Jamie Twiss, Carrington Labs CEO’sü – Röportaj Serisi

Jamie Twiss, deneyimli bir banker ve veri bilimcisidir ve veri bilimi, yapay zeka ve tüketici kredileri arasındaki kesişme noktasında çalışır. Şu anda Carrington Labs’in CEO’su olarak görev yapmaktadır. Carrington Labs, açıklanabilir AI güçlendirilmiş kredi risk puanlama ve kredi çözümlerinin önde gelen sağlayıcılarından biridir. Öncesinde, bir büyük Avustralya bankasının Baş Veri Sorumlusu olarak görev yaptı. Daha önce, danışman olarak McKinsey & Company ile kariyerine başlayan banka ve finansal hizmetlerde çeşitli rollerde çalıştı.

Carrington Labs’in AI güçlendirilmiş risk puanlama sisteminin geleneksel kredi puanlama yöntemlerinden nasıl farklı olduğunu açıklar mısınız?

Carrington Labs’in risk puanlama yaklaşımı several yönden geleneksel kredi puanlama yöntemlerinden farklıdır:

Platformumuz, önceki yöntemlere göre çok daha büyük bir veri setini kullanır. Geleneksel kredi puanları, eski teknolojiye dayanır ve bir müşterinin kredi dosyasında bulunan sınırlı miktardaki bilgiye, genellikle ödeme geçmişlerine dayanır, bu da bir bireyin yalnızca sınırlı bir görünümünü sağlar ve birçok insan için hiçbir görünüm sağlamaz. Müşteri onayı ile, banka işlem verilerini alır ve bunları bir bireyin kredi değerliliğine ilişkin çok daha ayrıntılı ve zengin bir resim oluşturmak için kullanırız.

Sonra, büyük miktardaki verileri, bir bireyin kredi değerliliğine ilişkin keskin bir görüşe dönüştürmek için modern AI ve makine öğrenimi tekniklerini kullanırız, yüzlerce个 bireysel değişkeni hesaplar ve bunları kapsamlı bir genel görünümde birleştiririz. Sonuçlanan puanlar, kredi puanlarına kıyasla şeffaf ve açıklanabilir olup, kredi puanları, esrarengiz siyah kutulardır. Bu puanlar ayrıca, bir kredi puanının, geniş bir ürün ve müşteri yelpazesinde eğitilen genel bir puan olmasına kıyasla, bir krediciye özgü ürün ve müşteri segmentine göre uyarlanır, bu da onları daha alakalı ve dolayısıyla daha doğru hale getirir.

Son olarak, platformumuz, yalnızca bir müşterinin riskini geleneksel bir puan kadar etkili bir şekilde değerlendirebilir, sondern aynı zamanda bu puanı, limit ve süre gibi optimal kredi koşullarını önermek için kullanabilir. Tüm bu faktörlerin bir sonucu olarak, CL risk puanlaması, geleneksel yöntemlerin sağladığı bilgiler üzerinde önemli bir ilerlemeyi temsil eder.

AI’niz, açık bankacılık işlem verilerini nasıl entegre eder ve bir başvurunun kredi değerliliğine ilişkin daha kapsamlı bir resim sağlar? ve kredi riskini değerlendirirken AI modelleriniz hangi ana öngörücüleri tanımlar?

Modellerimiz, birçok farklı veri türünü öğrenebilir, ancak banka işlem verileri genellikle temelde yer alır. On milyonlarca işlem verisini genel modeli eğitmek için kullanır ve sonra her yeni müşteri için binlerce işlemi modeli puanlamak için kullanırız. Açık Bankacılık, genellikle bu verileri toplamanın en iyi yolu olup, tutarlı bir format, iyi güvenlik ve hızlı yanıt süreleri sağlar. Diğer yollarla da toplayabiliriz, ancak Açık Bankacılık genellikle tercih edilir.

Örneğin, birisinin büyük miktarlarda para çekme alışkanlıklarını analiz edebiliriz, aynı ATM’yi her zaman kullanıp kullanmadığını veya günde birden fazla kez para çekip çekmediğini görebiliriz. Kumar faaliyetini, bahis platformlarında sık sık işlem yapıp yapmadığını kontrol ederek tanımlayabiliriz. Birisi parayı aldıktan sonra nasıl harcadığını veya parası azaldığında harcama alışkanlıklarını değiştirip değiştirmediğini görebiliriz. Ayrıca, riskli zihniyetler veya davranışlar gösterebilecek beklenmedik finansal kalıpları da tanımlayabiliriz, Örneğin, sık sık hız sınırını aşma cezaları.

Modellerimiz, yaklaşık 50.000 olası değişken üzerinde eğitilir ve bir risk modelinde yaklaşık 400 değişken aktif olarak kullanılır. Bu veri odaklı yaklaşım, kredicilerin daha precisa kredi kararları almasına ve kredileri her bir başvurunun benzersiz risk profiline uyarlamasına yardımcı olur. Tanımladığımız ve analiz ettiğimiz verilerin anonim olduğu ve kişisel olarak tanımlanabilir bilgiler (PII) ile ilgilenmediğimiz önemlidir.

Carrington Labs, AI modellerinizin kredi kararlarında cinsiyet, etnik veya sosyo-ekonomik önyargıdan arınmış olduğunu nasıl sağlar ve kredi risk değerlendirmelerinizdeki algoritmik önyargıyı azaltmak için hangi adımları attınız?

Carrington Labs’in modelleri, nesnelliği (insan “gut feel” dahil değil) ve kullandığımız geniş veri yelpazesi nedeniyle geleneksel yaklaşımlardan daha az önyargılıdır.

Önyargı karşıtı yaklaşımımıza üç temel unsur vardır: Birincisi, korunan sınıf verilerini (ırk, cinsiyet vb.) hiçbir zaman model oluşturma sürecine yaklaştırmayız. Tercih ederiz ki bize bu verileri vermesiniz (bunu yalnızca önyargı testi için kullanmak istiyorsanız). İkincisi, modellerimiz tam olarak açıklanabilir, bu nedenle her bir modelde kullanılan her bir özelliği potansiyel önyargı, proxy değişkenleri veya diğer sorunlar için gözden geçiririz. Krediciler de özellik listesine erişebilir ve kendi incelemelerini yapabilirler. Üçüncüsü, kredici, model testi için korumalı sınıf verilerini bize sağlama kararı alırsa, model çıktılarını korumalı sınıflar arasında onay oranları ve limitleri belirlemek için istatistiksel testler yapar ve varyasyonun makul ve açıklanabilir faktörler tarafından sürdürüldüğünden emin oluruz.

Sonuç olarak, Carrington Labs’in modellerinin daha yüksek öngörücü gücü ve risk temelinde limitleri ayarlayabilme yeteneği, kredicilerin daha fazla başvuruyu daha küçük limitlerle onaylamasını ve iyi geri ödeme davranışı gösterdikçe limitlerini artırmalarını kolaylaştırır, bu da daha geniş finansal kapsayıcılığı sağlar.

AI ile çalışan kredi risk değerlendirmelerinizin krediciler ve düzenleyiciler için açıklanabilir ve şeffaf olduğunu nasıl zajistirsiniz?

AI’ı model oluşturma sürecinin çeşitli adımlarında kullanırken, modeller kendileri, yani bir müşteri puanını hesaplamak için kullanılan gerçek mantık, öngörülebilir ve kontrol edilebilir matematik ve istatistiklere dayanır. Bir kredici veya düzenleyici, modelde kullanılan her bir özelliği inceleyerek kendilerini her biriyle ilgili olarak rahat hissedebilir ve ayrıca bir müşterinin puanının açıklamasını ve istenirse advers eylem koduna geri eşleyebiliriz.

AI modelleriniz, kredi vermeyi nasıl demokratikleştirir ve finansal kapsayıcılığı genişletir?

Çok sayıda insan, geleneksel kredi puanlarından daha kredi değerlidir. Miras kredi puanlama yöntemleri, geleneksel kredi modellerine uymayan milyonlarca insanı dışlar. AI güçlendirilmiş yaklaşımımız, kredicilerin bu borçluları tanımalarına yardımcı olur, böylece adil ve sorumlu kredilere erişimi genişletirken riski artırmaz.

Örneğin, yeni bir ülkeye taşınmış bir göçmeni düşünün. Finansal olarak sorumlu, çalışkan ve endüstriyel olabilir, ancak geleneksel kredi geçmişi olmayabilir. Kredi bürosu ondan haber almadığı için, kredicilerin kredi fırsatları sunmaktan kaçınmasına neden olan kredi geçmişi eksikliği olabilir.

Geleneksel olmayan işlem verileri, kredi bürolarının tanımadığı kişilerin kredi risk puanlarını doğru bir şekilde değerlendirmek için anahtardır. Geleneksel kredi geçmişi olmayabilir veya krediciler için riskli görünen bir kredi geçmişi olabilir, ancak daha büyük miktarda finansal verilerini kullanarak kredicilere bu insanların kredi değerliliğini gösterme yeteneğimiz vardır. Gerçekten de, platformumuz, geleneksel kredi puanlarına kıyasla, sınırlı kredi bilgisine sahip düşük riskli borçluları tanımlamada %250 daha doğru olup, bu da kredicilerin borçlu tabanını genişletmesine ve sonunda kredi onaylarını artırmalarına olanak tanır.

Ayrıca, birçok kredici, bir müşteri için yalnızca yaklaşık bir risk duygusuna sahip olduğu için, bir teklifi, bir müşterinin bireysel koşullarını yansıtmak için ayarlamak için mücadele eder, genellikle onlara ihtiyaç duyduklarından daha fazla veya daha az kredi sunar veya (en sık olanı) onları tamamen reddeder. Kredi limitlerini kesin olarak ayarlayabilme yeteneği, özellikle kredicilerin finansal sisteme yeni borçluları getirmelerine ve iyi geri ödeme davranışı gösterdikçe borç alma kapasitelerini artırarak borçla sorumlu bir şekilde çalışabileceğini kanıtlamalarına yardımcı olur.

AI güçlendirilmiş kredi çözümlerinin geliştirilmesi ve dağıtılması şeklini belirlemede düzenleyici kurumların rolü nedir?

Düzenleyiciler, finansal hizmetlerde ve daha geniş ekonomide AI’ı yerleştirmenin önemli bir parçasıdır. AI’ın nerede ve nasıl kullanılabileceği konusunda net sınırlar, daha hızlı büyümeye ve yeni kullanım durumlarına olanak tanır ve çeşitli yasal ve düzenleyici hesap verebilirlik oluşturma süreçlerini desteklediğimizi belirtmek isteriz.

Genel olarak, AI araçlarının, diğer araçlar gibi aynı türden denetim ve incelemeye tabi tutulmaları gerektiğini düşünüyoruz – müşterileri adil bir şekilde muamele ediyor olmaları ve bankacılık sistemini daha güvenli hale getirdiklerinden emin olunması gerekir. Çözümümüz, her iki şartı da net bir şekilde kanıtlamakta olup, düzenleyiciler ve krediciler için değer yaratmaktadır.

Carrington Labs’in Mastercard Start Path Programı’na seçilmesiyle ilgili olarak daha fazla bilgi verebilir misiniz? Bu, ABD geneline rozšílmayı nasıl hızlandırır?

Mastercard ile ABD ve küresel genişleme planlarımız üzerinde çalışmaktan memnuniyet duyuyoruz. Dünyanın dört bir yanındaki bankalara ve diğer kredicilere finansal çözümler sunma konusunda eşsiz bir deneyime sahipler ve potansiyel ABD müşterilerimizle etkileşimimizi artırdıkça already çok yardımcı oldular. Her iki tarafın da fayda sağlayacağına inanıyoruz, Mastercard, tavsiyeler, tanışıklıklar ve belki de çözümümüzün bazı unsurlarını sunarken, Carrington Labs, Mastercard müşterilerine yüksek değerli bir hizmet sunuyor.

Beforepay, tüketiciye yönelik markanız, 4 milyondan fazla kredi vermiştir. Bu deneyimden neler öğrendiniz ve nasıl Carrington Labs’in AI modellerini şekillendirdi?

Bu deneyim sayesinde, Beforepay’in büyük veri hacmine erişimimize olanak tanıyan harika bir R&D laboratuvarına ve büyük miktarda veriye sahip olmamıza rağmen, modelleri nhanh ve etkili bir şekilde oluşturmayı öğrendik. Bir model çerçevesi, mimari, kod vb. fikri varsa, Beforepay’de önce deneme şansımız var.

Beforepay’in default oranındaki keskin düşüş, modelin ne kadar iyi çalıştığının harika bir örnek teşkil etmektedir. Genel olarak, çok motive edici bir deneyim olup, çalışanlarımızın şirketin önemli bir hissesine sahip olması, modellerin gerçekten işe yaradığını görmelerini sağlar!

 AI’ın kredi alanı üzerindeki geleceğini önümüzdeki on yıl içinde nasıl görüyorsunuz?

Kredi, endüstri tamamen büyük veri tabanlı risk modellerine geçtikçe önümüzdeki on yıl içinde çok değişecektir. Ve değişecektir – bu modeller çok daha etkili. Bu, imalatın elektrifikasyonu gibi bir şey; oyun değiştirici ve herkes ya bu değişikliği yapacak ya da çıkacaktır.

Büyük veri modelleri ya elle oluşturulabilir (ben önceden kendim yapıyordum, ancak bu süreç aylar veya yıllar alıyor ve çok pahalı ve en iyi sonucu sağlayamıyor) veya model oluşturmayı otomatikleştirebilirsiniz. AI ile, daha yüksek kalitede çok daha fazlasını otomatikleştirebilir, zaman kazandırabilir ve elle yapmanın imkansız olduğu şeyleri yapabilirsiniz, örneğin bir orta ölçekli kredici için binlerce özel özellik oluşturabilirsiniz.

Anahtar, bunu doğru şekilde yapmayı bilmektir – sadece bir dizi şeyi bir LLM’ye fırlatırsanız, devasa bir kargaşa ile karşılaşırsınız ve bütçenizi harcarsınız.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Carrington Labs ziyaret edebilir.