Jamie Twiss, CEO Carrington Labs – Seria wywiadów

Jamie Twiss to doświadczony bankier i naukowiec, który pracuje na styku nauki o danych, sztucznej inteligencji i pożyczek konsumenckich. Obecnie pełni funkcję dyrektora generalnego Carrington Labs, wiodącego dostawcy wyjaśnialnych rozwiązań AI do oceny ryzyka kredytowego i pożyczek. Wcześniej pełnił funkcję Chief Data Officer w dużym australijskim banku. Przed tym pracował na różnych stanowiskach w sektorze bankowym i finansowym, rozpoczynając karierę jako konsultant w firmie McKinsey & Company.

Czy możesz wyjaśnić, w jaki sposób system oceny ryzyka oparty na AI, stosowany przez Carrington Labs, różni się od tradycyjnych metod oceny kredytowej?

Podejście Carrington Labs do oceny ryzyka różni się od tradycyjnych metod oceny kredytowej w kilku aspektach:

Nasza platforma wykorzystuje znacznie większy zbiór danych niż poprzednie metody. Tradycyjne oceny kredytowe opierają się na przestarzałej technologii i opierają się na niewielkiej ilości informacji dostępnej w pliku kredytowym klienta, głównie historii płatności, które dają tylko ograniczony obraz jednostki i nie dają wglądu w wiele osób. Zgodnie z zgodą klienta, pobieramy dane transakcji bankowych i wykorzystujemy je do stworzenia znacznie bardziej szczegółowego i bogatszego obrazu jednostki.

Następnie wykorzystujemy nowoczesne techniki AI i machine learning, aby przekształcić te duże ilości danych w wyraźny punkt widzenia na temat wiarygodności kredytowej jednostki, obliczając setki indywidualnych zmiennych i łącząc je w kompleksowy ogólny obraz. Wynikające z tego oceny są w pełni wyjaśnialne i przejrzyste dla pożyczkodawcy, w przeciwieństwie do ocen kredytowych, które są tajemniczymi czarnymi skrzynkami. Te oceny są również dostosowane do konkretnego produktu i segmentu klienta pożyczkodawcy, co sprawia, że są one bardziej istotne i dokładne niż ocena kredytowa, która jest ogólną oceną szkoloną na szerokim zakresie produktów i klientów.

Wreszcie, nasza platforma może nie tylko ocenić ryzyko klienta skuteczniej niż tradycyjna ocena, ale może również wykorzystać tę ocenę do zalecenia optymalnych warunków pożyczki, takich jak limit i okres. W wyniku wszystkich tych czynników, ocena ryzyka Carrington Labs jest znacznym postępem w porównaniu z tradycyjnymi metodami, które dają pożyczkodawcom.

Jak Twoja AI integruje dane transakcji bankowych z otwartym bankowaniem, aby dać pełniejszy obraz wiarygodności kredytowej wnioskodawcy? Jakie są niektóre z kluczowych predyktorów, które Twoje modele AI identyfikują przy ocenie ryzyka kredytowego?

Nasze modele mogą być szkolone na różnych typach danych, ale dane transakcji bankowych są zwykle podstawą. Wykorzystujemy dziesiątki milionów linii danych transakcji, aby szkolić ogólny model, a następnie wykorzystujemy tysiące transakcji dla każdego nowego klienta, którego model ocenia. Otwarte bankowanie jest zwykle najlepszym sposobem zebrania tych danych, ponieważ zapewnia spójny format, dobre bezpieczeństwo i szybkie czasy odpowiedzi. Możemy je zbierać również w inny sposób, ale otwarte bankowanie jest zwykle preferowane.

Na przykład, możemy analizować nawyki wypłat gotówki, aby zobaczyć, czy ktoś często wypłaca duże kwoty, czy zawsze używa tego samego bankomatu, czy wypłaca gotówkę wielokrotnie w ciągu dnia. Możemy identyfikować aktywność hazardową, patrząc na częste transakcje na platformach bukmacherskich. Możemy sprawdzić, jak szybko ktoś wydaje pieniądze po ich otrzymaniu, czy zmienia swoje wydatki, jeśli zaczyna brakować im pieniędzy. Możemy również flagować nieoczekiwane wzorce finansowe, które mogą wskazywać na ryzykowne nastawienie lub zachowania, takie jak częste mandaty za przekroczenie prędkości.

Nasze modele są szkolone na około 50 000 możliwych zmiennych, z których około 400 jest aktywnie wykorzystywanych w typowym modelu ryzyka. Ten podejście oparty na danych pomaga pożyczkodawcom podejmować bardziej precyzyjne decyzje kredytowe i dostosowywać pożyczki do unikalnego profilu ryzyka każdego wnioskodawcy. Ważne jest, aby zauważyć, że dane, które identyfikujemy i analizujemy, są anonimowe, więc nie mamy do czynienia z informacjami identyfikującymi osobę (PII).

Jak Carrington Labs zapewnia, że jego modele AI są wolne od uprzedzeń płciowych, etnicznych lub społeczno-ekonomicznych w decyzjach kredytowych, oraz jakie kroki podjął, aby zminimalizować algorytmiczne uprzedzenia w ocenach ryzyka kredytowego?

Modele Carrington Labs są znacznie mniej prawdopodobne, aby były uprzedzone niż tradycyjne podejścia ze względu na ich obiektywność (bez “ludzkiego” “poczucia”) i szeroki zakres danych, których używamy do tworzenia modeli.

Mamy trzy filary naszego podejścia do walki z uprzedzeniami: Po pierwsze, nigdy nie pozwalamy, aby chronione dane (rasa, płeć itp.) znalazły się w procesie tworzenia modelu. Wolimy, aby nie dostawali ich do nas (chyba, że chcą, abyśmy użyli ich do testowania uprzedzeń; patrz poniżej). Po drugie, nasze modele są w pełni wyjaśnialne, więc przeglądamy każdą cechę używaną w każdym modelu pod kątem potencjalnych uprzedzeń, zmiennych proxy lub innych problemów. Pożyczkodawcy również mają dostęp do listy cech i mogą przeprowadzić własne przeglądy. Po trzecie, jeśli pożyczkodawca zdecyduje się nam dostarczyć chronione dane (tylko do testowania; trzymane z dala od szkolenia), przeprowadzimy testy statystyczne na danych wyjściowych modelu, aby określić stawki zatwierdzeń i limity oraz upewnić się, że zmienność w różnych klasach jest wyraźnie spowodowana wyjaśnialnymi i uzasadnionymi czynnikami.

W wyniku tego, wyższa predykcyjna moc modeli Carrington Labs i możliwość dostosowania limitów w oparciu o ryzyko sprawia, że znacznie łatwiej jest pożyczkodawcom zatwierdzić więcej wnioskodawców na mniejsze limity, a następnie zwiększyć je w czasie z dobrym zachowaniem wobec spłaty, co umożliwia szerszy dostęp do usług finansowych.

Jak zapewniają, że Wasze oceny ryzyka kredytowego oparte na AI są wyjaśnialne i przejrzyste dla pożyczkodawców i regulatorów?

Pomimo wykorzystania AI w wielu krokach procesu tworzenia modelu, same modele, a także logika używana do obliczania oceny klienta, opierają się na przewidywalnej i kontrolowanej matematyce i statystyce. Pożyczkodawca lub regulator może przeglądać każdą cechę w modelu, aby upewnić się, że są oni komfortowi z każdą z nich, a my również możemy dostarczyć podział oceny klienta i odmapować ją do kodu negatywnej akcji, jeśli jest to pożądane.

Jak Wasze modele AI pomagają demokratyzować pożyczki i rozszerzać dostęp do usług finansowych dla osób niedostatecznie obsłużonych?

Wiele osób jest bardziej wiarygodnych kredytowo, niż wskazują na to tradycyjne oceny kredytowe. Metody oceny kredytowej z przeszłości wykluczają miliony ludzi, którzy nie pasują do tradycyjnych modeli kredytowych. Nasze podejście oparte na AI pomaga pożyczkodawcom rozpoznać tych pożyczkobiorców, rozszerzając dostęp do uczciwych i odpowiedzialnych pożyczek bez zwiększania ryzyka.

Podajmy przykład osoby, która należy do grupy niedostatecznie obsłużonej, na przykład imigranta, który niedawno przyjechał do nowego kraju. Mogą oni być finansowo odpowiedzialni, pracowici i przedsiębiorczy, ale mogą również nie mieć tradycyjnej historii kredytowej. Ponieważ biuro kredytowe nigdy nie słyszało o nich, brakuje im możliwości udowodnienia, że osoba ta jest wiarygodna kredytowo, co z kolei sprawia, że pożyczkodawcy są niechętni do przedstawienia im ofert pożyczek.

Te niekonwencjonalne punkty danych transakcji są kluczem do budowania dokładnej oceny ryzyka kredytowego dla osób, których biura kredytowe nie znają. Mogą one nie mieć tradycyjnej historii kredytowej lub mogą mieć historię kredytową, która może wydawać się ryzykowna dla pożyczkodawców bez właściwego kontekstu, ale mamy możliwość pokazania pożyczkodawcom, że te osoby są wiarygodne i stabilne, wykorzystując większą ilość ich danych finansowych. W rzeczywistości, nasza platforma jest nawet o 250% bardziej dokładna, na podstawie próby anonimowych danych, w identyfikowaniu pożyczkobiorców o niskim ryzyku z ograniczoną informacją kredytową niż tradycyjne oceny kredytowe, a to pozwala pożyczkodawcom rozszerzyć swoją bazę pożyczkobiorców i ostatecznie zwiększyć zatwierdzenia pożyczek.

Co więcej, ponieważ wielu pożyczkodawców ma tylko przybliżone pojęcie o indywidualnym ryzyku klienta, mają trudności z dostosowaniem oferty do indywidualnych okoliczności klienta, często oferując im więcej, niż mogą sobie pozwolić, pożyczając mniej, niż potrzebują, lub (najczęściej) odrzucając ich w ogóle. Możliwość precyzyjnego ustalenia limitów pożyczek ma szczególnie silny efekt na umożliwienie pożyczkodawcom wprowadzenia nowych pożyczkobiorców do systemu finansowego, skąd mogą zwiększyć swoją zdolność pożyczania, pokazując dobre zachowanie wobec spłaty – dając im pierwszą szansę na pokazanie, że mogą odpowiedzialnie pracować z długiem.

Jaka rola regulatorów w kształtowaniu sposobu, w jaki rozwiązania pożyczkowe oparte na AI są rozwijane i wdrażane?

Regulatorzy są niezbędną częścią wprowadzania AI w usługi finansowe i w szerszej gospodarce. Jasne granice, gdzie i jak AI może być używany, umożliwią szybszy wzrost i nowe przypadki użycia, a my wspieramy różne procesy, które mają na celu stworzenie prawnego i regulacyjnego rozliczalności.

Als ogólny zasadzie, uważamy, że narzędzia AI używane w pożyczkach powinny być poddane tym samym rodzajom nadzoru i kontroli, co inne narzędzia – powinny one być w stanie udowodnić, że traktują klientów sprawiedliwie i że czynią system bankowy bezpieczniejszym, a nie bardziej ryzykownym. Nasze rozwiązanie może wyraźnie udowodnić obie te rzeczy.

Czy możesz powiedzieć nam więcej o niedawnym wyborze Carrington Labs do programu Mastercard (MA ) Start Path? Jak to przyspieszy Waszą ekspansję w Stanach Zjednoczonych?

Jesteśmy zadowoleni z możliwości współpracy z Mastercard w ramach naszych planów ekspansji w Stanach Zjednoczonych i na świecie. Mają niezrównane doświadczenie w dostarczaniu rozwiązań finansowych bankom i innym pożyczkodawcom na całym świecie i już okazali się bardzo pomocni, gdy zwiększamy nasze zaangażowanie z potencjalnymi klientami w Stanach Zjednoczonych. Oczekujemy, że obie strony skorzystają na tym, przy czym Mastercard oferuje nam doradztwo, wprowadzenia i możliwe elementy naszego rozwiązania, a Carrington Labs dostarcza wysoko-wartościową usługę klientom Mastercard.

Beforepay, Wasza marka skierowana do konsumentów, udzieliła już ponad 4 miliony pożyczek. Jakie wnioski wyciągnęliście z tego doświadczenia, i jak one ukształtowały Wasze modele AI?

Przez to doświadczenie, nauczyliśmy się, jak budować modele szybko i skutecznie, dzięki dostępowi do laboratorium badawczego Beforepay i ogromnych ilości danych. Jeśli mamy pomysł na ramy modelu, architekturę, kod itp., możemy to wypróbować w Beforepay najpierw. Gwałtowny spadek wskaźnika niewypłacalności Beforepay jest również świetnym studium przypadku, pokazującym, jak dobrze działa model.

To było bardzo motywujące doświadczenie, ponieważ nasi pracownicy mają duży udział w firmie. Używamy modeli Carrington Labs każdego dnia, aby pożyczać nasze własne pieniądze, więc to koncentruje nasz umysł na upewnieniu się, że te modele działają!

 Jak widzisz ewolucję AI w sektorze pożyczek w ciągu najbliższej dekady?

Sektor pożyczek ulegnie ogromnym zmianom, gdy branża całkowicie przejdzie na tego typu modele ryzyka oparte na dużych danych, które wykorzystuje Carrington Labs w ciągu najbliższej dekady. I tak się stanie – te modele są po prostu znacznie bardziej skuteczne. Jest to jak rola elektryczności w produkcji; jest to przełom i każdy albo się do tego dostosuje, albo wyjdzie z branży.

Modele oparte na dużych danych mogą być budowane ręcznie (co robiłem kiedyś sam, ale ten proces zajmuje miesiące lub nawet lata, a także jest ogromnie kosztowny i niezdolny do zapewnienia najlepszego wyniku). Albo możemy zautomatyzować budowanie modelu. Z AI możemy zautomatyzować znacznie więcej, przy wyższej jakości, a także zaoszczędzić czas i zrobić rzeczy, które byłyby niemożliwe, gdybyśmy budowali modele ręcznie, jak na przykład generowanie tysięcy niestandardowych cech dla pożyczkodawcy o średniej wielkości.

Kluczem jest wiedza, jak to robić poprawnie – jeśli po prostu wrzucimy mnóstwo rzeczy do LLM, otrzymamy ogromny bałagan i przekroczymy nasz budżet.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Carrington Labs.