ປັນຍາປະດິດ
AI 'ງ່າຍດາຍ' ສາມາດຄາດຄະເນການຕັດສິນໃຈເງິນກູ້ຂອງຜູ້ຈັດການທະນາຄານໃຫ້ມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າ 95%
ໂຄງການຄົ້ນຄ້ວາໃຫມ່ໄດ້ພົບເຫັນວ່າການຕັດສິນໃຈທີ່ຕັດສິນໃຈໂດຍຜູ້ຈັດການທະນາຄານຂອງມະນຸດສາມາດຖືກຈໍາລອງໂດຍລະບົບການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອໃຫ້ມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາ 95%.
ການນໍາໃຊ້ຂໍ້ມູນດຽວກັນທີ່ມີສໍາລັບຜູ້ຈັດການທະນາຄານໃນຊຸດຂໍ້ມູນທີ່ມີສິດທິພິເສດ, ສູດການທົດສອບທີ່ດີທີ່ສຸດແມ່ນ. ປ່າ Random ການປະຕິບັດ – ເປັນວິທີການງ່າຍດາຍພົບເຫັນວ່າ ອາຍຸຊາວປີ, ແຕ່ທີ່ຍັງປະຕິບັດໄດ້ດີກວ່າເຄືອຂ່າຍ neural ໃນເວລາທີ່ພະຍາຍາມ mimic ພຶດຕິກໍາຂອງຜູ້ຈັດການທະນາຄານຂອງມະນຸດສ້າງການຕັດສິນໃຈສຸດທ້າຍກ່ຽວກັບການກູ້ຢືມເງິນ.
ນັກຄົ້ນຄວ້າ, ຜູ້ທີ່ສາມາດເຂົ້າເຖິງຊຸດຂໍ້ມູນທີ່ເປັນເຈົ້າຂອງຂອງ 37,449 ການຈັດອັນດັບເງິນກູ້ໃນທົ່ວ 4,414 ລູກຄ້າທີ່ບໍ່ຊ້ໍາກັນຢູ່ໃນ 'ທະນາຄານການຄ້າຂະຫນາດໃຫຍ່', ແນະນໍາໃນຈຸດຕ່າງໆໃນເຈ້ຍ preprint ວ່າການວິເຄາະຂໍ້ມູນອັດຕະໂນມັດທີ່ຜູ້ຈັດການໄດ້ຖືກມອບໃຫ້ໃນການຕັດສິນໃຈຂອງພວກເຂົາໃນປັດຈຸບັນໄດ້ກາຍເປັນ. ຖືກຕ້ອງຫຼາຍທີ່ຜູ້ຈັດການທະນາຄານບໍ່ຄ່ອຍຈະຫັນປ່ຽນຈາກມັນ, ເຊິ່ງອາດຈະເປັນສັນຍານວ່າພາກສ່ວນຂອງຜູ້ຈັດການທະນາຄານໃນຂະບວນການອະນຸມັດເງິນກູ້ສ່ວນໃຫຍ່ປະກອບດ້ວຍການເກັບຮັກສາບາງຄົນທີ່ຈະໄຟໄຫມ້ໃນກໍລະນີຂອງການກູ້ຢືມເງິນ.
ເອກະສານກ່າວວ່າ:
'ຈາກທັດສະນະພາກປະຕິບັດມັນເປັນມູນຄ່າທີ່ສັງເກດວ່າຜົນໄດ້ຮັບຂອງພວກເຮົາອາດຈະຊີ້ໃຫ້ເຫັນວ່າທະນາຄານສາມາດດໍາເນີນການກູ້ຢືມໄດ້ໄວແລະລາຄາຖືກກວ່າໃນເວລາທີ່ບໍ່ມີຜູ້ຈັດການເງິນກູ້ຂອງມະນຸດທີ່ມີຜົນໄດ້ຮັບປຽບທຽບຫຼາຍ. ໃນຂະນະທີ່ຜູ້ຈັດການເຮັດວຽກຫຼາຍຢ່າງຕາມທໍາມະຊາດ, ມັນເປັນການຍາກທີ່ຈະໂຕ້ຖຽງວ່າພວກເຂົາເປັນສິ່ງຈໍາເປັນສໍາລັບວຽກງານນີ້ໂດຍສະເພາະແລະວິທີການທີ່ຂ້ອນຂ້າງງ່າຍດາຍສາມາດປະຕິບັດໄດ້ເຊັ່ນດຽວກັນ.
'ມັນຍັງມີຄວາມສໍາຄັນທີ່ຈະສັງເກດວ່າດ້ວຍຂໍ້ມູນເພີ່ມເຕີມແລະພະລັງງານການຄິດໄລ່ algorithms ເຫຼົ່ານີ້ສາມາດໄດ້ຮັບການປັບປຸງຕື່ມອີກເຊັ່ນດຽວກັນ.'
ໄດ້ ເຈ້ຍ ແມ່ນຫົວຂໍ້ ຜູ້ຈັດການທຽບກັບເຄື່ອງຈັກ: ສູດການຄິດໄລ່ເຮັດຊໍ້າຄືນຄວາມເຂົ້າໃຈຂອງມະນຸດໃນການຈັດອັນດັບສິນເຊື່ອບໍ?, ແລະມາຈາກພະແນກເສດຖະກິດແລະກົມສະຖິຕິທີ່ UoC Irvine ແລະທະນາຄານການສື່ສານ BBM ໃນປະເທດບຣາຊິນ.
ພຶດຕິກໍາຂອງມະນຸດຫຸ່ນຍົນໃນການປະເມີນການຈັດອັນດັບສິນເຊື່ອ
ຜົນໄດ້ຮັບບໍ່ໄດ້ຫມາຍຄວາມວ່າລະບົບການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຈໍາເປັນທີ່ດີກວ່າໃນການຕັດສິນໃຈກ່ຽວກັບເງິນກູ້ແລະການຈັດອັນດັບສິນເຊື່ອ, ແຕ່ເຖິງແມ່ນວ່າ algorithms ໃນປັດຈຸບັນພິຈາລະນາຂ້ອນຂ້າງ 'ລະດັບຕ່ໍາ' ມີຄວາມສາມາດທີ່ຈະສະຫຼຸບໄດ້ຄືກັນກັບມະນຸດຈາກຂໍ້ມູນດຽວກັນ.
ບົດລາຍງານດັ່ງກ່າວໄດ້ບົ່ງບອກຕົວຕົນຂອງຜູ້ຈັດການທະນາຄານເປັນປະເພດຂອງ 'meatware firewall' ທີ່ມີຫນ້າທີ່ຕົ້ນຕໍທີ່ຍັງເຫຼືອແມ່ນເພື່ອຍົກສູງຄະແນນຄວາມສ່ຽງທີ່ລະບົບບັດຄະແນນສະຖິຕິແລະການວິເຄາະສະເຫນີໃຫ້ພວກເຂົາ (ການປະຕິບັດທີ່ຮູ້ຈັກໃນທະນາຄານເປັນ 'notching').
'ເມື່ອເວລາຜ່ານໄປ, ມັນປາກົດວ່າຜູ້ຈັດການກໍາລັງໃຊ້ການຕັດສິນໃຈຫນ້ອຍລົງເຊິ່ງອາດຈະຊີ້ໃຫ້ເຫັນເຖິງການປະຕິບັດການປັບປຸງຫຼືການອີງໃສ່ວິທີການ algorithmic ເຊັ່ນບັດຄະແນນ.'
ນັກວິໄຈຍັງໃຫ້ຂໍ້ສັງເກດວ່າ:
'ຜົນໄດ້ຮັບໃນເອກະສານສະບັບນີ້ສະແດງໃຫ້ເຫັນວ່າວຽກງານສະເພາະນີ້ປະຕິບັດໂດຍຜູ້ຈັດການທະນາຄານທີ່ມີຄວາມຊໍານິຊໍານານສູງໃນຄວາມເປັນຈິງອາດຈະຖືກຈໍາລອງແບບງ່າຍໆໂດຍວິທີການທີ່ຂ້ອນຂ້າງງ່າຍດາຍ. ການປະຕິບັດຂອງສູດການຄິດໄລ່ເຫຼົ່ານີ້ສາມາດໄດ້ຮັບການປັບປຸງໂດຍການປັບລະອຽດເພື່ອຄິດໄລ່ຄວາມແຕກຕ່າງໃນທົ່ວອຸດສາຫະກໍາແລະແນ່ນອນວ່າສາມາດຂະຫຍາຍໄດ້ຢ່າງງ່າຍດາຍເພື່ອປະກອບມີເປົ້າຫມາຍເພີ່ມເຕີມເຊັ່ນ: ການລວມເອົາການພິຈາລະນາຄວາມຍຸຕິທໍາໃນການປະຕິບັດການກູ້ຢືມເງິນຫຼືເພື່ອສົ່ງເສີມເປົ້າຫມາຍສັງຄົມອື່ນໆ.'
ເນື່ອງຈາກຂໍ້ມູນຊີ້ໃຫ້ເຫັນວ່າຜູ້ຈັດການທະນາຄານເຮັດແບບນີ້ໃນແບບເກືອບ algorithmic ແລະສາມາດຄາດເດົາໄດ້, ການປັບຕົວຂອງພວກມັນບໍ່ຍາກທີ່ຈະເຮັດຊ້ໍາກັນ. ຂະບວນການດັ່ງກ່າວພຽງແຕ່ 'ການຄາດເດົາທີສອງ' ຂໍ້ມູນບັດຄະແນນຕົ້ນສະບັບ ແລະປັບລະດັບຄວາມສ່ຽງເພີ່ມຂຶ້ນພາຍໃນຂອບທີ່ຄາດເດົາໄດ້.
ວິທີການແລະຂໍ້ມູນ
ຈຸດປະສົງທີ່ລະບຸໄວ້ຂອງໂຄງການແມ່ນເພື່ອຄາດຄະເນວ່າການຕັດສິນໃຈຂອງຜູ້ຈັດການທະນາຄານຈະເຮັດແນວໃດ, ໂດຍອີງໃສ່ລະບົບການໃຫ້ຄະແນນແລະຕົວແປອື່ນໆທີ່ມີໃຫ້ເຂົາເຈົ້າ, ແທນທີ່ຈະພັດທະນາລະບົບທາງເລືອກໃຫມ່ທີ່ອອກແບບມາເພື່ອທົດແທນກອບຂັ້ນຕອນການຮ້ອງຂໍເງິນກູ້ໃນປະຈຸບັນ.
ວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ທົດສອບສໍາລັບໂຄງການແມ່ນ Multinomial Logistic LASSO (MNL-LASSO), ເຄືອຂ່າຍ neural, ແລະສອງການປະຕິບັດຂອງ ການຈັດປະເພດແລະການຖົດຖອຍຕົ້ນໄມ້ (CART): Random Forest ແລະ Gradient Boosting.
ໂຄງການດັ່ງກ່າວໄດ້ພິຈາລະນາທັງຂໍ້ມູນບັດຄະແນນສໍາລັບວຽກງານການຈັດອັນດັບສິນເຊື່ອທີ່ແທ້ຈິງ, ແລະຜົນໄດ້ຮັບຂອງມັນ, ດັ່ງທີ່ຮູ້ຢູ່ໃນຂໍ້ມູນ. ການໃຫ້ຄະແນນຄະແນນແມ່ນໜຶ່ງໃນການປະຕິບັດລະບົບສູດການຄິດໄລ່ທີ່ເກົ່າແກ່ທີ່ສຸດ, ເຊິ່ງຕົວແປຫຼັກໆສຳລັບການກູ້ຢືມທີ່ສະເໜີມານັ້ນແມ່ນຄຳນວນເຂົ້າໃນຕາຕະລາງຄວາມສ່ຽງ, ມັກຈະໃຊ້ວິທີງ່າຍໆຄື ການສືບສວນທາງ logistic.
ຜົນການຄົ້ນຫາ
MNL-LASSO ປະຕິບັດໄດ້ບໍ່ດີທີ່ສຸດໃນບັນດາ algorithms ທີ່ໄດ້ຮັບການທົດສອບ, ສົບຜົນສໍາເລັດການຈັດປະເພດພຽງແຕ່ 53% ຂອງເງິນກູ້ຢືມ, ເມື່ອທຽບກັບຜູ້ຈັດການຊີວິດຈິງໃນກໍລະນີທີ່ຖືກປະເມີນ.
ອີກສາມວິທີ (ດ້ວຍ CART ກວມເອົາປ່າໄມ້ແບບສຸ່ມ ແລະ ການເພີ່ມລະດັບຄວາມສູງ) ທັງໝົດໄດ້ຄະແນນຢ່າງໜ້ອຍ 90% ໃນແງ່ຂອງຄວາມຖືກຕ້ອງ ແລະ ຄວາມຜິດພາດຂອງ Root Mean Square (RMSE).
ແນວໃດກໍ່ຕາມ, ການປະຕິບັດ CART ຂອງ Random Forest ໄດ້ຄະແນນທີ່ປະທັບໃຈເກືອບ -96%, ຕິດຕາມມາດ້ວຍ Gradient Boosting.
ເປັນເລື່ອງແປກທີ່, ນັກຄົ້ນຄວ້າໄດ້ພົບເຫັນວ່າເຄືອຂ່າຍ neural ປະຕິບັດຂອງເຂົາເຈົ້າພຽງແຕ່ໄດ້ຄະແນນ 93%, ມີຊ່ອງຫວ່າງ RMSE ກວ້າງ, ຜະລິດມູນຄ່າຄວາມສ່ຽງຫຼາຍ notches ຫ່າງຈາກການຄາດຄະເນການຜະລິດຂອງມະນຸດ.
ຜູ້ຂຽນສັງເກດເຫັນ:
'[ເຫຼົ່ານີ້] ຜົນໄດ້ຮັບບໍ່ໄດ້ຊີ້ບອກວ່າວິທີການຫນຶ່ງປະຕິບັດໄດ້ດີກວ່າອີກອັນຫນຶ່ງເທົ່າທີ່ຕົວຊີ້ວັດພາຍນອກຂອງຄວາມຖືກຕ້ອງທີ່ກ່ຽວຂ້ອງເຊັ່ນ: ຄວາມເປັນໄປໄດ້ເລີ່ມຕົ້ນຂອງຈຸດປະສົງ. ມັນເປັນໄປໄດ້ຂ້ອນຂ້າງວ່າ Neural Network ຕົວຢ່າງແມ່ນດີທີ່ສຸດສໍາລັບວຽກງານການຈັດປະເພດນັ້ນ.
'ໃນທີ່ນີ້ຈຸດປະສົງແມ່ນພຽງແຕ່ເຮັດເລື້ມຄືນທາງເລືອກຂອງຜູ້ຈັດການຂອງມະນຸດແລະສໍາລັບວຽກງານນີ້ Random Forest ເບິ່ງຄືວ່າຈະປະຕິບັດໄດ້ດີກວ່າວິທີການອື່ນໆທັງຫມົດໃນທົ່ວ metrics ທີ່ສືບສວນ.'
5% ທີ່ລະບົບບໍ່ສາມາດແຜ່ພັນໄດ້, ອີງຕາມນັກຄົ້ນຄວ້າ, ໂດຍ heterogeneity ຂອງອຸດສາຫະກໍາກວມເອົາ. ຜູ້ຂຽນສັງເກດເຫັນວ່າ 5% ຂອງຜູ້ຈັດການກວມເອົາເກືອບທັງຫມົດຄວາມແຕກຕ່າງເຫຼົ່ານີ້, ແລະເຊື່ອວ່າລະບົບທີ່ລະອຽດກວ່າສາມາດກວມເອົາກໍລະນີການນໍາໃຊ້ດັ່ງກ່າວໃນທີ່ສຸດແລະປິດການຂາດແຄນ.
ຄວາມຮັບຜິດຊອບແມ່ນຍາກທີ່ຈະເຮັດໃຫ້ອັດຕະໂນມັດ
ຖ້າເກີດໃນໂຄງການທີ່ກ່ຽວຂ້ອງຕໍ່ມາ, ການຄົ້ນຄວ້າຊີ້ໃຫ້ເຫັນວ່າບົດບາດ 'ຜູ້ຈັດການທະນາຄານ' ສາມາດຖືກເພີ່ມເຂົ້າໃນການເຕີບໃຫຍ່ຂອງຕໍາແຫນ່ງທີ່ມີອໍານາດແລະຄວາມເຂົ້າໃຈທີ່ຖືກຫຼຸດລົງເປັນ 'invigilator' ໃນຂະນະທີ່ຄວາມຖືກຕ້ອງຂອງລະບົບເຄື່ອງຈັກທຽບເທົ່າ. ຖືກທົດສອບໃນໄລຍະຍາວ; ແລະ ທຳ ລາຍ ຕໍາແຫນ່ງເປັນປົກກະຕິ ວ່າວຽກງານທີ່ສໍາຄັນບາງຢ່າງບໍ່ສາມາດອັດຕະໂນມັດໄດ້.
ຢ່າງໃດກໍຕາມ, ຂ່າວດີສໍາລັບຜູ້ຈັດການທະນາຄານເບິ່ງຄືວ່າ, ຈາກທັດສະນະທາງດ້ານການເມືອງ, ຄວາມຕ້ອງການສໍາລັບຄວາມຮັບຜິດຊອບຂອງມະນຸດໃນຂະບວນການທາງດ້ານສັງຄົມທີ່ສໍາຄັນເຊັ່ນການປະເມີນການຈັດອັນດັບສິນເຊື່ອມີແນວໂນ້ມທີ່ຈະຮັກສາບົດບາດໃນປະຈຸບັນຂອງພວກເຂົາ - ເຖິງແມ່ນວ່າການປະຕິບັດຂອງພາລະບົດບາດ. ຄວນກາຍເປັນການແຜ່ພັນຢ່າງສົມບູນໂດຍລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ.
ພິມຄັ້ງທຳອິດໃນວັນທີ 18 ກຸມພາ 2022.