‘간단한’ AI가 은행经理의 대출 결정 예측에 95% 이상의 정확도 달성

새로운 연구 프로젝트는 인간 은행经理가 하는 판단을 기계 학습 시스템이 95% 이상의 정확도로 복제할 수 있다는 것을 발견했습니다.

은행经理에게 제공되는 특권 데이터를 사용하여 테스트에서 가장 잘 수행된 알고리즘은 랜덤 포레스트 구현이었는데, 이는 비교적 간단한 접근 방식이지만 20년 된 것으로 알려져 있지만 인간 은행经理의 행동을 모방하려고 할 때 신경망보다 더 잘 수행되었습니다.

랜덤 포레스트 알고리즘은 은행经理의 판단을 모방하는 데 높은 정확도를 달성했습니다. 출처: 은행经理 대 기계: 신용 등급 평가에서 인간의 직관을 알고리즘이 복제할 수 있는가?, https://arxiv.org/pdf/2202.04218.pdf

연구자들은 37,449개의 대출 등급과 4,414개의 고유 고객에 대한 데이터를 분석하여 은행经理의 판단을 자동화된 데이터 분석으로 대체할 수 있을 것으로 제안합니다.

연구자들은 다음과 같이 말합니다.

‘실제적인 관점에서 우리의 결과는 은행이 인간 대출 관리자 없이 더 빠르고 저렴하게 대출을 처리할 수 있음을 나타낼 수 있습니다. 관리자는 다양한 작업을 수행하지만, 이 특정 작업에 필수적인 것은 아니며 비교적 간단한 알고리즘이 동일한 성능을 발휘할 수 있습니다.’

‘또한 추가 데이터와 계산 능력이 있으면 이러한 알고리즘을さらに 개선할 수 있습니다.’

이 연구는 논문으로 발표되었으며, 제목은 은행经理 대 기계: 신용 등급 평가에서 인간의 직관을 알고리즘이 복제할 수 있는가?입니다.

신용 등급 평가에서 로봇 인간 행동

이 결과는 기계 학습 시스템이 대출과 신용 등급 평가에서 인간보다 더 나은 판단을 내린다는 것을 의미하지 않습니다. 그러나 비교적 간단한 알고리즘이 인간과 동일한 결론을 도출할 수 있음을 보여줍니다.

연구자들은 은행经理가 자동화된 데이터 분석을 통해 판단을 내리는 과정에서 인간의 직관을 복제할 수 있다고 제안합니다.

‘시간이 지남에 따라 관리자는 더 적은 재량을 사용하는 것으로 나타납니다. 이는 알고리즘적 수단에 대한 의존도가 증가했음을 나타낼 수 있습니다.’

방법과 데이터

이 프로젝트의 목적은 은행经理의 판단을 예측하는 것이었으며, 이는 기존의 대출 신청 절차 프레임워크를 대체하기 위한 것이 아니었습니다.

테스트에 사용된 기계 학습 방법은 다항 로지스틱 라쏘(MNL-LASSO), 신경망, 및 두 가지 분류 및 회귀 트리(CART) 구현: 랜덤 포레스트와 그래디언트 부스팅이었습니다.

결과

MNL-LASSO는 테스트에서 가장 낮은 성능을 보였으며, 53%의 대출만 성공적으로 분류했습니다.

다른 세 가지 방법(랜덤 포레스트와 그래디언트 부스팅을 포함한 CART)은 모두 90% 이상의 정확도를 달성했습니다.

랜덤 포레스트의 CART 구현은 96%의 정확도를 달성했습니다.

알고리즘이 인간 은행经理의 판단을 모방하는 데 높은 성능을 발휘했습니다.

연구자들은 다음과 같이 말합니다.

‘이 결과는 한 방법이 다른 방법보다 더 나은 성능을 보인다는 것을 나타내지 않습니다. 신경망이 이 분류 작업에서 더 나은 성능을 보일 수 있습니다.’

‘이 여기서의 목적은 인간 관리자의 선택을 복제하는 것입니다. 이 작업에서 랜덤 포레스트가 다른 방법보다 더 나은 성능을 보입니다.’

책임은 자동화하기 어렵다

이 연구는 은행经理의 역할이 기계 학습 시스템에 의해 자동화될 수 있음을 시사합니다. 그러나 인간의 책임은 자동화하기 어렵습니다.

연구자들은 다음과 같이 말합니다.

그러나 은행经理에게 좋은 소식은, 정치적인 관점에서 볼 때, 신용 등급 평가와 같은 중요한 사회적 과정에서 인간의 책임이 필요하므로, 은행经理의 역할이 현재의 상태로 유지될 가능성이 높습니다.

最初에 2022년 2월 18일에 게시되었습니다.