Jamie Twiss, CEO al Carrington Labs – Seria de interviuri

Jamie Twiss este un bancher experimentat și un specialist în știința datelor care lucrează la intersecția științei datelor, inteligenței artificiale și creditării consumatorilor. În prezent, el ocupă funcția de Director General al Carrington Labs, un furnizor de top de soluții de creditare și scorare de risc cu inteligență artificială explicabilă. Anterior, el a ocupat funcția de Ofițer șef de date la o bancă majoră australiană. Înainte de aceasta, el a lucrat în diverse roluri în domeniul bancar și al serviciilor financiare, după ce și-a început cariera ca consultant la McKinsey & Company.

Ne puteți explica cum sistemul de scorare a riscului bazat pe inteligență artificială al Carrington Labs diferă de metodele tradiționale de scorare a creditului?

Abordarea noastră de scorare a riscului diferă de metodele tradiționale de scorare a creditului în mai multe moduri:

Platforma noastră utilizează un set de date mult mai mare decât metodele anterioare. Scorurile de credit tradiționale se bazează pe tehnologie învechită și sunt bazate pe cantitatea mică de informații disponibile în fișa de credit a unui client, în principal istoricul plăților, care oferă doar o imagine limitată a unei persoane și nu oferă nicio perspectivă asupra multor oameni. Cu acordul clientului, preluăm datele tranzacțiilor bancare la nivel de linie și le utilizăm pentru a crea o imagine mult mai detaliată și mai bogată a unei persoane.

Apoi, utilizăm tehnici moderne de inteligență artificială și învățare automată pentru a transforma aceste volume mari de date într-o perspectivă clară asupra creditabilității unei persoane, calculând sute de variabile individuale și combinându-le într-o imagine cuprinzătoare generală. Scorurile rezultate sunt pe deplin explicabile și transparente pentru instituțiile de creditare care le utilizează, spre deosebire de scorurile de credit, care sunt cutii negre misterioase. Aceste scoruri sunt, de asemenea, personalizate pentru un anumit produs și segment de clienți al instituției de creditare, ceea ce le face mai relevante și, prin urmare, mai precise decât un scor de credit, care este un scor generic instruit pe o gamă largă de produse și clienți.

În cele din urmă, platforma noastră nu numai că poate evalua mai eficient riscul unui client decât un scor tradițional, dar poate utiliza, de asemenea, acest scor pentru a recomanda termeni de creditare optimați, cum ar fi limita și durata. Ca urmare a tuturor acestor factori, scorarea riscului Carrington Labs reprezintă o avansare semnificativă față de informațiile pe care le oferă metodele tradiționale instituțiilor de creditare.

Cum integrează inteligența dvs. artificială datele tranzacțiilor bancare deschise pentru a oferi o imagine mai completă a creditabilității unui solicitant? Și care sunt unele dintre principalii predictorii pe care modelele dvs. de inteligență artificială îi identifică atunci când evaluează riscul de credit?

Modelele noastre pot fi instruite pe diverse tipuri de date, dar datele tranzacțiilor bancare sunt de obicei la baza acestora. Utilizăm zeci de milioane de linii de date tranzacționale pentru a instrui modelul general și apoi utilizăm mii de tranzacții pentru fiecare client nou pe care modelul îl evaluează. Banca deschisă este, în general, cel mai bun mod de a colecta aceste date, deoarece oferă un format consistent, o securitate bună și timp de răspuns rapid. Putem colecta date și prin alte mijloace, dar banca deschisă este de obicei preferată.

De exemplu, putem analiza obiceiurile de retragere a numerarului pentru a vedea dacă cineva retrage frecvent sume mari, dacă utilizează întotdeauna același bancomat sau dacă retrage numerar de mai multe ori pe zi. Putem identifica activități de jocuri de noroc prin căutarea tranzacțiilor frecvente pe platforme de pariuri. Putem examina cu rapiditate cu care cineva cheltuie banii după ce îi primește sau dacă ajustează cheltuielile atunci când începe să aibă fonduri insuficiente. De asemenea, putem identifica modele financiare neașteptate care pot indica comportamente sau mentalități riscante, cum ar fi amenzi frecvente pentru viteza excesivă.

Modelele noastre sunt instruite pe aproximativ 50.000 de variabile posibile, cu circa 400 de variabile utilizate activ într-un model de risc tipic. Această abordare bazată pe date ajută instituțiile de creditare să ia decizii de creditare mai precise și să personalizeze împrumuturile pentru fiecare profil de risc unic al solicitantului. Este important de remarcat că datele pe care le identificăm și le analizăm sunt anonime, astfel că nu avem de-a face cu informații cu caracter personal (PII).

Cum asigură Carrington Labs că modelele sale de inteligență artificială sunt lipsite de prejudecăți de gen, etnice sau socio-economice în deciziile de creditare și care sunt pașii pe care i-ați luat pentru a reduce prejudecățile algoritmice în evaluările riscului de credit?

Modelele Carrington Labs sunt semnificativ mai puțin susceptibile de a fi părtinitoare decât abordările tradiționale datorită obiectivității lor (fără implicare umană) și a gamei largi de date pe care le utilizăm pentru a crea modele.

Aveam trei piloni pentru abordarea noastră anti-prejudecată: În primul rând, nu permitem niciodată date protejate (rasă, gen etc.) să intre în procesul de creare a modelului. Preferăm să nu primim aceste date (cu excepția cazului în care doriți să le utilizăm pentru testarea prejudecăților; vezi mai jos). În al doilea rând, modelele noastre sunt pe deplin explicabile, astfel că examinăm fiecare caracteristică utilizată în fiecare model pentru a identifica potențialele prejudecăți, variabile proxy sau alte probleme. Instituțiile de creditare au, de asemenea, acces la lista caracteristicilor și pot efectua propriile examinări. În al treilea rând, dacă instituția de creditare alege să ne furnizeze date protejate pentru testare (numai; păstrate departe de instruire), vom efectua teste statistice asupra rezultatelor modelului pentru a determina ratele de aprobare și limitele și pentru a asigura că variația între clase este clar determinată de factori explicabili și rezonabili.

Ca urmare, puterea predictivă mai mare a modelelor Carrington Labs și capacitatea de a regla limitele în funcție de risc fac mult mai ușor pentru instituțiile de creditare să aprobe mai mulți solicitanți cu limite mai mici și să crească ulterior limitele cu un comportament de rambursare bun, ceea ce permite o incluziune financiară mai largă.

Cum asigurați că evaluările de risc de credit bazate pe inteligență artificială sunt explicabile și transparente pentru instituțiile de creditare și reglementatori?

Deși utilizăm inteligență artificială în mai multe etape ale procesului de creare a modelului, modelele însele, logica utilizată pentru a calcula un scor de client, se bazează pe matematică și statistică previzibile și controlabile. O instituție de creditare sau un regulator poate examina fiecare caracteristică a modelului pentru a se asigura că sunt confortabili cu fiecare dintre ele, și putem furniza, de asemenea, o defalcare a scorului unui client și a mapării sale înapoi la un cod de acțiune nefavorabilă, dacă este dorit.

Cum ajută modelele dvs. de inteligență artificială la democratizarea creditării și la extinderea incluziunii financiare pentru populațiile subreprezentate?

Mulți oameni sunt mai credibili decât sugerează scorurile lor de credit tradiționale. Metodele de scorare a creditului legacy exclud milioane de oameni care nu se potrivesc cu modelele de credit tradiționale. Abordarea noastră bazată pe inteligență artificială ajută instituțiile de creditare să recunoască acești împrumutatori, extinzând astfel accesul la credit echitabil și responsabil fără a crește riscul.

Pentru a oferi un exemplu al cuiva care se încadrează într-o audiență subreprezentată, gândiți-vă la un imigrant care a venit recent într-o țară nouă. El ar putea fi financiar responsabil, harnic și industrios, dar ar putea să nu aibă o istorie de credit tradițională. Deoarece biroul de credit nu a auzit niciodată de el, el nu are capacitatea de a dovedi că acea persoană este creditabilă, ceea ce face ca instituțiile de creditare să fie reticente în a-i oferi oportunități de împrumut.

Punctele de date tranzacționale neconvenționale sunt cheia pentru a construi o evaluare precisă a scorurilor de risc de credit pentru persoane pe care birourile de credit nu le cunosc. Ei ar putea să nu aibă o istorie de credit tradițională sau să aibă o istorie de credit care ar putea părea riscantă pentru instituțiile de creditare fără contextul adecvat, dar avem capacitatea de a arăta instituțiilor de creditare că acești oameni sunt credibili și stabili, prin utilizarea unei cantități mai mari de date financiare. De fapt, platforma noastră este cu până la 250% mai precisă, pe baza unui set de date anonime, la identificarea împrumutătorilor cu risc scăzut și informații de credit limitate, decât scorurile de credit tradiționale, și acesta este ceea ce împuternicește instituțiile de creditare să-și extindă baza de împrumutători și, în cele din urmă, să crească aprobările de împrumut.

În plus, deoarece multe instituții de creditare au doar o aproximare a riscului individual al unui client, ele se luptă să ajusteze o ofertă pentru a reflecta circumstanțele individuale ale unui client, oferindu-le adesea mai mult decât pot suporta, împrumutându-le mai puțin decât au nevoie sau (cel mai frecvent) refuzându-le în totalitate. Capacitatea de a stabili limite de creditare precis are un efect deosebit de puternic asupra instituțiilor de creditare, permițându-le să aducă noi împrumutători în sistemul financiar, de unde pot crește capacitatea de împrumut prin comportament de rambursare bun, oferindu-le prima șansă de a demonstra că pot lucra responsabil cu datoria.

Care este rolul organismelor de reglementare în modelarea modului în care soluțiile de creditare bazate pe inteligență artificială sunt dezvoltate și implementate?

Reglementatorii sunt o parte esențială a integrării inteligenței artificiale în serviciile financiare și în economia mai largă. Limitele clare cu privire la unde și cum poate fi utilizată inteligența artificială vor permite o creștere mai rapidă și noi cazuri de utilizare, și suntem susținători ai diverselor procese în desfășurare pentru a crea răspundere juridică și de reglementare.

Ca principiu general, credem că instrumentele de inteligență artificială utilizate în creditare ar trebui să fie supuse acelorași tipuri de supraveghere și examinare ca și alte instrumente – ar trebui să poată demonstra că tratează clienții în mod corect și că fac sistemul bancar mai sigur, nu mai riscant. Soluția noastră poate demonstra clar ambele.

Ne puteți spune mai multe despre selectarea recentă a Carrington Labs în programul Mastercard (MA ) Start Path? Cum va accelera aceasta extinderea dvs. în SUA?

Suntem încântați să lucrăm cu Mastercard în cadrul planurilor noastre de extindere în SUA și la nivel global. Ei au o experiență fără egal în furnizarea de soluții financiare pentru bănci și alte instituții de creditare din întreaga lume și au fost deja extrem de utili în timp ce creștem implicarea noastră cu clienții potențiali din SUA. Ne așteptăm ca ambele părți să beneficieze, cu Mastercard oferind consultanță, introduceri și, posibil, elemente ale soluției noastre, în timp ce Carrington Labs oferă un serviciu de valoare ridicată clienților Mastercard.

Beforepay, marca dvs. cu orientare către consumatori, a emis peste 4 milioane de împrumuturi. Care sunt insight-urile pe care le-ați obținut din această experiență și cum au modelat ele modelele de inteligență artificială ale Carrington Labs?

Prin această experiență, am învățat cum să construim modele rapid și eficient, mulțumită accesului Beforepay la laboratorul de cercetare și dezvoltare și la volumele uriașe de date. Dacă avem o idee pentru un cadru de model, arhitectură, cod etc., putem încerca mai întâi la Beforepay. Scăderea drastică a ratei de default a Beforepay este, de asemenea, un studiu de caz excelent care arată cât de bine funcționează modelul.

A fost o experiență foarte motivantă, în general, deoarece angajații noștri au un interes major în companie. Utilizăm modelele Carrington Labs în fiecare zi pentru a oferi împrumuturi cu banii noștri, astfel că ne concentrăm mintea pentru a ne asigura că aceste modele funcționează!

 Cum vedeți evoluția inteligenței artificiale în domeniul creditării în următorul deceniu?

Industria creditării se va schimba masiv odată ce va trece complet la tipurile de modele de risc bazate pe date mari pe care Carrington Labs le utilizează în următorul deceniu. Și va face acest lucru – aceste modele sunt pur și simplu mult mai eficiente. Este ca rolul electricității în producție; este un factor de schimbare a jocului și toată lumea va face schimbarea sau va ieși.

Modelele bazate pe date mari pot fi construite manual (ceea ce făceam eu înainte, dar acest proces durează luni sau chiar ani, fiind foarte scump și incapabil să ofere cel mai bun rezultat) sau puteți automatiza construirea modelului. Cu inteligența artificială, puteți automatiza mult mai mult la o calitate mai ridicată, economisind timp și făcând lucruri care ar fi imposibile dacă ați construi manual, cum ar fi generarea a mii de caracteristici personalizate pentru un împrumutător de dimensiuni medii.

Cheia este de a ști cum să o faci corect – dacă aruncați pur și simplu o mulțime de lucruri la un LLM, veți obține o mare mizerie și veți depăși bugetul.

Mulțumim pentru interviul excelent, cititorilor care doresc să afle mai multe, le recomandăm să viziteze Carrington Labs.