Jamie Twiss, administrerende direktør i Carrington Labs – Intervju-serie

Jamie Twiss er en erfaren bankmann og dataekspert som arbeider på grensen mellom dataekspertise, kunstig intelligens og forbrukerlån. Han er for tiden administrerende direktør i Carrington Labs, en ledende leverandør av forklarbare AI-drevne kredittvurderinger og lånsløsninger. Tidligere var han Chief Data Officer i en stor australsk bank. Før det arbeidet han i en rekke roller innen bank og finans etter å ha startet sin karriere som konsulent i McKinsey & Company.

Kan du forklare hvordan Carrington Labs’ AI-drevne risikovurderingssystem skiller seg fra tradisjonelle kredittvurderingsmetoder?

Carrington Labs’ tilnærming til risikovurdering skiller seg fra tradisjonelle kredittvurderingsmetoder på flere måter:

Vår plattform bruker en mye større datasett enn tidligere metoder. Tradisjonelle kredittscorer avhenger av foreldede teknologier og er basert på den begrensede informasjonen som er tilgjengelig i en kundes kredittfil, hovedsakelig betalingshistorikk, som bare gir en begrenset oversikt over en person, og ingen oversikt over mange mennesker. Med kundens samtykke tar vi linjevis banktransaksjonsdata og bruker den til å lage et mye mer detaljert og rikere bilde av en person.

Deretter bruker vi moderne AI- og maskinlærings-teknikker til å omdanne disse store datamengdene til et skarpt synspunkt på en persons kredittverdighet, ved å beregne hundrevis av enkeltvariable og kombinere dem til en omfattende helhetsvurdering. De resulterende scorene er fullstendig forklarbare og gjennomsiktige for långiveren som bruker dem, i motsetning til kredittscorer, som er mystiske sorte bokser. Disse scorene er også tilpasset en långivers spesifikke produkt og kundesegment, noe som gjør dem mer relevante og derfor mer nøyaktige enn en kredittscore, som er en generisk score trent over et bredt spekter av produkter og kunder.

Til slutt kan vår plattform ikke bare vurdere risikoen for en kunde mer effektivt enn en tradisjonell score, men den kan også bruke denne scoren til å anbefale de optimale lånsvilkårene, slik som grense og varighet. Som et resultat av alle disse faktorene, er CL-risikovurdering en betydelig forbedring av de innsiktene som tradisjonelle metoder gir långivere.

Hvordan sikrer du at dine AI-drevne kredittvurderinger er forklarbare og gjennomsiktige for långivere og myndigheter?

Mens vi bruker AI i en rekke trinn i modell-oppbygningsprosessen, er modellene selv, den faktiske logikken som brukes til å beregne en kundes score—basert på forutsigbare og kontrollerbare matematikk og statistikk. En långiver eller myndighet kan gjennomgå hver enkelt variabel i modellen for å sikre at de er komfortable med hver enkelt, og vi kan også levere en oppdeling av en kundes score og knytte den til en ugunstig-handlingskode hvis ønsket.

Hvordan bidrar dine AI-modeller til å demokratisere lån og utvide finansiell inklusjon for underbetjente befolkninger?

Mange mennesker er mer kredittverdige enn deres tradisjonelle kredittscorer antyder. Arvefølgende kredittscoringsmetoder utelukker millioner av mennesker som ikke passer inn i tradisjonelle kredittmodeller. Vår AI-drevne tilnærming hjelper långivere å gjenkjenne disse låntakerne, og utvider tilgangen til rettferdige og ansvarlige lån uten å øke risikoen.

For å gi et eksempel på noen som faller inn i en underbetjent befolkning, tenk på en innvandrer som nylig har flyttet til et nytt land. De kan være finansielt ansvarlige, hardtarbeidende og flittige, men de kan også mangle en tradisjonell kredithistorikk. Fordi kredittbyrået aldri har hørt om dem, mangler de evnen til å bevise at denne personen er kredittverdig, noe som gjør långivere motvillige til å tilby dem lånemuligheter.

Disse ikke-tradisjonelle transaksjonsdataene er nøkkelen til å bygge en nøyaktig vurdering av kredittverdighetsscore for mennesker som kredittbyråene ikke kjenner. De kan mangle en tradisjonell kredithistorikk eller ha en kredithistorikk som kan se risikabel ut for långivere uten riktig kontekst, men vi har evnen til å vise långivere at disse menneskene er kredittverdige og stabile ved å utnytte en større mengde av deres finansielle data. I virkeligheten er vår plattform opptil 250% mer nøyaktig, basert på et sett anonymiserte data, til å identifisere lav-risiko-låntakere med begrensede kredittopplysninger enn tradisjonelle kredittscorer, og det er hva som muliggjør at långivere kan utvide sin låntakerbase og til slutt øke långodannelsen.

Hva er rollen til regulatorene i å forme hvordan AI-drevne lånsløsninger utvikles og implementeres?

Regulatorene er en essensiell del av å integrere AI i finansielle tjenester og i den bredere økonomien. Klare grenser for hvor og hvordan AI kan brukes, vil muliggjøre raskere vekst og nye bruksområder, og vi støtter de ulike prosessene som pågår for å skape lovmessig og regulativt ansvar.

Som en generell prinsipp, tror vi at AI-verktøy som brukes i lån, bør underlegges samme type tilsyn og skarpsyn som andre verktøy—de bør kunne demonstrere at de behandler kundene rettferdig, og at de gjør banksystemet tryggere, ikke mer risikabelt. Vår løsning kan tydelig demonstrere begge deler.

Kan du fortelle mer om Carrington Labs’ nylige utvalg til Mastercard (MA ) Start Path Program? Hvordan vil dette akselerere din US-utvidelse?

Vi er glade for å samarbeide med Mastercard om våre US- og globale utvidelsesplaner. De har enestående erfaring med å levere finansielle løsninger til banker og andre långivere over hele verden, og de har allerede vært svært nyttige mens vi øker vår engasjement med potensielle US-kunder. Vi forventer at begge parter vil dra nytte av dette, med Mastercard som tilbyr råd, innføring og muligens elementer av vår løsning, mens Carrington Labs tilbyr en høyverdi-tjeneste til Mastercards kunder.

Beforepay, din forbrukerrettede merkevare, har utstedt over 4 millioner lån. Hva er dine innsikter fra denne erfaringen, og hvordan har de formet Carrington Labs’ AI-modeller?

Vi lærte hvordan vi kunne bygge modeller raskt og effektivt takket være tilgangen til Beforepays fremragende FoU-laboratorium og noen svært store datamengder. Hvis vi har en idé for en modellramme, arkitektur, kode osv., kan vi prøve det ut i Beforepay først. Den brå nedgangen i Beforepays default-rate er også et fantastisk eksempel på å vise hvor godt modellen fungerer.

Det har vært en svært motivasjonell erfaring generelt, ettersom våre ansatte har en stor andel i selskapet. Vi bruker Carrington Labs’ modeller hver dag til å låne ut våre egne penger, så det fokuserer tankene på å sikre at disse modellene fungerer!

 Hvordan ser du på AI-utviklingen i lånsektoren over de neste ti årene?

Lånsektoren vil endre seg massivt når industrien fullstendig går over til de typene big-data-drevne risikomodeller som Carrington Labs utnytter over de neste ti årene. Og det vil—disse modellene er bare så mye mer effektive. Det er som rollen til elektrisitet i produksjon; det er en spillende faktor og alle vil enten gjøre skiftet eller forlate.

Big-data-modeller kan enten bygges for hånd (som jeg selv gjorde tidligere, men denne prosessen tar måneder eller år og er svært dyrt og ikke i stand til å gi det beste resultatet. Eller du kan automatisere modellbyggingen. Med AI kan du automatisere langt mer av det med høyere kvalitet samtidig som du sparer tid og gjør ting som ville være umulige hvis du bygde for hånd, som å generere tusenvis av tilpassede funksjoner for en mid-size långiver.

Nøkkelen er å vite hvordan du gjør det riktig—if du bare kaster en haug med ting mot en LLM, vil du få en gigantisk rot og spreng løs din budsjett.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Carrington Labs.