Jamie Twiss, Amministratore Delegato di Carrington Labs – Serie di Interviste

Jamie Twiss è un banchiere esperto e uno scienziato dei dati che lavora all’intersezione della scienza dei dati, dell’intelligenza artificiale e del credito al consumo. Attualmente ricopre il ruolo di Amministratore Delegato di Carrington Labs, un fornitore leader di soluzioni di valutazione del rischio di credito e di prestiti basate sull’intelligenza artificiale spiegabile. In precedenza, è stato il Direttore dei Dati di una grande banca australiana. Prima di allora, ha lavorato in una varietà di ruoli nel settore bancario e finanziario dopo aver iniziato la sua carriera come consulente presso la McKinsey & Company.

Può spiegare come il sistema di valutazione del rischio di Carrington Labs basato sull’intelligenza artificiale differisce dai metodi di valutazione del credito tradizionali?

L’approccio di Carrington Labs alla valutazione del rischio differisce dai metodi di valutazione del credito tradizionali in diversi modi:

La nostra piattaforma utilizza un set di dati molto più ampio rispetto ai metodi precedenti. I punteggi di credito tradizionali si basano su tecnologie obsolete e sono basati sulla piccola quantità di informazioni disponibili nel file di credito di un cliente, principalmente le storie di pagamento, che danno solo uno snapshot limitato di un individuo e non forniscono alcuna visione di molte persone. Con il consenso del cliente, prendiamo i dati delle transazioni bancarie a livello di riga e li utilizziamo per creare un’immagine molto più dettagliata e ricca di un individuo.

Poi utilizziamo tecniche moderne di intelligenza artificiale e apprendimento automatico per trasformare questi grandi volumi di dati in una visione precisa della solvibilità di un individuo, calcolando centinaia di variabili individuali e combinandole in una visione complessiva globale. I punteggi risultanti sono completamente spiegabili e trasparenti per il prestatore che li utilizza, a differenza dei punteggi di credito, che sono scatole nere misteriose. Questi punteggi sono anche personalizzati per un prodotto specifico del prestatore e per un segmento di clienti specifico, il che li rende più rilevanti e quindi più precisi di un punteggio di credito, che è un punteggio generico addestrato su una vasta gamma di prodotti e clienti.

Infine, la nostra piattaforma non solo può valutare il rischio di un cliente più efficacemente di un punteggio tradizionale, ma può anche utilizzare quel punteggio per raccomandare i termini di prestito ottimali, come il limite e la durata. Di conseguenza, la valutazione del rischio di Carrington Labs è un notevole progresso rispetto alle informazioni che i metodi tradizionali forniscono ai prestatori.

Come si assicura che i modelli di intelligenza artificiale di Carrington Labs siano liberi da pregiudizi di genere, etnici o socio-economici nelle decisioni di prestito, e quali passi ha intrapreso per mitigare i pregiudizi algoritmici nelle valutazioni del rischio di credito?

I modelli di Carrington Labs sono significativamente meno soggetti a pregiudizi rispetto agli approcci tradizionali a causa della loro obiettività (nessun “sentimento umano” coinvolto) e della vasta gamma di dati che utilizziamo per creare modelli.

Abbiamo tre pilastri nel nostro approccio anti-pregiudizio: primo, non permettiamo mai che i dati delle classi protette (razza, genere, ecc.) si avvicinino al processo di creazione del modello. Preferiamo che non ci forniate quei dati (a meno che non vogliate che li utilizziamo per testare i pregiudizi; vedi sotto). Secondo, i nostri modelli sono completamente spiegabili, quindi esaminiamo ogni caratteristica utilizzata in ogni modello per potenziali pregiudizi, variabili proxy o altri problemi. I prestatori hanno anche accesso all’elenco delle caratteristiche e possono condurre le proprie revisioni. Terzo, se il prestatore sceglie di fornirci i dati delle classi protette per il testing (solo; tenuti lontani dall’addestramento), condurremo test statistici sugli output del modello per determinare i tassi di approvazione e i limiti e assicurarci che la variazione tra le classi sia chiaramente guidata da fattori spiegabili e ragionevoli.

Di conseguenza, il potere predittivo più alto dei modelli di Carrington Labs e la capacità di regolare i limiti in base al rischio rendono più facile per i prestatori approvare più richiedenti con limiti più piccoli e aumentarli nel tempo con un buon comportamento di rimborso, il che consente una maggiore inclusione finanziaria.

Come si assicura che le valutazioni del rischio di credito basate sull’intelligenza artificiale siano spiegabili e trasparenti per i prestatori e i regolatori?

Sebbene utilizziamo l’intelligenza artificiale in diversi passaggi del processo di creazione del modello, i modelli stessi, la logica effettiva utilizzata per calcolare il punteggio di un cliente, si basano su matematica e statistica prevedibili e controllabili. Un prestatore o regolatore può esaminare ogni caratteristica del modello per assicurarsi di essere a proprio agio con ognuna di esse e possiamo anche fornire una panoramica del punteggio di un cliente e mapparlo su un codice di azione avversa se desiderato.

Come i modelli di intelligenza artificiale di Carrington Labs aiutano a democratizzare il prestito e a espandere l’inclusione finanziaria per le popolazioni sottoservite?

Molte persone sono più solvibili di quanto i loro punteggi di credito tradizionali suggeriscano. I metodi di valutazione del credito legacy escludono milioni di persone che non rientrano nei modelli di credito tradizionali. L’approccio basato sull’intelligenza artificiale di Carrington Labs aiuta i prestatori a riconoscere questi mutuatari, espandendo l’accesso al credito equo e responsabile senza aumentare il rischio.

Per dare un esempio di qualcuno che rientra in un pubblico sottoservito, pensa a un immigrato che è appena arrivato in un nuovo paese. Potrebbe essere finanziariamente responsabile, lavoratore e industriosi, ma potrebbe anche non avere una storia di credito tradizionale. Poiché il bureau di credito non ha mai sentito parlare di lui, non ha la capacità di dimostrare che questa persona è solvibile, il che rende i prestatori riluttanti a presentargli opportunità di prestito.

I punti di dati di transazione non tradizionali sono la chiave per costruire una valutazione precisa del rischio di credito per le persone che i bureau di credito non conoscono. Potrebbero non avere una storia di credito tradizionale o avere una storia di credito che potrebbe sembrare rischiosa per i prestatori senza il contesto appropriato, ma abbiamo la capacità di mostrare ai prestatori che queste persone sono solvibili e stabili sfruttando una quantità maggiore dei loro dati finanziari. In effetti, la nostra piattaforma è fino al 250% più precisa, sulla base di un set di dati anonimi, nell’identificare i mutuatari a basso rischio con informazioni di credito limitate rispetto ai punteggi di credito tradizionali, e questo è ciò che consente ai prestatori di espandere la loro base di mutuatari e aumentare le approvazioni dei prestiti.

Inoltre, poiché molti prestatori hanno solo una comprensione approssimativa del rischio di un cliente individuale, lottano per regolare l’offerta per riflettere le circostanze individuali di un cliente, offrendo loro spesso più di quanto possano permettersi, prestando loro meno di quanto abbiano bisogno o (più frequentemente di tutti) rifiutando loro del tutto. La capacità di stabilire limiti di prestito in modo preciso ha un effetto particolarmente forte nell’abilitare i prestatori a portare nuovi mutuatari nel sistema finanziario, da dove possono aumentare la loro capacità di prestito mostrando un comportamento di rimborso responsabile, dandogli quella prima possibilità di dimostrare che possono lavorare in modo responsabile con il debito.

Qual è il ruolo degli organismi di regolamentazione nel plasmare il modo in cui le soluzioni di prestito basate sull’intelligenza artificiale vengono sviluppate e distribuite?

Gli organismi di regolamentazione sono una parte essenziale dell’integrazione dell’intelligenza artificiale nei servizi finanziari e nell’economia più ampia. Limiti chiari su dove e come l’intelligenza artificiale può essere utilizzata consentiranno una crescita più rapida e nuovi casi d’uso, e siamo favorevoli ai vari processi in corso per creare responsabilità giuridica e regolamentare.

Come principio generale, crediamo che gli strumenti di intelligenza artificiale utilizzati nel prestito dovrebbero essere soggetti allo stesso tipo di controllo e di scrutinio degli altri strumenti; dovrebbero essere in grado di dimostrare che trattano i clienti in modo equo e che rendono il sistema bancario più sicuro, non più rischioso. La nostra soluzione può dimostrare chiaramente entrambi.

Può dirci di più sulla recente selezione di Carrington Labs nel programma Mastercard (MA ) Start Path? Come ciò accelererà la vostra espansione negli Stati Uniti?

Siamo lieti di lavorare con Mastercard sui nostri piani di espansione negli Stati Uniti e a livello globale. Hanno un’esperienza senza pari nel fornire soluzioni finanziarie alle banche e ad altri prestatori in tutto il mondo e sono già stati estremamente utili mentre aumentiamo il nostro impegno con i clienti potenziali negli Stati Uniti. Ci aspettiamo che entrambe le parti traggano beneficio, con Mastercard che offre consigli, presentazioni e forse elementi della nostra soluzione, mentre Carrington Labs fornisce un servizio ad alto valore ai clienti di Mastercard.

Beforepay, il vostro marchio di consumo, ha rilasciato oltre 4 milioni di prestiti. Quali insight avete guadagnato da questa esperienza e come hanno plasmato i modelli di intelligenza artificiale di Carrington Labs?

Attraverso questa esperienza, abbiamo imparato a costruire modelli in modo rapido ed efficace grazie all’accesso a Beforepay e ai loro grandi volumi di dati. Se abbiamo un’idea per un framework di modello, architettura, codice, ecc., possiamo provarlo prima su Beforepay. Il declino precipitoso del tasso di default di Beforepay è anche un ottimo caso di studio per mostrare come funziona bene il modello.

È stata un’esperienza molto motivante in generale, poiché i nostri dipendenti hanno un grande interesse nella società. Utilizziamo i modelli di Carrington Labs ogni giorno per prestare i nostri soldi, quindi ci concentriamo sul fatto che quei modelli funzionino!

  Come vede l’evoluzione dell’intelligenza artificiale nello spazio del prestito nei prossimi dieci anni?

Il prestito subirà un cambiamento massiccio una volta che l’industria si sposterà completamente verso i modelli di rischio basati sui big data che Carrington Labs sta sfruttando nei prossimi dieci anni. E lo farà: quei modelli sono semplicemente molto più efficaci. È come il ruolo dell’elettricità nella produzione; è un gioco-changer e tutti dovranno fare il passaggio o uscire.

I modelli basati sui big data possono essere costruiti a mano (cosa che facevo io stesso, ma questo processo richiede mesi o addirittura anni ed è anche estremamente costoso e incapace di fornire il miglior risultato). O puoi automatizzare la costruzione del modello. Con l’intelligenza artificiale, puoi automatizzare molto di più ad alta qualità, risparmiando tempo e facendo cose che sarebbero impossibili se si stesse costruendo a mano, come generare migliaia di caratteristiche personalizzate per un prestatore di medie dimensioni.

La chiave è sapere come farlo correttamente: se si getta un mucchio di cose in un modello di linguaggio, si otterrà un grande pasticcio e si sprecherà il budget.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Carrington Labs.