Jamie Twiss, CEO da Carrington Labs – Série de Entrevistas

Jamie Twiss é um banqueiro experiente e um cientista de dados que trabalha na interseção da ciência de dados, inteligência artificial e empréstimos ao consumidor. Atualmente, ele atua como Diretor Executivo da Carrington Labs, um provedor líder de soluções de avaliação de risco de crédito e empréstimos impulsionados por IA explicável. Anteriormente, ele foi o Diretor de Dados de um grande banco australiano. Antes disso, ele trabalhou em uma variedade de funções em bancos e serviços financeiros após começar sua carreira como consultor da McKinsey & Company.

Pode explicar como o sistema de avaliação de risco da Carrington Labs difere dos métodos tradicionais de avaliação de crédito?

A abordagem da Carrington Labs para a avaliação de risco difere dos métodos tradicionais de avaliação de crédito de várias maneiras:

Nossa plataforma usa um conjunto de dados muito maior do que os métodos anteriores. As avaliações de crédito tradicionais dependem de tecnologia ultrapassada e são baseadas na pequena quantidade de informações disponíveis no arquivo de crédito de um cliente, principalmente históricos de pagamentos, que apenas fornecem uma visão limitada de um indivíduo e nenhuma visão de muitas pessoas. Com o consentimento do cliente, nós pegamos os dados de transações bancárias por item e usamos para criar uma imagem muito mais detalhada e rica de um indivíduo.

Em seguida, usamos técnicas modernas de IA e aprendizado de máquina para transformar esses grandes volumes de dados em uma visão aguçada da capacidade de crédito de um indivíduo, calculando centenas de variáveis individuais e combinando-as em uma visão geral abrangente. As pontuações resultantes são totalmente explicáveis e transparentes para o prestamista que as usa, ao contrário das avaliações de crédito, que são caixas pretas misteriosas. Essas pontuações também são personalizadas para o produto e segmento de cliente específico do prestamista, o que as torna mais relevantes e, portanto, mais precisas do que uma avaliação de crédito, que é uma pontuação genérica treinada em uma ampla gama de produtos e clientes.

Finalmente, nossa plataforma pode não apenas avaliar o risco de um cliente de forma mais eficaz do que uma avaliação tradicional, mas também pode usar essa avaliação para recomendar os termos de empréstimo ótimos, como limite e duração. Como resultado de todos esses fatores, a avaliação de risco da CL é um avanço significativo em relação às informações que os métodos tradicionais fornecem aos prestamistas.

Como sua IA integra os dados de transações bancárias abertas para fornecer uma visão mais completa da capacidade de crédito de um solicitante? E quais são alguns dos principais preditores que seus modelos de IA identificam ao avaliar o risco de crédito?

Nossos modelos podem ser treinados em muitos tipos diferentes de dados, mas os dados de transações bancárias geralmente estão no núcleo. Usamos dezenas de milhões de linhas de dados de transações para treinar o modelo geral e, em seguida, usamos milhares de transações para cada novo cliente que o modelo avalia. O Open Banking é geralmente a melhor maneira de coletar esses dados, pois fornece um formato consistente, boa segurança e tempos de resposta rápidos. Podemos coletá-los por outros meios, mas o Open Banking é geralmente preferido.

Por exemplo, podemos analisar os hábitos de saque de dinheiro para ver se alguém retira frequentemente grandes quantias, se sempre usa o mesmo caixa eletrônico ou se retira dinheiro várias vezes ao dia. Podemos identificar atividades de jogos de azar procurando por transações frequentes em plataformas de apostas. Podemos olhar para como rapidamente alguém gasta dinheiro após recebê-lo, ou se ajusta seus gastos se começar a ficar com pouco dinheiro. Também flagamos padrões financeiros inesperados que podem indicar mentalidades ou comportamentos arriscados, como multas frequentes por excesso de velocidade.

Nossos modelos são treinados em cerca de 50.000 variáveis possíveis, com cerca de 400 ativamente usadas em um modelo de risco típico. Essa abordagem baseada em dados ajuda os prestamistas a tomar decisões de empréstimo mais precisas e personalizar empréstimos para o perfil de risco único de cada solicitante. É importante notar que os dados que identificamos e analisamos são anônimos, então não lidamos com informações de identificação pessoal (PII).

Como a Carrington Labs garante que seus modelos de IA estejam livres de viés de gênero, étnico ou socioeconômico nas decisões de empréstimo, e quais medidas vocês tomaram para mitigar o viés algorítmico em suas avaliações de risco de crédito?

Os modelos da Carrington Labs são significativamente menos propensos a serem tendenciosos do que as abordagens tradicionais devido à sua objetividade (nenhuma “intuição” humana envolvida) e à ampla gama de dados que usamos para criar modelos.

Temos três pilares em nossa abordagem anti-viés: Primeiro, nunca deixamos que dados de classes protegidas (raça, gênero, etc.) cheguem perto do processo de criação do modelo. Preferimos que você não nos forneça esses dados (a menos que você queira que os usemos para testar viés; veja abaixo). Em segundo lugar, nossos modelos são totalmente explicáveis, então revisamos cada recurso usado em cada modelo para possíveis viés, variáveis proxy ou outros problemas. Os prestamistas também têm acesso à lista de recursos e podem realizar suas próprias revisões. Em terceiro lugar, se o prestamista optar por nos fornecer dados de classes protegidas para testes (apenas; mantidos longe do treinamento), realizaremos testes estatísticos nos resultados do modelo para determinar taxas de aprovação e limites e garantir que a variação entre as classes seja claramente impulsionada por fatores explicáveis e razoáveis.

Como resultado, o poder de previsão mais alto dos modelos da Carrington Labs e a capacidade de ajustar os limites com base no risco tornam muito mais fácil para os prestamistas aprovar mais solicitantes com limites menores e, em seguida, aumentá-los ao longo do tempo com um bom comportamento de pagamento, o que permite uma inclusão financeira mais ampla.

Como vocês garantem que suas avaliações de risco de crédito impulsionadas por IA sejam explicáveis e transparentes para os prestamistas e reguladores?

Embora usemos IA em uma série de etapas no processo de criação do modelo, os modelos em si, a lógica real usada para calcular a pontuação do cliente, são baseados em matemática e estatística previsíveis e controláveis. Um prestamista ou regulador pode revisar cada recurso no modelo para garantir que esteja confortável com cada um, e também podemos fornecer uma quebra da pontuação do cliente e mapeá-la de volta para um código de ação adversa, se desejar.

Como seus modelos de IA ajudam a democratizar os empréstimos e expandir a inclusão financeira para populações subatendidas?

Muitas pessoas são mais dignas de crédito do que suas avaliações de crédito tradicionais sugerem. Os métodos de avaliação de crédito tradicionais excluem milhões de pessoas que não se encaixam nos modelos de crédito tradicionais. Nossa abordagem impulsionada por IA ajuda os prestamistas a reconhecer esses mutuários, expandindo o acesso a crédito justo e responsável sem aumentar o risco.

Para dar um exemplo de alguém que se encaixa em uma audiência subatendida, pense em um imigrante que acabou de se mudar para um novo país. Eles podem ser financeiramente responsáveis, trabalhadores e industriosos, mas podem não ter um histórico de crédito tradicional. Porque o bureau de crédito nunca ouviu falar deles, eles carecem da capacidade de provar que essa pessoa é digna de crédito, o que, por sua vez, torna os prestamistas relutantes em apresentar-lhes oportunidades de empréstimo.

Esses pontos de dados de transações não tradicionais são a chave para construir uma avaliação precisa da pontuação de risco de crédito para pessoas que os bureaus de crédito não conhecem. Eles podem carecer de um histórico de crédito tradicional ou ter um histórico de crédito que pode parecer arriscado para os prestamistas sem o contexto adequado, mas temos a capacidade de mostrar aos prestamistas que essas pessoas são dignas de crédito e estáveis, aproveitando uma grande quantidade de seus dados financeiros. Na verdade, nossa plataforma é até 250% mais precisa, com base em um conjunto de dados anonimizados, em identificar mutuários de baixo risco com informações de crédito limitadas do que as avaliações de crédito tradicionais, e é isso que permite que os prestamistas expandam sua base de mutuários e, em última análise, aumentem as aprovações de empréstimos.

Além disso, porque muitos prestamistas têm apenas uma noção aproximada do risco individual de um cliente, eles lutam para ajustar uma oferta para refletir as circunstâncias individuais de um cliente, frequentemente oferecendo-lhes mais do que podem pagar, emprestando-lhes menos do que precisam ou (mais frequentemente) recusando-os completamente. A capacidade de definir limites de empréstimo com precisão tem um efeito particularmente forte em permitir que os prestamistas tragam novos mutuários para o sistema financeiro, de onde podem aumentar sua capacidade de empréstimo mostrando um bom comportamento de pagamento – dando-lhes a primeira chance de mostrar que podem trabalhar de forma responsável com a dívida.

Qual é o papel dos órgãos reguladores na formação da maneira como as soluções de empréstimo impulsionadas por IA são desenvolvidas e implantadas?

Os reguladores são uma parte essencial da incorporação da IA nos serviços financeiros e na economia mais ampla. Limites claros sobre onde e como a IA pode ser usada permitirão um crescimento mais rápido e novos casos de uso, e estamos apoiando os vários processos em andamento para criar responsabilidade jurídica e regulatória.

Como princípio geral, acreditamos que as ferramentas de IA usadas no empréstimo devem ser submetidas aos mesmos tipos de supervisão e escrutínio que as outras ferramentas – elas devem ser capazes de demonstrar que estão tratando os clientes de forma justa e que estão tornando o sistema bancário mais seguro, não mais arriscado. Nossa solução pode claramente demonstrar ambos.

Pode nos contar mais sobre a seleção recente da Carrington Labs para o Programa Start Path da Mastercard (MA )? Como isso acelerará sua expansão nos EUA?

Estamos felizes em estar trabalhando com a Mastercard em nossos planos de expansão nos EUA e global. Eles têm experiência incomparável em fornecer soluções financeiras para bancos e outros prestamistas em todo o mundo e já foram extremamente úteis à medida que aumentamos nosso engajamento com clientes prospectivos nos EUA. Esperamos que ambas as partes se beneficiem, com a Mastercard oferecendo conselhos, apresentações e possivelmente elementos de nossa solução, enquanto a Carrington Labs fornece um serviço de alto valor para os clientes da Mastercard.

Antes de pagar, sua marca de consumo, emitiu mais de 4 milhões de empréstimos. Quais insights vocês ganharam com essa experiência, e como elas moldaram os modelos de IA da Carrington Labs?

Através dessa experiência, aprendemos a construir modelos rapidamente e de forma eficaz, graças ao acesso que a Beforepay nos deu ao seu ótimo laboratório de R&D e a grandes volumes de dados. Se tivermos uma ideia para uma estrutura de modelo, arquitetura, código, etc., podemos testá-la primeiro na Beforepay. A declínio acentuado na taxa de inadimplência da Beforepay também é um ótimo estudo de caso para mostrar como bem o modelo funciona.

Foi uma experiência muito motivadora em geral, pois nossos funcionários têm um grande interesse na empresa. Estamos usando os modelos da Carrington Labs todos os dias para emprestar nosso próprio dinheiro, então isso nos concentra em garantir que esses modelos funcionem!

 Como você vê a IA evoluindo no espaço de empréstimo nos próximos dez anos?

O empréstimo vai mudar massivamente uma vez que a indústria se mover completamente para os tipos de modelos de risco impulsionados por grandes dados que a Carrington Labs está usando nos próximos dez anos. E vai – esses modelos são simplesmente muito mais eficazes. É como o papel da eletricidade na fabricação; é um jogo-changer e todos farão a mudança ou sairão.

Os modelos de grandes dados podem ser construídos à mão (o que eu costumava fazer, mas esse processo leva meses ou até anos, além de ser extremamente caro e incapaz de fornecer o melhor resultado). Ou você pode automatizar a construção do modelo. Com a IA, você pode automatizar muito mais disso com alta qualidade, economizando tempo e fazendo coisas que seriam impossíveis se você estivesse construindo à mão, como gerar milhares de recursos personalizados para um prestamista de tamanho médio.

A chave é saber como fazer isso corretamente – se você apenas jogar um monte de coisas em um LLM, você obterá uma grande bagunça e gastará todo o seu orçamento.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar Carrington Labs.