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 как консультант в компании McKinsey & Company.

Можете ли вы объяснить, чем отличается система оценки риска Carrington Labs, основанная на искусственном интеллекте, от традиционных методов кредитного скоринга?

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

Наша платформа использует намного больший объем данных, чем предыдущие методы. Традиционные кредитные баллы полагаются на устаревшие технологии и основаны на небольшом объеме информации, доступной в кредитном файле клиента, в основном на истории платежей, которая дает только ограниченную картину отдельного человека и не дает никакого представления о многих людях. С согласия клиента мы берем данные о банковских транзакциях и используем их для создания гораздо более подробной и богатой картины отдельного человека.

Затем мы используем современные методы искусственного интеллекта и машинного обучения, чтобы превратить эти большие объемы 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, следовательно, точными, чем кредитный балл, который является общим баллом, обученным на широком спектре продуктов и клиентов.

Наконец, наша платформа не только может оценить риск клиента более эффективно, чем традиционный балл, но и может использовать этот балл для рекомендации оптимальных условий кредитования, таких как лимит и срок. В результате всех этих факторов система оценки риска Carrington Labs является значительным улучшением по сравнению с традиционными методами, которые дают кредиторам представление о ситуации.

Как ваш искусственный интеллект интегрирует данные о транзакциях открытого банкинга, чтобы предоставить более полную картину 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 банковских транзакциях обычно являются основой. Мы используем десятки миллионов строк транзакционных данных для обучения общей модели, а затем используем тысячи транзакций для каждого нового клиента, которого модель оценивает. Открытый банкинг обычно является лучшим способом сбора этих данных, поскольку он обеспечивает последовательный формат, хорошую безопасность и быстрые времена ответа. Мы можем собирать их другими способами, но открытый банкинг обычно предпочтительнее.

Например, мы можем проанализировать привычки вывода наличных, чтобы увидеть, часто ли кто-то выводит крупные суммы, всегда ли использует один и тот же банкомат или выводит наличные несколько раз в день. Мы можем выявить игровую активность, ища частые транзакции на платформах букмекерских контор. Мы можем посмотреть, как быстро кто-то тратит деньги после их получения, или меняет ли он свои расходы, если начинает не хватать денег. Мы также флагируем неожиданные финансовые закономерности, которые могут указывать на рискованные образы мысли или поведение, такие как частые штрафы за превышение скорости.

Наши модели обучены на около 50 000 возможных переменных, с примерно 400 активно используемых в типичной модели риска. Этот подход, основанный на данных, помогает кредиторам 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 лично идентифицируемой информацией (PII).

Как Carrington Labs обеспечивает, чтобы его модели искусственного интеллекта были свободны от гендерных, этнических или социально-экономических предубеждений в решениях о кредитовании, и какие шаги вы предприняли, чтобы смягчить алгоритмические предубеждения в ваших оценках кредитного риска?

Модели Carrington Labs значительно менее вероятно будут предвзятыми, чем традиционные подходы, благодаря их объективности (не участвует человеческое “чувство”) и широкому спектру данных, которые мы используем для создания моделей.

У нас есть три столпа в нашем подходе к предотвращению предубеждений: Первый, мы никогда не допускаем данные, относящиеся к защищенным классам (раса, пол и т. д.), к процессу создания модели. Мы предпочитаем, чтобы вы не давали нам эти данные (если только вы не хотите, чтобы мы использовали их для тестирования на предубеждения; см. ниже). Второй, наши модели полностью объяснимы, поэтому мы проверяем каждую функцию, используемую в каждой модели, на потенциальные предубеждения, прокси-переменные или другие проблемы. Кредиторы также имеют доступ к списку функций и могут проводить свои собственные проверки. Третий, если кредитор выбирает предоставить нам данные, относящиеся к защищенным классам, для тестирования (только; хранятся далеко от обучения), мы проведем статистические тесты на выходных данных модели, чтобы определить коэффициенты одобрения и лимиты и обеспечить, чтобы вариация по классам была явно обусловлена объяснимыми и разумными факторами.

В результате более высокая предсказательная сила моделей Carrington Labs и возможность точно настроить лимиты на основе риска делают намного проще для кредиторов одобрить больше заемщиков на меньшие лимиты и затем увеличить их со временем с хорошим поведением по погашению, что позволяет обеспечить более широкий финансовый доступ.

Как вы обеспечиваете, чтобы ваши оценки кредитного риска, основанные на искусственном интеллекте, были объяснимыми и прозрачными для кредиторов и регулирующих органов?

Хотя мы используем искусственный интеллект на различных этапах процесса создания модели, сами модели, логика, используемая для расчета балла клиента, основаны на предсказуемой и контролируемой математике и статистике. Кредитор или регулирующий орган может проверить каждую функцию в модели, чтобы убедиться, что они комфортно чувствуют себя с каждой из них, и мы также можем предоставить разбивку балла клиента и сопоставить его с кодом отрицательного действия, если это желательно.

Как ваши модели искусственного интеллекта помогают демократизировать кредитование и расширять финансовый доступ для недостаточно обслуживаемых слоев населения?

Многие люди более кредитоспособны, чем это указывают их традиционные кредитные баллы. Устаревшие методы кредитного скоринга исключают миллионы людей, которые не подходят под традиционные кредитные модели. Наш подход, основанный на искусственном интеллекте, помогает кредиторам распознавать этих заемщиков, расширяя доступ к справедливому и ответственным кредитам без увеличения риска.

Чтобы привести пример человека, который попадает в категорию недостаточно обслуживаемых слоев населения, подумайте об иммигранте, который только что переехал в новую страну. Он может быть финансово ответственным, трудолюбивым и трудолюбивым, но он также может не иметь традиционной кредитной истории. Поскольку кредитное бюро никогда не слышало о нем, он не имеет возможности доказать, что этот человек кредитоспособен, что, в свою очередь, делает кредиторов неохотными предлагать ему возможности кредитования.

Эти нестандартные данные о транзакциях являются ключом к созданию точной оценки кредитного риска для людей, с которыми кредитные бюро не знакомы. Они могут не иметь традиционной кредитной истории или иметь кредитную историю, которая может показаться рискованной для кредиторов без надлежащего контекста, но мы имеем возможность показать кредиторам, что эти люди кредитоспособны и стабильны, используя больший объем их финансовых данных. Фактически, наша платформа на 250% более точна, на основе анонимного набора данных, в выявлении заемщиков с низким риском и ограниченной кредитной информацией, чем традиционные кредитные баллы, и это то, что позволяет кредиторам расширять свою базу заемщиков и в конечном итоге увеличивать количество одобрений кредитов.

Кроме того, поскольку многие кредиторы имеют только приблизительное представление о риске отдельного клиента, они испытывают трудности в настройке предложения, чтобы отразить индивидуальные обстоятельства клиента, часто предлагая им больше, чем они могут позволить себе, кредитуя им меньше, чем им нужно, или (что наиболее часто) отказывая им совсем. Возможность точно устанавливать лимиты кредитования имеет особенно сильный эффект на то, чтобы позволить кредиторам привлекать новых заемщиков в финансовую систему, откуда они могут увеличить свою кредитную способность, демонстрируя хорошее поведение по погашению – давая им первый шанс показать, что они могут работать ответственно с долгом.

Какую роль играют регулирующие органы 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 можно использовать 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 в состоянии 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 Start Path?

Мы рады работать с Mastercard над нашими планами расширения на рынок США и глобальном уровне. У них есть беспрецедентный опыт в предоставлении финансовых решений банкам и другим кредиторам по всему миру, и они уже были非常 полезны, 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.

Ваши потребительские бренды Beforepay выдали более 4 миллионов кредитов. Какие выводы вы сделали из этого опыта, и как они сформировали модели искусственного интеллекта Carrington Labs?

Через этот опыт мы узнали, как быстро и эффективно строить модели, благодаря доступу Beforepay к их отличной лаборатории исследований и разработок и некоторым очень большим объемам данных. Если у нас есть идея модели, архитектуры, кода и т. д., мы можем попробовать ее сначала в Beforepay. Резкий спад коэффициента дефолтов Beforepay также является отличным примером того, насколько хорошо работает модель.

Это был очень мотивирующий опыт в целом, поскольку наши сотрудники имеют большой интерес в компании. Мы используем модели Carrington Labs каждый день, чтобы выдавать кредиты на свои собственные деньги, поэтому это заставляет нас сосредоточиться на том, чтобы эти модели работали!

Как вы видите эволюцию искусственного интеллекта в сфере кредитования в течение следующего десятилетия?

Кредитование изменится радикально, как только отрасль полностью перейдет на модели 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 сам делал раньше, 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, с более высоким качеством, экономя время и делая вещи, которые были бы невозможны, если бы вы строили модель вручную, такие как генерирование тысяч индивидуальных функций для кредитора среднего размера.

Ключевым моментом является понимание того, как это сделать правильно – если вы просто бросите кучу вещей в большую языковую модель, вы получите огромный беспорядок и потратите свой бюджет.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Carrington Labs.