Inteligjenca artificiale
Inteligjenca artificiale "e thjeshtë" mund të parashikojë vendimet e menaxherëve të bankave për hua me saktësi mbi 95%
Një projekt i ri kërkimor ka zbuluar se vendimet diskrecionale të marra nga menaxherët e bankave njerëzore mund të përsëriten nga sistemet e mësimit të makinerive me një saktësi prej më shumë se 95%.
Duke përdorur të njëjtat të dhëna të disponueshme për menaxherët e bankave në një grup të dhënash të privilegjuar, algoritmi me performancën më të mirë në test ishte një Pylli i rastësishëm zbatimi – një qasje mjaft e thjeshtë kjo është njëzet vjeç, por që gjithsesi ia kalonte një rrjeti nervor kur përpiqej të imitonte sjelljen e menaxherëve të bankave njerëzore që formulonin vendimet përfundimtare për kreditë.
Studiuesit, të cilët kishin akses në një grup të dhënash pronësore prej 37,449 vlerësimesh kredie për 4,414 klientë unikë në 'një bankë të madhe tregtare', sugjerojnë në pika të ndryshme të letrës paraprinte që analiza e automatizuar e të dhënave që menaxherëve u jepet për të marrë vendimin e tyre tani është bërë aq i saktë sa menaxherët e bankave rrallë devijojnë prej tij, duke nënkuptuar potencialisht se pjesa e menaxherëve të bankës në procesin e miratimit të kredisë konsiston kryesisht në mbajtjen e dikujt për të shkarkuar në rast të një mospagese të kredisë.
Në punim thuhet:
“Nga një këndvështrim praktik vlen të theksohet se rezultatet tona mund të tregojnë se banka mund të përpunojë kreditë më shpejt dhe më lirë në mungesë të menaxherëve të kredisë njerëzore me rezultate shumë të krahasueshme. Ndërsa menaxherët kryejnë natyrshëm një sërë detyrash, është e vështirë të argumentohet se ato janë thelbësore për këtë detyrë të veçantë dhe një algoritëm relativisht i thjeshtë mund të kryejë po aq mirë.
"Është gjithashtu e rëndësishme të theksohet se me të dhëna shtesë dhe fuqi llogaritëse, këto algoritme mund të përmirësohen edhe më tej."
La letër titullohet Menaxherët kundrejt makinerive: A e përsërisin algoritmet intuitën njerëzore në vlerësimet e kreditit?, dhe vjen nga Departamenti i Ekonomisë dhe Departamenti i Statistikave në UoC Irvine dhe Banka e Komunikimeve BBM në Brazil.
Sjellja robotike e njeriut në vlerësimet e vlerësimit të kredisë
Rezultatet nuk nënkuptojnë se sistemet e mësimit të makinerive janë domosdoshmërisht më të mira në marrjen e vendimeve për kreditë dhe vlerësimet e kreditit, por përkundrazi që edhe algoritmet që tani konsiderohen mjaft 'të nivelit të ulët' janë në gjendje të nxjerrin të njëjtat përfundime si njerëzit nga të njëjtat të dhëna.
Raporti i karakterizon në mënyrë implicite menaxherët e bankave si një lloj "firewall" i të cilit funksioni kryesor i mbetur është të rrisë pikët e rrezikut që sistemi statistikor dhe analitik i kartës së rezultateve u paraqet atyre (një praktikë e njohur në bankë si "notching").
"Me kalimin e kohës, duket se menaxherët po përdorin më pak diskrecion që mund të tregojë performancën e përmirësuar ose mbështetjen në mjetet algoritmike të tilla si kartela e rezultateve."
Studiuesit vunë në dukje gjithashtu:
“Rezultatet në këtë punim tregojnë se kjo detyrë e veçantë e ekzekutuar nga menaxherë bankash shumë të aftë në fakt mund të përsëritet lehtësisht nga algoritme relativisht të thjeshta. Performanca e këtyre algoritmeve mund të përmirësohet duke akorduar mirë për të llogaritur dallimet ndërmjet industrive dhe natyrisht mund të zgjerohet lehtësisht për të përfshirë qëllime shtesë si përfshirja e konsideratave të drejtësisë në praktikat e huadhënies ose për të promovuar qëllime të tjera sociale.'
Meqenëse të dhënat sugjerojnë se menaxherët e bankave e bëjnë këtë në një mënyrë pothuajse algoritmike dhe të parashikueshme, rregullimet e tyre nuk janë aq të vështira për t'u përsëritur. Procesi thjesht 'e dyta merr me mend' të dhënat origjinale të kartës së rezultateve dhe rregullon vlerësimin e rrezikut lart brenda kufijve të parashikueshëm.
Metoda dhe të dhënat
Synimi i deklaruar i projektit ishte të parashikonte se çfarë vendimesh do të merrnin menaxherët e bankave, bazuar në sistemin e vlerësimit dhe variabla të tjerë në dispozicion të tyre, në vend të zhvillimit të sistemeve alternative novatore të dizajnuara për të zëvendësuar kornizat aktuale të procedurës së aplikimit për kredi.
Metodat e mësimit të makinerive të testuara për projektin ishin Multinomial Logistic LASSO (MNL-LASSO), rrjetet nervore, dhe dy zbatime të Pemët e klasifikimit dhe regresionit (KORSH): Pylli i rastësishëm dhe Rritja e gradientit.
Projekti mori në konsideratë si të dhënat e kartës së rezultateve për një detyrë të vlerësimit të kredisë në botën reale, ashtu edhe rezultatin e saj, siç njihet në të dhëna. Vlerësimi i kartës së rezultateve është një nga praktikat më të vjetra algoritmike, ku variablat kyç për kredinë e propozuar llogariten në një matricë rreziku, shpesh me mjete të thjeshta sa regresioni logjistik.
Rezultatet
MNL-LASSO performoi më dobët në mesin e algoritmeve të testuara, duke klasifikuar me sukses vetëm 53% të huave, krahasuar me menaxherin e jetës reale në rastet e vlerësuara.
Tre metodat e tjera (me CART që përfshin pyllin e rastësishëm dhe rritjen e gradientit) të gjitha shënuan të paktën 90% për sa i përket saktësisë dhe gabimit të katrorit mesatar (RMSE).
Sidoqoftë, zbatimi i CART nga Random Forest shënoi një rezultat mbresëlënës afër-96%, i ndjekur nga afër nga Gradient Boosting.
Çuditërisht, studiuesit zbuluan se rrjeti i tyre nervor i implementuar shënoi vetëm 93%, me një hendek më të gjerë RMSE, duke prodhuar vlera rreziku disa nivele larg nga vlerësimet e prodhuara nga njeriu.
Autorët vërejnë:
'[Këto] rezultate nuk tregojnë se njëra metodë është më e mirë se tjetra për sa i përket metrikës së jashtme të saktësisë, siç është probabiliteti objektiv i parazgjedhjes. Është shumë e mundur që Rrjeti Neural për shembull të jetë më i miri për atë detyrë klasifikimi.
"Këtu objektivi është vetëm të përsëritet zgjedhja e menaxherit njerëzor dhe për këtë detyrë Pylli i rastësishëm duket se i tejkalon të gjitha metodat e tjera në metrikat e hetuara."
5% që sistemi nuk mund të riprodhonte llogaritet, sipas studiuesve, nga heterogjeniteti i industrive të mbuluara. Autorët vërejnë se 5% e menaxherëve përbëjnë pothuajse të gjitha këto divergjenca dhe besojnë se sisteme më të përpunuara përfundimisht mund të mbulojnë raste të tilla përdorimi dhe të mbyllin mungesën.
Përgjegjësia është e vështirë të automatizohet
Nëse vërtetohet në projektet e mëvonshme të lidhura, hulumtimi sugjeron se roli i 'menaxherit të bankës' mund t'i shtohet një kuadri në rritje të pozicioneve dikur të fuqishme të autoritetit dhe aftësisë dalluese që po reduktohen në statusin e 'mbrojtësit' ndërkohë që saktësia e sistemeve të krahasueshme makinerish testohet për një kohë të gjatë; dhe minon pozicioni i mbajtur zakonisht se disa detyra kritike nuk mund të automatizohen.
Megjithatë, lajmi i mirë për menaxherët e bankave duket të jetë se, nga pikëpamja politike, nevoja për llogaridhënie njerëzore në proceset kritike shoqërore, si vlerësimi i vlerësimit të kredisë, ka të ngjarë të ruajë rolet e tyre aktuale – edhe nëse veprimet e roleve duhet të bëhen plotësisht të riprodhueshme nga sistemet e mësimit të makinerive.
Botuar për herë të parë më 18 shkurt 2022.