Джейми Твисс, генеральный директор Carrington Labs – Серия интервью

Джейми Твисс – опытный банкир и ученый в области данных, работающий на пересечении науки о данных, искусственного интеллекта и потребительского кредитования. В настоящее время он занимает должность генерального директора Carrington Labs, ведущего поставщика объяснимых решений для оценки кредитного риска и кредитования на основе искусственного интеллекта. Ранее он занимал должность главного офицера по данным в одном из крупных австралийских банков. До этого он работал на различных должностях в банковском и финансовом секторе, начав свою карьеру в качестве консультанта в компании McKinsey & Company.

Можете ли вы объяснить, как система оценки риска Carrington Labs, работающая на основе искусственного интеллекта, отличается от традиционных методов оценки кредитного риска?

Подход Carrington Labs к оценке риска отличается от традиционных методов оценки кредитного риска несколькими способами:

Наша платформа использует намного больший объем данных, чем предыдущие методы. Традиционные кредитные баллы полагаются на устаревшую технологию и основаны на небольшом объеме информации, доступной в кредитной истории клиента, в основном на истории платежей, которая дает только ограниченную картину отдельного человека и не учитывает многих людей. С согласия клиента мы берем данные о транзакциях банка и используем их для создания более подробной и богатой картины отдельного человека.

Затем мы используем современные методы искусственного интеллекта и машинного обучения для преобразования этих больших объемов данных в четкое представление о кредитоспособности отдельного человека, рассчитывая сотни индивидуальных переменных и объединяя их в комплексную общую картину. Результатом являются полностью объяснимые и прозрачные для кредитора баллы, в отличие от кредитных баллов, которые являются загадочными черными ящиками. Эти баллы также адаптированы к конкретному продукту и сегменту клиентов кредитора, что делает их более актуальными и точными, чем кредитные баллы, которые являются общими баллами, рассчитанными на основе широкого спектра продуктов и клиентов.

Наконец, наша платформа не только может оценить риск клиента более эффективно, чем традиционный балл, но также может использовать этот балл для рекомендации оптимальных условий кредитования, таких как лимит и срок. В результате всех этих факторов оценка риска Carrington Labs представляет собой значительный прогресс по сравнению с традиционными методами, предоставляющими кредитодателям более точную информацию.

Как ваш искусственный интеллект интегрирует данные о транзакциях в рамках открытого банкинга для предоставления более полной картины кредитоспособности заемщика? И какие ключевые предикторы выявляют ваши модели искусственного интеллекта при оценке кредитного риска?

Наши модели могут быть обучены на различных типах данных, но данные о транзакциях банка обычно являются основой. Мы используем десятки миллионов строк данных о транзакциях для обучения общей модели, а затем используем тысячи транзакций для каждого нового клиента, которого оценивает модель. Открытый банкинг обычно является лучшим способом сбора этих данных, поскольку он обеспечивает последовательный формат, хорошую безопасность и быстрое время ответа. Мы можем собирать эти данные другими способами, но открытый банкинг обычно предпочтителен.

Например, мы можем анализировать привычки клиентов к выводу наличных, чтобы увидеть, часто ли они выводят большие суммы, всегда ли используют один и тот же банкомат или выводят наличные несколько раз в день. Мы можем выявлять игровую активность, анализируя частые транзакции на платформах букмекерских контор. Мы можем анализировать, как быстро клиент тратит деньги после их получения, или меняет ли он свои расходы, если начинает испытывать финансовые трудности. Мы также флагируем неожиданные финансовые закономерности, которые могут указывать на рискованное поведение или образ мышления, например, частые штрафы за превышение скорости.

Наши модели обучены на около 50 000 возможных переменных, из которых примерно 400 активно используются в типичной модели риска. Этот подход, основанный на данных, помогает кредитодателям принимать более точные решения о кредитовании и адаптировать кредиты к уникальному профилю риска каждого заемщика. Важно отметить, что данные, которые мы выявляем и анализируем, являются анонимными, поэтому мы не имеем дело с личной идентифицирующей информацией (PII).

Как Carrington Labs обеспечивает, чтобы ее модели искусственного интеллекта были свободны от предвзятости по гендеру, этнической принадлежности или социально-экономическому статусу при принятии решений о кредитовании, и какие шаги вы предприняли для смягчения алгоритмической предвзятости в ваших оценках кредитного риска?

Модели Carrington Labs значительно менее подвержены предвзятости по сравнению с традиционными подходами благодаря их объективности (не участвует “человеческое чутье”) и широкому спектру данных, которые мы используем для создания моделей.

У нас есть три столпа в нашем подходе к предотвращению предвзятости: Первый, мы никогда не допускаем, чтобы защищенная информация (раса, пол и т. д.) попадала в процесс создания модели. Мы предпочитаем, чтобы вы не предоставляли нам эту информацию (если только вы не хотите, чтобы мы использовали ее для тестирования на предвзятость; см. ниже). Второй, наши модели полностью объяснимы, поэтому мы проверяем каждую функцию, используемую в каждой модели, на потенциальную предвзятость, прокси-переменные или другие проблемы. Кредитодатели также имеют доступ к списку функций и могут проводить свои собственные проверки. Третий, если кредитор выбирает предоставить нам защищенную информацию для тестирования (только; хранится далеко от обучения), мы проведем статистические тесты на выходных данных модели, чтобы определить коэффициенты одобрения и лимиты, и обеспечить, чтобы вариация по классам была четко обусловлена объяснимыми и разумными факторами.

В результате более высокой предсказательной силы моделей Carrington Labs и возможности точно настроить лимиты на основе риска становится намного проще для кредитодателей одобрять больше заемщиков на меньшие лимиты, а затем увеличивать эти лимиты со временем при хорошем поведении по погашению, что позволяет расширить финансовое включение.

Как вы обеспечиваете, чтобы ваши оценки кредитного риска на основе искусственного интеллекта были объяснимыми и прозрачными для кредитодателей и регулирующих органов?

Хотя мы используем искусственный интеллект на различных этапах процесса создания модели, сами модели, логика, используемая для расчета балла клиента, основаны на предсказуемых и контролируемых математических и статистических методах. Кредитор или регулирующий орган может проверить каждую функцию в модели, чтобы убедиться, что они комфортно с каждой из них, и мы также можем предоставить разбивку балла клиента и сопоставить его с кодом недействий, если желательно.

Как ваши модели искусственного интеллекта помогают демократизировать кредитование и расширять финансовое включение для недооцененных групп населения?

Многие люди более кредитоспособны, чем их традиционные кредитные баллы предполагают. Традиционные методы оценки кредитного риска исключают миллионы людей, которые не подходят под традиционные кредитные модели. Наш подход на основе искусственного интеллекта помогает кредитодателям распознавать этих заемщиков, расширяя доступ к справедливому и ответальному кредитованию без увеличения риска.

Чтобы дать один пример человека, который попадает в недооцененную группу, подумайте об иммигранте, который недавно переехал в новую страну. Он может быть финансово ответственным, трудолюбивым и предпринимательским, но он также может не иметь традиционной кредитной истории. Поскольку кредитное бюро никогда не слышало о нем, он не может доказать, что является кредитоспособным, что, в свою очередь, делает кредитодателей неохотными предлагать ему кредитные возможности.

Не традиционные данные о транзакциях являются ключом к построению точной оценки кредитного риска для людей, которых кредитные бюро не знают. Они могут не иметь традиционной кредитной истории или иметь кредитную историю, которая может показаться рискованной для кредитодателей без надлежащего контекста, но мы имеем возможность показать кредитодателям, что эти люди являются кредитоспособными и стабильными, используя больший объем их финансовых данных. Фактически, наша платформа на 250% более точна в выявлении низкорисковых заемщиков с ограниченной кредитной информацией, чем традиционные кредитные баллы, и это позволяет кредитодателям расширить свою базу заемщиков и в конечном итоге увеличить количество одобренных кредитов.

Кроме того, поскольку многие кредитодатели имеют только приблизительное представление о риске отдельного клиента, они борются с точной настройкой предложения, чтобы отразить индивидуальные обстоятельства клиента, часто предлагая им больше, чем они могут позволить себе, предоставляя меньше, чем им нужно, или (что чаще всего) отказывая им совсем. Возможность точно устанавливать лимиты кредитования имеет особенно сильный эффект на возможность кредитодателей привлечь новых заемщиков в финансовую систему, где они могут увеличить свою кредитную емкость, демонстрируя хорошее поведение по погашению – давая им первый шанс показать, что они могут работать ответственно с долгом.

Какую роль регулирующие органы играют в формировании того, как разрабатываются и развертываются решения для кредитования на основе искусственного интеллекта?

Регуляторы являются важной частью внедрения искусственного интеллекта в финансовые услуги и в более широкой экономике. Ясные границы того, где и как может быть использован искусственный интеллект, позволят обеспечить более быстрый рост и новые случаи использования, и мы поддерживаем различные процессы, направленные на создание юридической и регулирующей ответственности.

Как общий принцип, мы считаем, что инструменты искусственного интеллекта, используемые в кредитовании, должны подвергаться тому же типу надзора и проверки, что и другие инструменты – они должны быть способны продемонстрировать, что они обращаются с клиентами справедливо, и что они делают банковскую систему более безопасной, а не более рискованной. Наше решение может четко продемонстрировать оба этих аспекта.

Можете ли вы рассказать нам больше о недавнем выборе Carrington Labs в программу Mastercard (MA ) Start Path? Как это ускорит вашу экспансию в США?

Мы рады работать с Mastercard над нашими планами расширения в США и на toàn мире. У них есть непревзойденный опыт в предоставлении финансовых решений банкам и другим кредитодателям по всему миру, и они уже оказали нам большую помощь, когда мы увеличиваем нашу вовлеченность с потенциальными клиентами в США. Мы ожидаем, что обе стороны выиграют, поскольку Mastercard предлагает советы, знакомства и, возможно, элементы нашего решения, а Carrington Labs предоставляет высокоценную услугу клиентам Mastercard.

Beforepay, ваша потребительская марка, выдала более 4 миллионов кредитов. Какие выводы вы сделали из этого опыта, и как они сформировали модели искусственного интеллекта Carrington Labs?

Через этот опыт мы научились строить модели быстро и эффективно благодаря доступу к отличной лаборатории исследований и разработок Beforepay и огромным объемам данных. Если у нас есть идея модели, архитектуры, кода и т. д., мы можем попробовать ее сначала в Beforepay. Значительное снижение уровня дефолтов Beforepay также является отличным примером того, как хорошо работает модель.

Это был очень мотивирующий опыт в целом, поскольку наши сотрудники имеют значительную долю в компании. Мы используем модели Carrington Labs каждый день для кредитования наших собственных денег, поэтому это сосредотачивает ум на том, чтобы эти модели работали!

 Как вы видите эволюцию искусственного интеллекта в кредитовании в течение следующего десятилетия?

Кредитование будет изменено радикально, когда отрасль полностью перейдет на модели оценки риска, основанные на больших данных, которые использует Carrington Labs, в течение следующего десятилетия. И это произойдет – эти модели просто намного более эффективны. Это похоже на роль электричества в производстве; это играет решающую роль, и все либо сделают этот переход, либо покинут отрасль.

Модели, основанные на больших данных, могут быть построены вручную (что я раньше делал сам, но этот процесс занимает месяцы или даже годы, а также является чрезвычайно дорогим и не может обеспечить лучший результат). Или вы можете автоматизировать построение модели. С помощью искусственного интеллекта вы можете автоматизировать гораздо больше этого процесса на более высоком качестве, а также экономить время и делать вещи, которые были бы невозможны, если бы вы строили модель вручную, например, генерировать тысячи пользовательских функций для среднего кредитодателя.

Ключом является знание того, как это сделать правильно – если вы просто бросаете кучу вещей в большую языковую модель, вы получите огромный беспорядок и исчерпаете свой бюджет.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Carrington Labs.