Jamie Twiss, CEO Carrington Labs – Seri Wawancara

Jamie Twiss adalah seorang banker berpengalaman dan ilmuwan data yang bekerja di persimpangan ilmu data, kecerdasan buatan, dan pinjaman konsumen. Saat ini, ia menjabat sebagai Chief Executive Officer di Carrington Labs, penyedia terkemuka solusi pinjaman dan skoring risiko kredit berbasis kecerdasan buatan yang dapat dijelaskan. Sebelumnya, ia menjabat sebagai Chief Data Officer di sebuah bank besar di Australia. Sebelum itu, ia bekerja dalam berbagai peran di seluruh perbankan dan jasa keuangan setelah memulai karirnya sebagai konsultan di McKinsey & Company.

Apakah Anda dapat menjelaskan bagaimana sistem skoring risiko berbasis kecerdasan buatan Carrington Labs berbeda dari metode skoring kredit tradisional?

Pendekatan Carrington Labs dalam skoring risiko berbeda dari metode skoring kredit tradisional dalam beberapa hal:

Platform kami menggunakan dataset yang jauh lebih besar daripada metode sebelumnya. Skor kredit tradisional bergantung pada teknologi usang dan didasarkan pada jumlah informasi yang terbatas yang tersedia dalam berkas kredit pelanggan, sebagian besar riwayat pembayaran, yang hanya memberikan gambaran terbatas tentang individu dan tidak memberikan gambaran sama sekali tentang banyak orang. Dengan persetujuan pelanggan, kami mengambil data transaksi bank dan menggunakan data tersebut untuk menciptakan gambaran yang jauh lebih rinci dan kaya tentang individu.

Kami kemudian menggunakan teknik kecerdasan buatan dan pembelajaran mesin modern untuk mengubah volume data besar ini menjadi pandangan yang tajam tentang kelayakan kredit individu, menghitung ratusan variabel individu dan menggabungkannya menjadi pandangan menyeluruh. Skor yang dihasilkan sepenuhnya dapat dijelaskan dan transparan bagi pemberi pinjaman yang menggunakannya, tidak seperti skor kredit, yang merupakan kotak hitam misterius. Skor ini juga disesuaikan dengan produk dan segmen pelanggan tertentu pemberi pinjaman, sehingga membuatnya lebih relevan dan akurat daripada skor kredit, yang merupakan skor generik yang dilatih di seluruh produk dan pelanggan.

Akhirnya, platform kami tidak hanya dapat menilai risiko pelanggan lebih efektif daripada skor tradisional, tetapi juga dapat menggunakan skor tersebut untuk merekomendasikan syarat pinjaman optimal seperti batas dan durasi. Sebagai hasil dari semua faktor ini, skoring risiko CL merupakan kemajuan signifikan atas wawasan yang diberikan metode tradisional kepada pemberi pinjaman.

Bagaimana Anda memastikan bahwa penilaian risiko kredit berbasis kecerdasan buatan Anda bebas dari bias gender, etnis, atau sosio-ekonomi dalam keputusan pinjaman, dan apa langkah-langkah yang Anda ambil untuk memitigasi bias algoritma dalam penilaian risiko kredit Anda?

Model Carrington Labs jauh lebih tidak mungkin memiliki bias daripada pendekatan tradisional karena objektivitasnya (tidak ada “perasaan” manusia yang terlibat) dan rentang data yang luas yang kami gunakan untuk membuat model.

Kami memiliki tiga pilar dalam pendekatan anti-bias kami: Pertama, kami tidak pernah membiarkan data kelas yang dilindungi (ras, jenis kelamin, dll.) dekat dengan proses pembuatan model. Kami lebih suka jika Anda tidak memberikan data tersebut kepada kami (kecuali jika Anda ingin kami menggunakannya untuk pengujian bias; lihat di bawah). Kedua, model kami sepenuhnya dapat dijelaskan, sehingga kami meninjau setiap fitur yang digunakan dalam setiap model untuk potensi bias, variabel proxy, atau masalah lainnya. Pemberi pinjaman juga memiliki akses ke daftar fitur dan dapat melakukan tinjauan mereka sendiri. Ketiga, jika pemberi pinjaman memilih untuk memberikan kami data kelas yang dilindungi untuk pengujian (hanya; dijauhkan dari pelatihan), kami akan melakukan tes statistik pada output model untuk menentukan tingkat persetujuan dan batas dan memastikan bahwa variasi di seluruh kelas didorong oleh faktor yang dapat dijelaskan dan masuk akal.

Akibatnya, kekuatan prediktif yang lebih tinggi dari model Carrington Labs dan kemampuan untuk menyesuaikan batas berdasarkan risiko membuatnya jauh lebih mudah bagi pemberi pinjaman untuk menyetujui lebih banyak pelanggan dengan batas yang lebih kecil dan kemudian meningkatkan batas tersebut seiring waktu dengan perilaku pembayaran yang baik, yang memungkinkan inklusi keuangan yang lebih luas.

Bagaimana Anda memastikan bahwa penilaian risiko kredit berbasis kecerdasan buatan Anda dapat dijelaskan dan transparan bagi pemberi pinjaman dan regulator?

Meskipun kami menggunakan kecerdasan buatan dalam beberapa langkah proses pembuatan model, model itu sendiri, logika yang sebenarnya digunakan untuk menghitung skor pelanggan, didasarkan pada matematika dan statistik yang dapat diprediksi dan dikendalikan. Pemberi pinjaman atau regulator dapat meninjau setiap fitur dalam model untuk memastikan mereka nyaman dengan setiap fitur, dan kami juga dapat memberikan breakdown skor pelanggan dan memetakan kembali ke kode tindakan yang tidak menguntungkan jika diinginkan.

Bagaimana model kecerdasan buatan Anda membantu mendemokratisasi pinjaman dan memperluas inklusi keuangan bagi populasi yang kurang terlayani?

Banyak orang lebih layak kredit daripada yang ditunjukkan oleh skor kredit tradisional mereka. Metode skoring kredit warisan mengecualikan jutaan orang yang tidak sesuai dengan model kredit tradisional. Pendekatan berbasis kecerdasan buatan kami membantu pemberi pinjaman mengenali peminjam ini, memperluas akses ke kredit yang adil dan bertanggung jawab tanpa meningkatkan risiko.

Untuk memberikan contoh seseorang yang masuk dalam audiens yang kurang terlayani, pikirkan seorang imigran yang baru saja pindah ke negara baru. Mereka mungkin bertanggung jawab secara keuangan, rajin bekerja, dan tekun, tetapi mereka mungkin juga kekurangan riwayat kredit tradisional. Karena biro kredit tidak pernah mendengar tentang mereka, mereka kekurangan kemampuan untuk membuktikan bahwa orang tersebut layak kredit, yang pada gilirannya membuat pemberi pinjaman enggan untuk menawarkan mereka kesempatan pinjaman.

Titik data transaksi non-tradisional tersebut adalah kunci untuk membangun penilaian skor risiko kredit yang akurat bagi orang-orang yang tidak dikenal oleh biro kredit. Mereka mungkin kekurangan riwayat kredit tradisional atau memiliki riwayat kredit yang mungkin tampak berisiko bagi pemberi pinjaman tanpa konteks yang tepat, tetapi kami memiliki kemampuan untuk menunjukkan kepada pemberi pinjaman bahwa orang-orang ini layak kredit dan stabil dengan menggunakan jumlah data keuangan yang lebih besar. Bahkan, platform kami hingga 250% lebih akurat, berdasarkan contoh data anonim, dalam mengidentifikasi peminjam berisiko rendah dengan informasi kredit terbatas daripada skor kredit tradisional, dan itulah yang memungkinkan pemberi pinjaman untuk memperluas basis peminjam mereka dan pada akhirnya meningkatkan persetujuan pinjaman.

Apa peran badan regulator dalam membentuk cara solusi pinjaman berbasis kecerdasan buatan dikembangkan dan diterapkan?

Regulator adalah bagian penting dari mengintegrasikan kecerdasan buatan ke dalam jasa keuangan dan perekonomian yang lebih luas. Batasan yang jelas tentang di mana dan bagaimana kecerdasan buatan dapat digunakan akan memungkinkan pertumbuhan yang lebih cepat dan kasus penggunaan baru, dan kami mendukung berbagai proses yang sedang berlangsung untuk menciptakan akuntabilitas hukum dan regulasi.

Sebagai prinsip umum, kami percaya bahwa alat kecerdasan buatan yang digunakan dalam pinjaman harus tunduk pada jenis pengawasan dan skrutini yang sama seperti alat lainnya; mereka harus dapat menunjukkan bahwa mereka memperlakukan pelanggan dengan adil, dan bahwa mereka membuat sistem perbankan lebih aman, bukan lebih berisiko. Solusi kami dapat menunjukkan keduanya.

Apakah Anda dapat memberi tahu kami lebih lanjut tentang pemilihan Carrington Labs ke dalam Program Start Path Mastercard (MA )? Bagaimana ini akan mempercepat ekspansi AS Anda?

Kami senang bekerja dengan Mastercard dalam rencana ekspansi AS dan global kami. Mereka memiliki pengalaman yang tak tertandingi dalam menyampaikan solusi keuangan kepada bank dan pemberi pinjaman di seluruh dunia dan telah sangat membantu kami dalam meningkatkan keterlibatan kami dengan klien prospektif AS. Kami berharap kedua belah pihak akan diuntungkan, dengan Mastercard menawarkan saran, pengenalan, dan mungkin elemen dari solusi kami, sementara Carrington Labs menyediakan layanan bernilai tinggi bagi klien Mastercard.

Beforepay, merek konsumen Anda, telah mengeluarkan lebih dari 4 juta pinjaman. Apa wawasan yang Anda peroleh dari pengalaman ini, dan bagaimana wawasan tersebut telah membentuk model kecerdasan buatan Carrington Labs?

Melalui pengalaman ini, kami belajar bagaimana membangun model dengan cepat dan efektif berkat akses Beforepay ke laboratorium R&D yang hebat dan volume data yang sangat besar. Jika kami memiliki ide untuk kerangka model, arsitektur, kode, dll., kami dapat mencobanya terlebih dahulu di Beforepay. Penurunan dramatis dalam tingkat default Beforepay juga merupakan studi kasus yang hebat dalam menunjukkan bagaimana model bekerja dengan baik.

Ini telah menjadi pengalaman yang sangat memotivasi secara umum, karena karyawan kami memiliki saham besar dalam perusahaan. Kami menggunakan model Carrington Labs setiap hari untuk meminjamkan uang kami sendiri, sehingga fokus pada membuat model tersebut bekerja!

 Bagaimana Anda melihat kecerdasan buatan berkembang dalam ruang pinjaman selama dekade mendatang?

Pinjaman akan berubah secara besar-besaran begitu industri sepenuhnya beralih ke model risiko berbasis data besar yang diterapkan Carrington Labs selama dekade mendatang. Dan itu akan terjadi—model tersebut jauh lebih efektif. Ini seperti peran listrik dalam manufaktur; itu adalah permainan yang berubah dan semua orang akan beralih atau keluar.

Model data besar dapat dibangun dengan tangan (yang saya lakukan sebelumnya, tetapi proses ini memakan waktu berbulan-bulan atau bahkan bertahun-tahun sementara juga sangat mahal dan tidak dapat memberikan hasil terbaik. Atau Anda dapat mengautomasi pembuatan model. Dengan kecerdasan buatan, Anda dapat mengautomasi lebih banyak dengan kualitas yang lebih tinggi sementara juga menghemat waktu dan melakukan hal-hal yang tidak mungkin jika Anda membangun dengan tangan, seperti menghasilkan ribuan fitur khusus untuk pemberi pinjaman berukuran sedang.

Kunci adalah mengetahui cara melakukannya dengan benar—jika Anda hanya melemparkan sejumlah besar hal ke LLM, Anda akan mendapatkan kekacauan besar dan menghabiskan anggaran Anda.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Carrington Labs.