Carrington Labs의 CEO인 Jamie Twiss – 인터뷰 시리즈

Jamie Twiss는 데이터 과학 및 소비자 대출의 교차점에서 일하는 경험 많은 은행가이자 데이터 과학자입니다. 그는 현재 Carrington Labs의 최고 경영자로 일하고 있으며, Carrington Labs는 설명 가능한 AI 기반 신용 위험 평가 및 대출 솔루션을 제공하는 선도적인 제공업체입니다. 이전에는 그는 주요 호주 은행의 최고 데이터 책임자였습니다. 그 전에 그는 McKinsey & Company에서 컨설턴트로 시작하여 은행 및 금융 서비스의 다양한 역할을 수행했습니다.

Carrington Labs의 AI 기반 위험 평가 시스템은 전통적인 신용 평가 방법과 어떻게 다른가요?

Carrington Labs의 위험 평가 접근 방식은 여러 가지 측면에서 전통적인 신용 평가 방법과 다릅니다.

우리의 플랫폼은 이전 방법보다 훨씬 더 큰 데이터 세트를 사용합니다. 전통적인 신용 점수는 구식 기술에 의존하며 고객의 신용 파일에 있는 정보, 즉 지불 이력만을 기반으로 합니다. 이는 개인에 대한 제한된 스냅샷만을 제공하며, 많은 사람에 대한 정보는 전혀 제공하지 않습니다. 고객의 동의 하에 우리는 은행 거래 데이터를 수집하여 개인에 대한 보다詳細하고 풍부한 그림을 생성합니다.

그런 다음 우리는 이러한大量의 데이터를 현대적인 AI 및 기계 학습 기술을 사용하여 신용도에 대한 명확한 관점으로 변환합니다. 우리는 수백 개의 개별 변수를 계산하고 이를 종합적인 전체 관점으로 결합합니다. 결과 점수는 사용하는貸主에게 완전히 설명 가능하며 투명합니다. 이는 신용 점수와 달리, 신용 점수는神秘한 블랙 박스입니다. 이러한 점수는 또한貸主의 특정 제품 및 고객 세그먼트에 맞게 조정되므로 신용 점수보다 더 관련性이高고 정확합니다.

마지막으로, 우리의 플랫폼은 고객의 위험을 전통적인 점수보다 더 효과적으로 평가할 수 있으며, 이를 통해貸主가 더 많은 신청자를 승인하고, 더 적은 한도에서 시작하여良好한 상환 행동을 보여주는 경우에 한도를 증가시킬 수 있습니다. 이러한 모든 요인으로 인해 CL 위험 평가는貸主에게 제공하는 통찰력에 있어 전통적인 방법에 비해 상당한 발전입니다.

개방형 은행 거래 데이터를 어떻게 활용하여 신청자의 신용도에 대한 보다 완전한 그림을 제공합니까? 그리고 신용 위험을 평가할 때 AI 모델이 어떤 주요 예측 변수를 식별합니까?

우리의 모델은 다양한 유형의 데이터에 대해 훈련될 수 있지만, 일반적으로 은행 거래 데이터가 핵심입니다. 우리는 전체 모델을 훈련하기 위해 수천만 개의 거래 데이터를 사용하고, 새로운 고객을 평가할 때에는 수천 개의 거래를 사용합니다. 개방형 은행은 일반적으로 이러한 데이터를 수집하는 가장 좋은 방법입니다. 이는 일관된 형식, 良好한 보안 및 빠른 응답 시간을 제공하기 때문입니다. 다른 방법으로도 데이터를 수집할 수 있지만, 개방형 은행이 일반적으로 선호됩니다.

예를 들어, 우리는 현금 인출習慣을 분석하여 누군가가 자주大量의 현금을 인출하는지, 항상 동일한 ATM을 사용하는지 또는 하루에 여러 번 현금을 인출하는지 확인할 수 있습니다. 우리는 도박 활동을 식별하기 위해 베팅 플랫폼에 대한 빈번한 거래를 살펴볼 수 있습니다. 우리는 누군가가 돈을 받은 후 얼마나 быстро 돈을 사용하는지 또는 돈이 부족해지면 지출을 조정하는지 확인할 수 있습니다. 우리는 또한 위험한 마음가짐이나 행동을 나타낼 수 있는 예상치 못한 재정 패턴을 식별할 수 있습니다.

우리의 모델은 약 50,000개의 가능한 변수에 대해 훈련되며, 일반적인 위험 모델에서는 약 400개의 변수가 활성화되어 있습니다. 이러한 데이터 기반 접근 방식은貸主가 더 정밀한 대출 결정을 내리며 각 신청자의 고유한 위험 프로파일에 맞게 대출을 조정할 수 있도록 합니다. 식별하고 분석하는 데이터는 익명이므로, 개인 식별 정보(PII)를 다루지 않습니다.

Carrington Labs는 어떻게 자신의 AI 모델이 성별, 민족 또는 사회 경제적 편향 없이 대출 결정을 내리도록 보장합니까? 그리고 알고리즘 편향을 완화하기 위해 어떤 조치를 취했습니까?

Carrington Labs의 모델은 전통적인 접근 방식보다 편향될 가능성이 훨씬 적습니다. 이는 모델의 객관성(인간의 “直覺”이 개입하지 않음)과 모델 생성에 사용되는 광범위한 데이터 덕분에 가능합니다.

우리는 편향을 방지하기 위해 세 가지 기둥을 가지고 있습니다. 첫째, 우리는 모델 생성 과정에서 보호 클래스 데이터(인종, 성별 등)를 절대 사용하지 않습니다. 우리는 이러한 데이터를 받지 않기를 원합니다(테스트를 위해 사용하려는 경우를 제외하고; 아래 참조). 둘째, 우리의 모델은 완전히 설명 가능하므로, 우리는 각 모델에서 사용되는 모든 특징을 잠재적인 편향, 대리 변수 또는 기타 문제에 대해 검토합니다.貸主도 특징 목록에 접근할 수 있으며 자신의 검토를 수행할 수 있습니다. 셋째,貸主가 테스트를 위해 보호 클래스 데이터를 제공하는 경우(교육에는 절대 사용하지 않음), 우리는 모델 출력에 대한 통계적 테스트를 수행하여 승인率 및 한도에 대한 편차가 설명 가능하고 합리적인 요인에 의해 명확하게 주도되는지 확인합니다.

이로 인해, Carrington Labs의 모델의 예측력이 더 높고,貸主가 더 많은 신청자를 승인하고, 더 적은 한도에서 시작하여良好한 상환 행동을 보여주는 경우에 한도를 증가시킬 수 있습니다. 이는 보다广泛한 재정 包括을 가능하게 합니다.

AI 기반 신용 위험 평가가貸主와 규제 기관에게 설명 가능하고 투명한지 어떻게 보장합니까?

우리가 모델 생성 과정에서 AI를 사용하는 여러 단계가 있지만, 모델 자체, 즉 고객 점수를 계산하는 실제 논리는 예측 가능하고 제어 가능한 수학 및 통계에 기반합니다.貸主 또는 규제 기관은 모델에서 사용되는 모든 특징을 검토하여 각 특징에 대해 편안함을 느끼는지 확인할 수 있습니다. 또한 고객의 점수를 분해하고, 필요에 따라 부정적 행동 코드로 매핑할 수 있습니다.

Carrington Labs의 AI 모델은 어떻게 대출을 민주화하고, 서비스가 미치지 못하는 인구에게 재정 包括을 확대합니까?

많은 사람들이 전통적인 신용 점수로 나타나는 것보다 더 신용도가 있습니다. 레거시 신용 점수 방법은 전통적인 신용 모델에 맞지 않는 수백만 명의 사람들을 제외합니다. 우리의 AI 기반 접근 방식은貸主가 이러한借主를 인식하도록 도와주어, 공정하고 책임 있는 신용에 대한 접근을 확대할 수 있습니다.

예를 들어, 최근 새로운 국가로 이민 온 사람을 생각해 보십시오. 그들은 재정적으로 책임감이 있고, 근면하며, 열심히 일할 수 있지만, 전통적인 신용 기록이 없을 수 있습니다. 신용국은 그들에 대해 들어본 적이 없으므로,貸主가 그들에게 대출 기회를 제공하는 것을 주저할 수 있습니다.

비전통적인 거래 데이터 포인트는 신용국이 익숙하지 않은 사람들의 신용 위험 점수를 정확하게 평가하는 데 핵심입니다. 그들은 전통적인 신용 기록이 없거나,貸主에게 위험하게 보일 수 있는 신용 기록을 가질 수 있지만, 우리는 더 많은 재정 데이터를 활용하여 그들이 신용도가 있고 안정적임을 보여줄 수 있습니다. 실제로, 우리의 플랫폼은 전통적인 신용 점수보다 250% 더 정확하게 제한된 신용 정보를 가진 저위험借主를 식별합니다. 이는貸主가 대출자 기반을 확대하고 최종적으로 대출 승인을 증가시키는 데 힘을 실어줍니다.

또한, 많은貸主가 개인 고객의 위험에 대해 근사적인 감만 가지고 있기 때문에, 그들은 고객의 개인 상황을 반영하는 제안을 조정하는 데 어려움을 겪습니다. 따라서, 그들은 고객에게 너무 많은 돈을 제공하거나, 고객이 필요로 하는 돈보다 적은 돈을 제공하거나, 가장 자주 하는 것은 고객을 완전히 거부합니다. 한도 설정의 정확성은貸主가 새로운借主를 금융 시스템에 가져오고, 良好한 상환 행동을 보여주는 경우에借入 능력을 증가시킬 수 있도록 하는 데 특히 강한 영향을 미칩니다.

규제 기관은 AI 기반 대출 솔루션의 개발 및 배포를 형성하는 데 어떤 역할을 합니까?

규제 기관은 금융 서비스 및 더广泛한 경제에서 AI를 내장하는 데 필수적인 부분입니다. AI의 사용에 대한 명확한 경계는 더 빠른 성장 및 새로운 사용 사례를 가능하게 할 것입니다. 우리는 규제 책임성을 창조하기 위한 다양한 프로세스를 지원합니다.

일반적으로, 우리는 대출에서 사용되는 AI 도구가 다른 도구와 동일한 감독 및 검토를 받는 것이 중요하다고 믿습니다. 그들은 고객을 공정하게 대우하고, 은행 시스템을 더 위험하게 만들지 않는다는 것을 입증할 수 있어야 합니다. 우리의 솔루션은 명확하게 이러한 두 가지를 입증할 수 있습니다.

Carrington Labs가 최근 Mastercard (MA ) Start Path Program에 선정된 것에 대해 더 알려주세요. 이것은 미국 확장에 어떻게 가속화할까요?

우리는 Mastercard와 함께 미국 및 글로벌 확장 계획을 진행하기 위해 매우 기쁩니다. 그들은 전 세계의 은행 및 기타貸主에게 금융 솔루션을 제공하는 데에 대한 비할 데 없는 경험을 가지고 있으며, 이미 미국의 잠재적인 고객과 접촉하는 데 매우 도움이 되었습니다. 우리는 양측이 모두 이익을 보는 것을 기대합니다. Mastercard는 조언, 소개 및 우리의 솔루션의 일부를 제공할 수 있으며, Carrington Labs는 Mastercard 고객에게 고가치 서비스를 제공할 것입니다.

Beforepay, 소비자용 브랜드,는 400만 개의 대출을 발급했습니다. 이 경험에서 어떤 통찰력을 얻었으며, 어떻게 이것이 Carrington Labs의 AI 모델을 형성했나요?

이 경험을 통해, 우리는 모델을 빠르고 효과적으로 구축하는 방법을 배웠습니다. Beforepay는 훌륭한 연구 개발실과大量의 데이터에 대한 접근을 제공했습니다. 우리는 모델 프레임워크, 아키텍처, 코드 등에 대한 아이디어가 있는 경우, Beforepay에서 먼저 시도할 수 있습니다. Beforepay의 부도율의 급격한 감소는 모델이 얼마나 잘 작동하는지에 대한 훌륭한 사례 연구입니다.

일반적으로, 이는 우리의 직원들이 회사에 큰 이해관계를 가지고 있기 때문에 매우 мотив화됩니다. 우리는 매일 우리의 돈을 대출하기 위해 Carrington Labs의 모델을 사용하므로, 모델이 작동하는지 확인하는 데 집중해야 합니다!

 대출 분야에서 AI의 발전을 10년 동안 어떻게 예상합니까?

대출은 전혀 다르게 변할 것입니다. 산업이 Carrington Labs가 사용하는 빅데이터 기반 위험 모델로 완전히 전환되면, 모든 사람이 이를 따라야 하거나退出해야 할 것입니다. 이는 제조에서 전기의 역할과 같습니다. 게임 체인저이며, 모두가 이를 따라야 합니다.

빅데이터 모델은 수동으로 구축할 수 있지만(이전에는 제가 직접这样했지만, 이 과정은 수개월 또는 수년이 걸릴 수 있으며, 매우 비용이 많이 들고, 최상의 결과를 제공하지 못합니다). 또는 모델 구축을 자동화할 수 있습니다. AI를 사용하면 더 많은 것을 더 높은 품질로 자동화할 수 있으며, 시간을 절약하고 수동으로 구축할 때 불가능한 일을 수행할 수 있습니다(예: 중간 규모의貸主를 위한 사용자 정의 특성 수천 개 생성). 핵심은 이를 올바르게 수행하는 방법을 아는 것입니다. 만약에 당신이 단순히大量의 것을 LLM에 던져 넣는다면, 당신은巨大한 메스를 얻을 것이며, 예산을 모두 소비할 것입니다.

감사합니다. 더 많은 정보를 원하는 독자는 Carrington Labs를 방문하십시오.