キャリントンラボのジェイミー・トウィスCEO – インタビュー・シリーズ

ジェイミー・トウィスは、データサイエンス、人工知能、消費者ローンの交差点で働く経験豊富な銀行家であり、データサイエントリストです。彼は現在、説明可能なAI駆動の信用リスクスコアリングおよびローンソリューションの主要提供者であるキャリントンラボの最高経営責任者を務めています。以前は、オーストラリアの大手銀行で最高データ責任者を務めていました。その前は、McKinsey & Companyでのコンサルタントとしてのキャリアの開始以来、銀行および金融サービスを横断するさまざまな役割で働いてきました。

キャリントンラボのAI駆動のリスクスコアリングシステムは、従来の信用スコアリング方法とどのように異なりますか?

キャリントンラボのリスクスコアリングアプローチは、従来の信用スコアリング方法と比べていくつかの点で異なります。

私たちのプラットフォームは、従来の方法よりもはるかに大きなデータセットを使用しています。従来の信用スコアは古い技術に依存しており、顧客の信用ファイルに含まれる情報、主に支払い履歴に基づいており、個人についての限られたスナップショットしか提供できません。また、多くの人については全く見えません。顧客の同意を得た場合、当社は明細行銀行取引データを取り込み、それを使用して、個人についてより詳細で豊かな画像を作成します。

次に、当社はこれらの大量のデータを、個人の信用度についての鋭い視点に変換するために、最新のAIおよび機械学習技術を使用します。数百の個々の変数を計算し、それらを包括的な全体像に組み合わせます。結果として得られるスコアは、使用する貸し手に対して完全に説明可能で透明性があります。信用スコアとは異なり、スコアはブラックボックスではありません。また、これらのスコアは、貸し手の特定の製品および顧客セグメントに合わせて調整されるため、信用スコアよりも関連性が高く、正確性も高くなります。信用スコアは、広範な製品および顧客に対してトレーニングされた汎用スコアです。

最後に、当社のプラットフォームは、従来のスコアよりも顧客のリスクを効果的に評価するだけでなく、そのスコアを使用して、制限や期間などの最適なローン条件を推奨できます。すべてこれらの要因の結果として、CLリスクスコアリングは、従来の方法が貸し手に与える洞察に比べて、重大な進歩です。

オープンバンキング取引データをどのように統合して、申請者の信用度のより包括的な画像を提供するのか説明してください。また、信用リスクを評価する際に、AIモデルがどのような重要な予測因子を特定するのかについても説明してください。

当社のモデルは、さまざまな種類のデータでトレーニングできますが、通常、銀行取引データが中心です。全体的なモデルをトレーニングするために、数千万行の取引データを使用し、各新しい顧客にスコアを付けるために、数千の取引を使用します。オープンバンキングは、通常、データを収集するための最良の方法です。なぜなら、一貫した形式、優れたセキュリティ、および高速なレスポンスタイムを提供するからです。他の方法でもデータを収集できますが、オープンバンキングは通常、優先されます。

たとえば、当社は、現金引き出し習慣を分析して、誰かが頻繁に大きな金額を引き出すか、常に同じATMを使用するか、1日に何度も現金を引き出すかを確認できます。ベッティングプラットフォームへの頻繁な取引によって、ギャンブル活動を特定できます。誰かが受け取ったお金をどれくらいの速さで使うか、またはお金が不足し始めたときに支出を調整するかを確認できます。また、リスクのある心情や行動を示す予期せぬ金融パターンをフラグします。たとえば、頻繁なスピード違反チケットです。

当社のモデルは、約50,000の可能な変数でトレーニングされており、典型的なリスクモデルでは約400が活用されています。このデータ駆動型アプローチにより、貸し手はより正確な貸し出し決定を行い、各申請者のユニークなリスクプロファイルに合わせてローンを調整できます。特定の個人情報 (PII) を扱っていないことにも注意してください。

キャリントンラボは、AIモデルが性別、民族、または社会経済的な偏見から自由であることを保証するために、どのような措置を講じていますか? アルゴリズムの偏見を信用リスク評価から除去するために、どのような措置を講じていますか?

キャリントンラボのモデルは、従来のアプローチよりも、客観性 (人間の「直感」は関与していない) と使用する幅広いデータのために、偏見の可能性は大幅に低くなります。

当社の反偏見アプローチには3つの柱があります。まず、保護クラスデータ (人種、性別など) をモデル作成プロセスに近づけないようにします。保護クラスデータを提供しないことを好みます (ただし、偏見テストのために使用する場合は別です。以下を参照)。2番目に、当社のモデルは完全に説明可能です。したがって、各モデルで使用されるすべての機能を潜在的な偏見、代理変数、またはその他の問題に対して確認します。貸し手も機能のリストにアクセスでき、独自のレビューを実行できます。3番目に、貸し手がテスト用に保護クラスデータを提供することを選択した場合 (トレーニングとは別に、遠く離れて)、当社はモデル出力に対して統計テストを実行して、承認率と制限がクラス間で明確に説明可能で合理的な要因によって推進されることを確認します。

これにより、キャリントンラボのモデルの予測力が高く、リスクに基づいて制限を微調整できるため、貸し手はより多くの申請者に小規模な制限で承認し、良好な返済行動を示した場合にそれらを増やすことが容易になり、金融の 包摂性が向上します。

キャリントンラボは、AI駆動の信用リスク評価が貸し手および規制当局に対して説明可能で透明性があることを保証するために、どのような措置を講じていますか?

当社はAIをモデル作成プロセスのさまざまなステップで使用しますが、モデル自体、実際のロジック、顧客スコアの計算は、予測可能で制御可能な数学および統計に基づいています。貸し手または規制当局は、モデル内の各機能を確認して、各機能に舒適性を持つことができ、当社はスコアの明細書および不利な行動コードへのマッピングを提供できます。

キャリントンラボのAIモデルは、どのようにして金融を民主化し、サービスが不足している人口の金融包摂性を拡大していますか?

多くの人々は、従来の信用スコアが示すよりも信用度が高いです。従来の信用スコアリング方法は、従来の信用モデルに適合しない数百万の人々を除外します。当社のAI駆動アプローチにより、貸し手はこれらの借り手を認識し、リスクを増やさないまま公平で責任ある信用へのアクセスを拡大できます。

サービスが不足しているオーディエンスの1例として、最近新しい国に移住した移民を考えてみましょう。彼らは財政的に責任があり、勤勉で、勤勉かもしれませんが、従来の信用履歴が不足している可能性があります。信用局が彼らを知らない場合、信用度を証明する能力が不足しており、貸し手はローンの機会を提供することを躊躇する可能性があります。

従来の信用履歴がない人々や、貸し手にとってリスクのあるように見える信用履歴がある人々に対する信用リスクスコアの正確な評価に役立つのは、これらの非伝統的な取引データポイントです。彼らは従来の信用履歴が不足しているかもしれませんが、当社は、より多くの彼らの財務データを活用することで、貸し手がこれらの人々が信用度が高く安定していることを示すことができます。実際、当社のプラットフォームは、限定された信用情報を持つ低リスクの借り手を特定する能力において、従来の信用スコアよりも最大250%高く、精度が高いです。これにより、貸し手は借り手の基盤を拡大し、最終的にローンの承認を増やすことができます。

さらに、多くの貸し手は個々の顧客のリスクについて漠然とした感覚しか持っていないため、申請者の個々の状況を反映したローンの条件を微調整するのに苦労しています。申請者に余分なローンを提供したり、必要なローンを提供しなかったり、または（最も頻繁に）申請を却下したりします。ローンの制限を正確に設定する能力は、新しい借り手を金融システムに参加させることを可能にし、良好な返済行動を示した場合に借入能力を増やすことができます。

規制当局は、AI駆動の金融ソリューションの開発および展開をどのように形作っていますか?

規制当局は、金融サービスおよびより広範な経済におけるAIの埋め込みにおいて不可欠な役割を果たしています。AIの使用方法と使用場所に関する明確な境界は、成長の促進と新しいユースケースの作成を可能にします。当社は、AIツールの法的および規制上の説明責任を作成するために進行中のさまざまなプロセスを支持しています。

一般原則として、貸し手で使用されるAIツールは、他のツールと同じレベルの監視と検査を受けるべきであると考えています。顧客を公平に扱い、銀行システムをより安全でリスクのないものにすることを示す能力があるべきです。当社のソリューションは、両方の要件を明確に示すことができます。

キャリントンラボがマスターカードのStart Pathプログラムに最近選ばれたことについて、詳細を教えてください。このプログラムは、米国の拡大をどのように促進する予定ですか?

マスターカードと共同で米国および世界的な拡大計画を進めることを光栄に存じます。マスターカードは、世界中の銀行や他の貸し手への金融ソリューションの提供において、並外れた経験を持っています。米国の潜在的なクライアントとの関わりを増やすにつれて、すでに非常に役立っています。当社は、両社が利益を得ることを期待しています。マスターカードは、当社にアドバイス、紹介、および当社のソリューションの要素を提供する可能性があります。一方、キャリントンラボは、マスターカードのクライアントに高価値のサービスを提供します。

Beforepay、キャリントンラボの消費者向けブランドは、400万件のローンを発行しています。この経験から得た洞察と、キャリントンラボのAIモデルへの影響について教えてください。

この経験を通じて、Beforepayの素晴らしいR&Dラボと大量のデータにアクセスできることで、モデルを迅速かつ効果的に構築する方法を学びました。モデルフレームワーク、構造、コードなどについてのアイデアがある場合、Beforepayで最初に試すことができます。Beforepayのデフォルト率の急激な低下は、モデルがどれほどよく機能しているかを示す優れたケーススタディです。

一般に、非常に励みとなる経験でした。従業員は会社に大きな利害関係を持っています。毎日、キャリントンラボのモデルを使用して、自社の資金でローンを提供しているため、モデルが確実に機能するようにすることに重点を置いています。

 次の10年で、貸し手の分野におけるAIの進化をどのように見ていますか?

貸し手は、キャリントンラボが活用しているような大規模なデータ駆動型リスクモデルに完全に移行した後、次の10年で大幅に変化することになります。これらのモデルは、はるかに効果的です。電気の製造における役割のように、ゲームチェンジャーであり、すべてがこの移行を実施するか、または退出することになります。

大規模なデータモデルは、手作業で構築できます (これは以前自分で行っていたことですが、数ヶ月または数年かかり、非常に高価で、最良の結果をもたらさないことになります)。または、モデル構築を自動化できます。AIを使用すると、より多くのモデルをより高い品質で自動化し、手作業で構築することによって不可能なこと、たとえば中規模の貸し手のために数千のカスタム機能を生成することも実行できます。

正しく行う方法を知ることが重要です。LLMに多くのものを投げ込むと、巨大な混乱が生じ、予算を超過することになります。

素晴らしいインタビュー、詳しく知りたい読者はキャリントンラボを訪問してください。