рдХреГрддреНрд░рд┐рдо рдмреБрджреНрдзрд┐рдорддреНрддрд╛
‘рд╕рд╛рдзрд╛рд░рдг’ рдПрдЖрдИ рдмреИрдВрдХ рдкреНрд░рдмрдВрдзрдХреЛрдВ рдХреЗ рдЛрдг рдирд┐рд░реНрдгрдпреЛрдВ рдХреА рдкреВрд░реНрд╡рд╛рдиреБрдорд╛рди 95% рд╕реЗ рдЕрдзрд┐рдХ рд╕рдЯреАрдХрддрд╛ рдХреЗ рд╕рд╛рде рдХрд░ рд╕рдХрддрд╛ рд╣реИ
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।
उपयोग में लाए गए डेटा का उपयोग बैंक प्रबंधकों द्वारा किया गया था, जिसमें एक विशेष डेटासेट में उपलब्ध डेटा शामिल था, जिसमें परीक्षण में सबसे अच्छा प्रदर्शन करने वाला अल्गोरिथ्म रैंडम फॉरेस्ट कार्यान्वयन था – एक काफी सरल दृष्टिकोण जो बीस साल पुराना है, लेकिन जो एक न्यूरल नेटवर्क की तुलना में मानव बैंक प्रबंधकों के व्यवहार की नकल करने का प्रयास करते समय ऋणों के बारे में अंतिम निर्णय लेने में बेहतर प्रदर्शन किया।
रैंडम फॉरेस्ट अल्गोरिथ्म, जो परियोजना के लिए चार में से एक था, बैंक प्रबंधकों के प्रदर्शन की तुलना में उच्च मानव-समान स्कोरिंग प्राप्त करता है, अल्गोरिथ्म की अपेक्षाकृत सरलता के बावजूद। स्रोत: मैनेजर्स वर्सेज़ मशीन्स: क्या अल्गोरिथ्म क्रेडिट रेटिंग में मानव अंतर्दृष्टि को दोहरा सकते हैं?, https://arxiv.org/pdf/2202.04218.pdf
शोधकर्ताओं, जिनके पास 37,449 ऋण रेटिंग्स के प्रोप्राइटरी डेटासेट तक पहुंच थी, जो 4,414 अनोखे ग्राहकों में फैला हुआ था, सुझाव देते हैं कि प्रबंधकों को अपने निर्णय लेने के लिए दी जाने वाली स्वचालित डेटा विश्लेषण अब इतनी सटीक हो गई है कि बैंक प्रबंधक शायद ही कभी इससे विचलित होते हैं, जो संभावित रूप से यह संकेत देता है कि बैंक प्रबंधकों की ऋण अनुमोदन प्रक्रिया में मुख्य भूमिका किसी को नियुक्त करना है जिसे ऋण चूक की स्थिति में निकाला जा सके।
पेपर में कहा गया है:
‘व्यावहारिक दृष्टिकोण से, यह ध्यान देने योग्य है कि हमारे परिणाम यह संकेत दे सकते हैं कि बैंक मानव ऋण प्रबंधकों की अनुपस्थिति में ऋणों को तेजी से और सस्ता प्रोसेस कर सकता है और इसके परिणामस्वरूप बहुत ही समान परिणाम मिल सकते हैं। जबकि प्रबंधक स्वाभाविक रूप से विभिन्न कार्य करते हैं, यह तर्क देना मुश्किल है कि वे इस विशेष कार्य के लिए आवश्यक हैं और एक अपेक्षाकृत सरल अल्गोरिथ्म उतना ही अच्छा प्रदर्शन कर सकता है।
‘यह भी ध्यान देने योग्य है कि अतिरिक्त डेटा और गणना शक्ति के साथ इन अल्गोरिथ्मों को और भी बेहतर बनाया जा सकता है।’
पेपर का शीर्षक मैनेजर्स वर्सेज़ मशीन्स: क्या अल्गोरिथ्म क्रेडिट रेटिंग में मानव अंतर्दृष्टि को दोहरा सकते हैं? है, और यह यूसी इरविन के अर्थशास्त्र और सांख्यिकी विभाग और ब्राजील में बैंक ऑफ कम्युनिकेशन्स बीबीएम से आया है।
क्रेडिट रेटिंग मूल्यांकन में रोबोटिक मानव व्यवहार
परिणाम यह नहीं दर्शाते हैं कि मशीन लर्निंग सिस्टम ऋणों और क्रेडिट रेटिंग्स के बारे में निर्णय लेने में आवश्यक रूप से बेहतर हैं, बल्कि यह कि अब भी ‘निम्न-स्तर’ माने जाने वाले अल्गोरिथ्म भी मानवों की तरह ही निष्कर्ष निकाल सकते हैं।
रिपोर्ट में बैंक प्रबंधकों को एक प्रकार के ‘मांसवार फायरवॉल’ के रूप में चित्रित किया गया है, जिनका मुख्य शेष कार्य जोखिम स्कोर को बढ़ाना है जो सांख्यिकीय और विश्लेषणात्मक स्कोरकार्ड प्रणाली उन्हें प्रस्तुत करती है (बैंकिंग में इसे ‘नॉचिंग’ के रूप में जाना जाता है)।
‘समय के साथ यह लगता है कि प्रबंधक विवेकाधीन निर्णय लेने में कम रुचि ले रहे हैं, जो अल्गोरिथ्मिक साधनों जैसे स्कोरकार्ड पर निर्भरता में सुधार का संकेत दे सकता है।’
शोधकर्ताओं ने यह भी कहा:
‘इस पेपर में परिणाम यह दिखाते हैं कि अत्यधिक कुशल बैंक प्रबंधकों द्वारा निष्पादित यह विशेष कार्य वास्तव में अपेक्षाकृत सरल अल्गोरिथ्म द्वारा आसानी से दोहराया जा सकता है। इन अल्गोरिथ्मों के प्रदर्शन में सुधार उद्योगों में अंतर के लिए अनुकूलन द्वारा किया जा सकता है और निश्चित रूप से ऋण प्रथाओं में न्याय की考虑ा या अन्य सामाजिक लक्ष्यों को बढ़ावा देने जैसे अतिरिक्त लक्ष्यों को शामिल करने के लिए विस्तारित किया जा सकता है।’
अंतर को पहचानें: स्कोरकार्ड (स्वचालित) रेटिंग्स का जोखिम मूल्यांकन बैंक प्रबंधकों द्वारा सांख्यिकीय रूप से बढ़ाया जाता है (‘नॉच्ड’) जिनके निर्णय इस कार्य में अध्ययन किए गए थे – एक दोहराने योग्य प्रक्रिया।
चूंकि डेटा सुझाव देता है कि बैंक प्रबंधक ऐसा लगभग अल्गोरिथ्मिक और अनुमानित तरीके से करते हैं, उनके समायोजन करना मुश्किल नहीं है। प्रक्रिया मूल रूप से मूल स्कोरकार्ड डेटा को दूसरे अनुमान के रूप में लेती है और जोखिम रेटिंग को सीमित सीमा के भीतर ऊपर की ओर समायोजित करती है।
विधि और डेटा
परियोजना का उद्देश्य वर्तमान ऋण आवेदन प्रक्रिया ढांचे को बदलने के लिए अभिनव विकल्पों को विकसित करने के बजाय बैंक प्रबंधकों द्वारा किए जाने वाले निर्णयों की पूर्वानुमान लगाना था, जो स्कोरिंग प्रणाली और अन्य चर पर आधारित थे जो उनके लिए उपलब्ध थे।
परीक्षण के लिए परीक्षण किए गए मशीन लर्निंग तरीकों में मल्टीनोमियल लॉजिस्टिक लासो (एमएनएल-लासो), न्यूरल नेटवर्क, और दो कार्यान्वयन शामिल थे क्लासिफिकेशन एंड रिग्रेशन ट्रीज (सीएआरटी): रैंडम फॉरेस्ट और ग्रेडिएंट बूस्टिंग।
परियोजना में स्कोरकार्ड डेटा और इसके परिणाम, जैसा कि डेटा में जाना जाता था, दोनों पर विचार किया गया था। स्कोरकार्ड रेटिंग एक पुरानी अल्गोरिथ्मिक प्रथा है, जहां प्रस्तावित ऋण के लिए महत्वपूर्ण 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, जो वास्तविक जीवन के प्रबंधक की तुलना में था।
अन्य तीन तरीकों (सीएआरटी में रैंडम फॉरेस्ट और ग्रेडिएंट बूस्टिंग शामिल हैं) ने सभी में कम से कम 90% सटीकता और रूट मीन स्क्वायर एरर (आरएमएसई) हासिल की।
हालांकि, रैंडम फॉरेस्ट कार्यान्वयन ने लगभग 96% का प्रभावशाली स्कोर किया, जिसके बाद ग्रेडिएंट बूस्टिंग का स्कोर आया।
यहां तक कि परीक्षणों से स्कोरकार्ड रेटिंग को हटा दिए जाने पर (निचले तालिका अनुभाग में), अल्गोरिथ्म क्रेडिट रेटिंग में मानव बैंक प्रबंधकों की विवेकशीलता की नकल करने में असाधारण प्रदर्शन प्राप्त करते हैं।
अचंभा की बात है, शोधकर्ताओं ने पाया कि उनके द्वारा लागू किया गया न्यूरल नेटवर्क केवल 93% स्कोर किया, जिसमें आरएमएसई का व्यापक अंतर था, जो मानव-उत्पादित अनुमानों से कई नोट्स दूर थे।
लेखकों का remark है:
‘[इन] परिणामों से यह नहीं पता चलता है कि एक तरीका दूसरे की तुलना में बेहतर प्रदर्शन करता है, जहां तक एक बाहरी मेट्रिक की बात है, जैसे कि वस्तुनिष्ठ डिफ़ॉल्ट संभावना। यह संभव है कि न्यूरल नेटवर्क, उदाहरण के लिए, उस वर्गीकरण कार्य के लिए सबसे अच्छा है।
‘यहां लक्ष्य केवल मानव प्रबंधक की पसंद को दोहराना है, और इस कार्य के लिए रैंडम फॉरेस्ट सभी तरीकों को पार करता है।’
5% जो प्रणाली को दोहराया नहीं जा सकता है, 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 संबंधित परियोजनाओं में बाद में इसकी पुष्टि की जाती 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 स्वचालित मशीन प्रणालियों की सटीकता का परीक्षण लंबे समय तक करती है; और यह सामान्य धारणा 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, महत्वपूर्ण सामाजिक प्रक्रियाओं जैसे कि क्रेडिट रेटिंग मूल्यांकन में मानव जिम्मेदारी की आवश्यकता उनकी वर्तमान भूमिकाओं को संरक्षित करने के लिए पर्याप्त होगी – भले ही भूमिकाओं की क्रियाएं पूरी तरह से मशीन लर्निंग सिस्टम द्वारा दोहराई जा सकें।
पहली बार 18 फरवरी 2022 को प्रकाशित।
