कि एक तरीका दूसरे की तुलना में बेहतर प्रदर्शन करता है, जहां तक बाहरी मेट्रिक्स की बात है, जैसे कि वस्तुनिष्ठ चूक संभावना। यह संभव है कि न्यूरल नेटवर्क, उदाहरण के लिए, उस वर्गीकरण कार्य के लिए सबसे अच्छा है। ‘

‘यहां, उद्देश्य केवल मानव प्रबंधक के विकल्प की नकल करना है, और इस कार्य के लिए रैंडम फॉरेस्ट अन्य सभी तरीकों से बेहतर प्रदर्शन करता है।’

5% जो प्रणाली दोहरा नहीं सकती थी, शोधकर्ताओं के अनुसार, उद्योगों की विविधता के कारण है। लेखकों का मानना है कि 5% प्रबंधक इन विचलनों में से लगभग सभी के लिए जिम्मेदार हैं, और मानते हैं कि अधिक जटिल प्रणाली अंततः ऐसे मामलों को कवर कर सकती है और कमी को पूरा कर सकती है।

जिम्मेदारी को स्वचालित करना मुश्किल है

यदि बाद के संबंधित परियोजनाओं में यह परिणाम सामने आता है, तो शोध सुझाव देता है कि ‘बैंक प्रबंधक’ भूमिका को एक बढ़ती कैडर में जोड़ा जा सकता है जो पहले शक्तिशाली प्राधिकरण और विवेक की स्थिति है, जो ‘पर्यवेक्षक’ स्थिति में कम हो रही है, जबकि तुलनात्मक मशीन प्रणालियों की सटीकता का परीक्षण लंबे समय तक किया जा रहा है; और सामान्य रूप से आयोजित स्थिति को कमजोर करता है कि कुछ महत्वपूर्ण कार्यों को स्वचालित नहीं किया जा सकता है।

हालांकि, बैंक प्रबंधकों के लिए अच्छी खबर यह लगती है कि, राजनीतिक दृष्टिकोण से, ऋण रेटिंग मूल्यांकन जैसी महत्वपूर्ण सामाजिक प्रक्रियाओं में मानव जिम्मेदारी की आवश्यकता संभवतः उनकी वर्तमान भूमिकाओं को बनाए रखेगी – भले ही भूमिकाओं के कार्य पूरी तरह से मशीन लर्निंग सिस्टम द्वारा दोहराए जा सकें।

पहली बार 18 फरवरी 2022 को प्रकाशित।