เจมี่ ทวิสส์ ซีอีโอของ Carrington Labs – ซีรีส์สัมภาษณ์

เจมี่ ทวิสส์ เป็นนักธนาคารที่มีประสบการณ์และเป็นนักวิทยาศาสตร์ข้อมูลที่ทำงานที่จุดตัดระหว่างวิทยาศาสตร์ข้อมูล อินเทลลิเจนต์เทียม และการให้กู้ยืมผู้บริโภค เขาเป็นซีอีโอของ Carrington Labs ซึ่งเป็นผู้ให้บริการชั้นนำด้านการให้คะแนนความเสี่ยงเครดิตและโซลูชันการให้กู้ยืมที่มี AI ที่อธิบายได้ ก่อนหน้านี้เขาเคยเป็น Chief Data Officer ของธนาคารขนาดใหญ่ในออสเตรเลีย และเคยทำงานในหลายบทบาททั่วทั้งธนาคารและบริการทางการเงินหลังจากเริ่มต้นอาชีพของเขาในฐานะที่ปรึกษากับ McKinsey & Company

คุณสามารถอธิบายได้อย่างไรว่าระบบการให้คะแนนความเสี่ยงของ Carrington Labs ที่มี AI แตกต่างจากวิธีการให้คะแนนเครดิตแบบดั้งเดิม?

แนวทางของ Carrington Labs ในการให้คะแนนความเสี่ยงแตกต่างจากวิธีการให้คะแนนเครดิตแบบดั้งเดิมในหลายด้าน

แพลตฟอร์มของเรามีเซตข้อมูลที่ใหญ่กว่ามากเมื่อเทียบกับวิธีการก่อนหน้านี้ วิธีการให้คะแนนเครดิตแบบดั้งเดิมพึ่งพาเทคโนโลยีที่ล้าสมัยและขึ้นอยู่กับข้อมูลที่มีอยู่ในประวัติเครดิตของลูกค้า ซึ่งมีเพียงประวัติการชำระเงินเท่านั้น และไม่มีมุมมองใดๆ เกี่ยวกับบุคคลหลายคน ด้วยความยินยอมของลูกค้า เราจะใช้ข้อมูลการทำธุรกรรมธนาคารและใช้มันเพื่อสร้างภาพที่มีรายละเอียดและสมบูรณ์ยิ่งขึ้นเกี่ยวกับบุคคล

จากนั้นเราจะใช้เทคนิค AI และการเรียนรู้ของเครื่องแบบสมัยใหม่เพื่อแปลงข้อมูลขนาดใหญ่เหล่านี้ให้เป็นมุมมองที่ชัดเจนเกี่ยวกับความน่าเชื่อถือทางเครดิตของบุคคล โดยคำนวณตัวแปรรายบุคคลหลายร้อยรายการและรวมเข้าด้วยกันเพื่อให้ได้มุมมองที่ครอบคลุมโดยรวม คะแนนที่ได้รับนั้นสามารถอธิบายได้อย่างชัดเจนและโปร่งใสสำหรับผู้ให้กู้ที่ใช้ them ไม่เหมือนกับคะแนนเครดิตที่เป็นกล่องดำที่ไม่สามารถอธิบายได้ คะแนนที่ได้รับนั้นยังปรับให้เหมาะสมกับผลิตภัณฑ์และกลุ่มลูกค้าเฉพาะของธนาคาร ทำให้ them มีความเกี่ยวข้องและแม่นยำมากกว่าคะแนนเครดิตที่เป็นคะแนนแบบทั่วไปซึ่งถูกฝึกฝนข้ามผลิตภัณฑ์และลูกค้าหลายราย

สุดท้าย แพลตฟอร์มของเราสามารถประเมินความเสี่ยงของลูกค้าได้อย่างมีประสิทธิภาพมากกว่าคะแนนเครดิตแบบดั้งเดิม และสามารถใช้คะแนนที่ได้รับเพื่อแนะนำเงื่อนไขการให้กู้ยืมที่เหมาะสม เช่น ขีดจำกัดและระยะเวลาที่เหมาะสม ด้วยปัจจัยเหล่านี้ ระบบการให้คะแนนความเสี่ยงของ Carrington Labs จึงเป็นการพัฒนาที่สำคัญจากมุมมองที่วิธีการดั้งเดิมให้ไว้

คุณสามารถอธิบายได้อย่างไรว่า AI ของคุณรวมข้อมูลการทำธุรกรรมธนาคารแบบเปิดเพื่อให้ได้มุมมองที่สมบูรณ์ยิ่งขึ้นเกี่ยวกับความน่าเชื่อถือทางเครดิตของลูกค้า? และคุณสามารถบอกได้อย่างไรว่า AI ของคุณระบุตัวชี้วัดที่สำคัญใดๆ เมื่อประเมินความเสี่ยง?

โมเดลของเราสามารถฝึกฝนได้จากหลายประเภทของข้อมูล แต่ข้อมูลการทำธุรกรรมธนาคารมักเป็นแกนกลางของโมเดล เราใช้ข้อมูลการทำธุรกรรมหลายสิบล้านรายการเพื่อฝึกฝนโมเดลโดยรวม และใช้หลายพันรายการสำหรับลูกค้าใหม่ๆ ที่โมเดลประเมิน Open Banking เป็นวิธีที่ดีที่สุดในการรวบรวมข้อมูลนี้ เนื่องจากมีรูปแบบที่สอดคล้องกัน มีความปลอดภัยที่ดี และมีเวลาตอบสนองที่รวดเร็ว

ตัวอย่างเช่น เราสามารถวิเคราะห์ข้อมูลการถอนเงินสดเพื่อดูว่าใครบางคนถอนเงินสดจำนวนมากบ่อยๆ หรือไม่ ถ้าพวกเขามักจะใช้ ATM เดียวกันหรือไม่ หรือถ้าพวกเขาทำการถอนเงินหลายครั้งต่อวัน เราสามารถระบุการพนันโดยการค้นหาการทำธุรกรรมบ่อยๆ บนแพลตฟอร์มการพนัน เราสามารถดูว่าใครบางคนใช้เงินอย่างรวดเร็วหลังจากได้รับเงินหรือไม่ หรือไม่ว่าพวกเขาจะปรับเปลี่ยนการใช้จ่ายหากพวกเขาเริ่มมีเงินน้อยลง เรายังสามารถระบุรูปแบบการเงินที่ไม่คาดคิดซึ่งอาจบ่งบอกถึงพฤติกรรมที่เสี่ยงหรือไม่ เช่น การได้รับใบสั่งปรับหลายครั้ง

โมเดลของเราฝึกฝนจากตัวแปรที่เป็นไปได้ประมาณ 50,000 ตัว โดยมีประมาณ 400 ตัวที่ใช้งานอยู่ในโมเดลการให้คะแนนความเสี่ยงโดยทั่วไป วิธีการที่ขึ้นอยู่กับข้อมูลนี้ช่วยให้ผู้ให้กู้สามารถตัดสินใจการให้กู้ยืมที่แม่นยำยิ่งขึ้นและปรับให้เหมาะสมกับโปรไฟล์ความเสี่ยงของลูกค้าแต่ละราย นอกจากนี้ยังสำคัญที่จะทราบว่าข้อมูลที่เราระบุและวิเคราะห์เป็นข้อมูลที่ไม่มีการระบุชื่อ ดังนั้นเราจึงไม่เกี่ยวข้องกับข้อมูลส่วนบุคคล (PII)

คุณสามารถอธิบายได้อย่างไรว่า Carrington Labs รับประกันว่าโมเดล AI ของคุณไม่มีอคติทางเพศ ชาติพันธุ์ หรือสังคมเศรษฐกิจในการตัดสินใจการให้กู้ยืม? และคุณได้ดำเนินการใดๆ เพื่อลดอคติอัลกอริทึมในกระบวนการประเมินความเสี่ยง?

โมเดลของ Carrington Labs มีโอกาสน้อยที่จะถูกขัดขวางมากกว่าวิธีการแบบดั้งเดิมเนื่องจากความเป็นกลาง (ไม่มีการตัดสินใจโดยใช้ “ความรู้สึก” ของมนุษย์) และข้อมูลที่หลากหลายที่เราใช้ในการสร้างโมเดล

เรามีสามเสาหลักในการต่อต้านอคติ: ประการแรก เราไม่เคยให้ข้อมูลที่ได้รับการคุ้มครอง (เช่น เชื้อชาติ เพศ) เข้าใกล้กระบวนการสร้างโมเดลเลย เราแนะนำให้คุณไม่ให้ข้อมูลนั้นแก่เรา (除非คุณต้องการให้เราใช้มันเพื่อทดสอบอคติ ดูรายละเอียดด้านล่าง) ประการที่สอง โมเดลของเราสามารถอธิบายได้อย่างสมบูรณ์ ดังนั้นเราจึงตรวจสอบคุณลักษณะทุกอย่างที่ใช้ในแต่ละโมเดลเพื่อหาอคติ ตัวแปรแทน และปัญหาอื่นๆ ผู้ให้กู้ยังสามารถเข้าถึงรายชื่อคุณลักษณะและดำเนินการตรวจสอบของตนเองได้ ประการที่สาม หากผู้ให้กู้เลือกที่จะให้ข้อมูลที่ได้รับการคุ้มครองแก่เราเพื่อทดสอบ (เท่านั้น และเก็บไว้ห่างจากข้อมูลฝึกอบรม) เราจะดำเนินการทดสอบทางสถิติเกี่ยวกับผลลัพธ์ของโมเดลเพื่อกำหนดอัตราการอนุมัติและขีดจำกัด และรับรองว่าการเปลี่ยนแปลงระหว่างชั้นเรียนถูกขับเคลื่อนด้วยปัจจัยที่อธิบายได้และสมเหตุสมผล

ด้วยเหตุนี้ โมเดลของ Carrington Labs จึงมีพลังในการทำนายที่สูงกว่า และสามารถปรับให้เหมาะสมกับผลิตภัณฑ์และกลุ่มลูกค้าเฉพาะของผู้ให้กู้ได้ ทำให้ them มีความเกี่ยวข้องและแม่นยำมากกว่าคะแนนเครดิตที่เป็นคะแนนแบบทั่วไปซึ่งถูกฝึกฝนข้ามผลิตภัณฑ์และลูกค้าหลายราย

คุณสามารถอธิบายได้อย่างไรว่า Carrington Labs รับประกันว่าการประเมินความเสี่ยงด้านเครดิตที่ขับเคลื่อนด้วย AI ของคุณสามารถอธิบายและโปร่งใสต่อผู้ให้กู้และหน่วยงานกำกับดูแล?

แม้ว่าเราจะใช้ AI ในหลายขั้นตอนของกระบวนการสร้างโมเดล แต่โมเดลตัวมันเอง ซึ่งเป็นตรรกะที่ใช้ในการคำนวณคะแนนลูกค้า มีฐานะเป็นคณิตศาสตร์และสถิติที่คาดการณ์ได้และควบคุมได้ ผู้ให้กู้หรือหน่วยงานกำกับดูแลสามารถตรวจสอบคุณลักษณะทุกอย่างในโมเดลเพื่อให้แน่ใจว่าพวกเขาสบายใจกับแต่ละรายการ และเรายังสามารถให้การแบ่งคะแนนลูกค้าและเชื่อมโยงมันกลับไปยังรหัสการกระทำที่ไม่ดีหากต้องการ

คุณสามารถอธิบายได้อย่างไรว่าโมเดล AI ของคุณช่วยในการเพิ่มการเข้าถึงการให้กู้ยืมและการรวมกลุ่มทางการเงินสำหรับกลุ่มคนที่ไม่ได้รับการบริการ?

หลายคนมีความน่าเชื่อถือมากกว่าที่คะแนนเครดิตแบบดั้งเดิมของพวกเขาบ่งบอก มีวิธีการให้คะแนนเครดิตแบบดั้งเดิมที่ยกเว้นคนหลายล้านคนที่ไม่เข้ากับโมเดลเครดิตแบบดั้งเดิม วิธีการที่ขับเคลื่อนด้วย AI ของเราช่วยให้ผู้ให้กู้สามารถรับรู้ผู้กู้ยืมเหล่านี้ได้ และขยายการเข้าถึงเครดิตที่ยุติธรรมและรับผิดชอบโดยไม่เพิ่มความเสี่ยง

เพื่อให้เห็นภาพของบุคคลที่อยู่ในกลุ่มคนที่ไม่ได้รับการบริการ ลองนึกถึงผู้อพยพที่เพิ่งย้ายเข้าประเทศใหม่ เขาอาจเป็นคนรับผิดชอบ มีจิตวิญญาณที่ดี และมีจิตวิญญาณที่ดี แต่เขาอาจไม่มีประวัติเครดิตแบบดั้งเดิม หรือเขาอาจมีประวัติเครดิตที่ดูเสี่ยงต่อผู้ให้กู้หากไม่มีการให้ข้อมูลที่เหมาะสม

จุดข้อมูลการทำธุรกรรมที่ไม่แบบดั้งเดิมเหล่านี้เป็นกุญแจสำคัญในการสร้างการประเมินความเสี่ยงเครดิตที่แม่นยำสำหรับคนๆ ที่สำนักงานเครดิตไม่คุ้นเคย พวกเขาอาจไม่มีประวัติเครดิตแบบดั้งเดิม หรือพวกเขาอาจมีประวัติเครดิตที่ดูเสี่ยงต่อผู้ให้กู้หากไม่มีการให้ข้อมูลที่เหมาะสม แต่เรามีความสามารถในการแสดงให้ผู้ให้กู้เห็นว่าคนๆ เหล่านี้มีความน่าเชื่อถือและเสถียรโดยใช้ข้อมูลทางการเงินของพวกเขามากขึ้น ในความเป็นจริง แพลตฟอร์มของเรามีความแม่นยำสูงถึง 250% ในการระบุผู้กู้ยืมที่มีความเสี่ยงต่ำที่มีข้อมูลเครดิตที่จำกัดมากกว่าคะแนนเครดิตแบบดั้งเดิม และสิ่งนี้ทำให้ผู้ให้กู้สามารถขยายฐานผู้กู้ยืมและเพิ่มการอนุมัติการกู้ยืมได้

คุณสามารถอธิบายได้อย่างไรว่าหน่วยงานกำกับดูแลมีบทบาทในการกำหนดวิธีการพัฒนาและใช้โซลูชันการให้กู้ยืมที่ขับเคลื่อนด้วย AI?

หน่วยงานกำกับดูแลเป็นส่วนสำคัญในการฝัง AI ในบริการทางการเงินและในเศรษฐกิจในวงกว้าง ขอบเขตที่ชัดเจนในการใช้ AI จะช่วยให้การเติบโตและกรณีการใช้งานใหม่ๆ เพิ่มขึ้น และเราสนับสนุนกระบวนการที่กำลังดำเนินอยู่เพื่อสร้างความรับผิดชอบทางกฎหมายและกำกับดูแล

โดยทั่วไป เราเชื่อว่าเครื่องมือ AI ที่ใช้ในการให้กู้ยืมควรได้รับการกำกับดูแลและตรวจสอบในลักษณะเดียวกันกับเครื่องมืออื่นๆ พวกเขาควรจะสามารถแสดงให้เห็นว่าพวกเขากำลังปฏิบัติต่อลูกค้าอย่างยุติธรรม และพวกเขากำลังทำให้ระบบธนาคารมีความปลอดภัยมากขึ้น ไม่ใช่เสี่ยง เราเชื่อว่าโซลูชันของเราสามารถแสดงให้เห็นได้ทั้งสองอย่าง

คุณสามารถบอกเราเพิ่มเติมเกี่ยวกับการเลือก Carrington Labs เข้าร่วมโปรแกรม Mastercard (MA ) Start Path ได้อย่างไร? และจะเร่งการขยายตัวในสหรัฐอเมริกาของคุณได้อย่างไร?

เรารู้สึกยินดีที่ได้ร่วมงานกับ Mastercard ในแผนการขยายตัวในสหรัฐอเมริกาและทั่วโลก พวกเขามีประสบการณ์ที่ไม่มีใครเทียบได้ในการจัดหาโซลูชันทางการเงินให้กับธนาคารและผู้ให้กู้ยืมทั่วโลก และพวกเขาได้ให้คำแนะนำที่มีคุณค่าอย่างมากแล้วเมื่อเราขยายการมีส่วนร่วมกับลูกค้าในสหรัฐอเมริกา เราคาดหวังว่าทั้งสองฝ่ายจะได้รับประโยชน์ โดยที่ Mastercard จะให้คำแนะนำ การแนะนำ และอาจรวมถึงองค์ประกอบของโซลูชันของเรา ในขณะที่ Carrington Labs จะให้บริการที่มีคุณค่าสูงแก่ลูกค้าของ Mastercard

Beforepay ซึ่งเป็นแบรนด์ที่เน้นผู้บริโภคของคุณ ได้ออกกู้ยืมมากกว่า 4 ล้านครั้ง คุณได้รับข้อมูลเชิงลึกอะไรจากประสบการณ์นี้ และมันช่วย塑造โมเดล AI ของ Carrington Labs อย่างไร?

จากประสบการณ์นี้ เราได้เรียนรู้วิธีการสร้างโมเดลอย่างรวดเร็วและมีประสิทธิภาพ โดยอาศัยการเข้าถึง R&D ของ Beforepay และปริมาณข้อมูลขนาดใหญ่ หากเรามีแนวคิดเกี่ยวกับโครงสร้างโมเดล โค้ด ฯลฯ เราสามารถทดสอบได้ใน Beforepay ก่อน การลดลงอย่างรวดเร็วของอัตราการผิดนัดชำระของ Beforepay ยังเป็นกรณีศึกษาที่ดีในการแสดงให้เห็นว่าโมเดลทำงานได้ดี

นอกจากนี้ยังเป็นประสบการณ์ที่สร้างแรงบันดาลใจโดยทั่วไป เนื่องจากพนักงานของเรามีส่วนได้ส่วนเสียที่สำคัญในบริษัท เราใช้โมเดลของ Carrington Labs ทุกวันเพื่อกู้ยืมเงินของเราเอง ดังนั้นมันจึงช่วยให้เรามุ่งเน้นไปที่การทำให้โมเดลเหล่านั้นใช้ได้ผล!

 คุณมองเห็น AI วิวัฒนาการอย่างไรในพื้นที่การให้กู้ยืมในช่วงหนึ่งทศวรรษข้างหน้า?

การให้กู้ยืมจะเปลี่ยนแปลงอย่างมากเมื่อภาคส่วนนี้เปลี่ยนไปใช้โมเดลความเสี่ยงที่ขับเคลื่อนด้วยข้อมูลขนาดใหญ่ของ Carrington Labs ในช่วงหนึ่งทศวรรษข้างหน้า และมันจะเปลี่ยนแปลง – โมเดลเหล่านี้มีประสิทธิภาพมาก

โมเดลข้อมูลขนาดใหญ่สามารถสร้างได้ด้วยตนเอง (ซึ่งฉันเคยทำเอง แต่กระบวนการนี้ใช้เวลาหลายเดือนหรือแม้กระทั่งหลายปี และมีค่าใช้จ่ายสูงมาก และไม่สามารถให้ผลลัพธ์ที่ดีที่สุดได้) หรือคุณสามารถทำให้กระบวนการสร้างโมเดลเป็นอัตโนมัติได้ ด้วย AI คุณสามารถทำให้กระบวนการนี้เป็นอัตโนมัติได้มากขึ้นในคุณภาพที่สูงขึ้น ในขณะเดียวกันก็ประหยัดเวลาและทำสิ่งที่จะเป็นไปไม่ได้หากคุณสร้างด้วยตนเอง เช่น การสร้างคุณลักษณะที่กำหนดเองหลายพันรายการสำหรับผู้ให้กู้ยืมขนาดกลาง

กุญแจสำคัญคือการรู้วิธีการทำสิ่งนี้อย่างถูกต้อง – หากคุณแค่โยนสิ่งของที่ LLM คุณจะได้รับความยุ่งเหยิงที่ยิ่งใหญ่และใช้จ่ายเกินงบประมาณ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Carrington Labs.