Carrington Labs CEO’sü Jamie Twiss – Röportaj Serisi

Jamie Twiss, veri bilimi, yapay zeka ve tüketici kredileri arasındaki kesişmede çalışan deneyimli bir bankacı ve veri bilimcisidir. Şu anda, açıklanabilir AI destekli kredi risk puanlama ve kredi çözümleri lider sağlayıcısı olan Carrington Labs‘in CEO’su olarak görev yapmaktadır. Öncesinde, bir büyük Avustralya bankasının Baş Veri Sorumlusu olarak görev yaptı. Daha önce, McKinsey & Company’de danışman olarak kariyerine başladığı banka ve finansal hizmetler boyunca çeşitli rollerde çalıştı.

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

Carrington Labs’in risk puanlama yaklaşımı birkaç 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 miktarda bilgiye, genellikle ödeme geçmişlerine dayanır, bu da bir bireyin sadece sınırlı bir görünümünü sağlar ve birçok insan için hiçbir görünüm sağlamaz. Müşteri onayı ile, banka işlem verilerini alır ve bir bireyin daha ayrıntılı ve zengin bir resmini oluşturmak için bunları kullanır.

Sonra, bu büyük veri hacimlerini, bir bireyin kredi değerliliğine ilişkin net bir görüş oluşturmak için modern AI ve makine öğrenimi teknikleri ile işleriz, yüzlerce ayrı değişkeni hesaplar ve bunları kapsamlı bir genel görüşe birleştiririz. Sonuçlanan puanlar, kredi puanlarına kıyasla şeffaf ve açıklanabilir olup, lender’lar bunları kendi ürün ve müşteri segmentlerine göre uyarlayabilir, bu da daha ilgili ve doğru puanlar elde edilmesini sağlar.

Son olarak, platformumuz yalnızca bir müşterinin riskini geleneksel bir puanlamadan daha etkili bir şekilde değerlendirebilir, aynı zamanda bu puanı kullanarak optimal kredi koşullarını, seperti limit ve süre, önerabilir. Tüm bu faktörlerin sonucunda, CL risk puanlaması, lender’lara geleneksel yöntemlerden daha advanced bir görüş sağlar.

Açık bankacılık işlem verilerini entegre ederek, bir başvurunun kredi değerliliğine daha kapsamlı bir görünüm nasıl sağlar?

Modellerimiz birçok farklı veri türünü işleyebilir, ancak banka işlem verileri genellikle temel teşkil eder. Genel modeli eğitmek için milyonlarca işlem verisi ve her yeni müşteri için binlerce işlem verisi kullanırız. Açık Bankacılık, 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, nakit çekme alışkanlıklarını analiz edebiliriz, biri sık sık büyük miktarlarda nakit çekip çekmediğini, her zaman aynı ATM’yi kullanıp kullanmadığını veya günde birden fazla kez nakit çekip çekmediğini görebiliriz. Kumar faaliyetlerini, bahis platformlarındaki sık transactions tarafından tanımlayabiliriz. Birisi parasını aldığından sonra nasıl harcadığını veya parası azaldığında harcama alışkanlıklarını değiştirip değiştirmediğini inceleyebiliriz. Ayrıca, riskli zihniyet veya davranışları gösterebilecek beklenmedik finansal modelleri de tanımlayabiliriz, gibi sık hız ihlalleri.

Modellerimiz yaklaşık 50.000 olası değişken üzerinde eğitilir ve tipik bir risk modelinde yaklaşık 400 aktif değişken kullanılır. Bu veri odaklı yaklaşım, lender’ların daha doğru kredi kararları almasına ve her başvurunun benzersiz risk profilini dikkate alarak kredileri uyarlamasına yardımcı olur. Tanımladığımız ve analiz ettiğimiz verilerin anonim olduğunu ve kişisel olarak tanımlanabilir bilgileri (PII) işlemediğimizi unutmayın.

Carrington Labs, AI modellerinin cinsiyet, etnik veya sosyo-ekonomik önyargılardan arınmış olduğunu nasıl garantiler?

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

Önyargı karşıtı yaklaşımımızda üç temel unsur vardır: Birincisi, korunan sınıf verilerini (ırk, cinsiyet vb.) model oluşturma sürecine asla dahil etmiyoruz. İkincisi, modellerimiz tamamen açıklanabilir olup, her bir model için kullanılan her bir özelliği potansiyel önyargı, proxy değişkenleri veya diğer sorunlar için gözden geçiriyoruz. Lender’lar da kullanılan özellikler listesine erişebilir ve kendi incelemelerini yapabilir. Üçüncüsü, lender tercihine bağlı olarak, korunan sınıf verilerini test için sağlayabilirsek (sadece eğitim için değil), model çıktılarını inceleyerek onay oranlarını ve limitleri belirleyerek, varyasyonun makul ve açıklanabilir faktörler tarafından sürüldüğünü garantileyebiliriz.

Bu sonuç, lender’ların daha fazla başvuruyu daha küçük limitlerle onaylayabilmesini ve iyi geri ödeme davranışı gösterdikçe limitlerini artırabilmesini sağlar, bu da daha geniş finansal kapsayıcılığı sağlar.

AI destekli kredi risk değerlendirmelerinin lender’lar ve düzenleyiciler için açıklanabilir ve şeffaf olduğunu nasıl garantilersiniz?

AI’ı model oluşturma sürecinde çeşitli adımlarda kullanırken, modeller kendileri, yani bir müşteri puanını hesaplamak için kullanılan gerçek mantık, öngörülebilir ve kontrol edilebilir matematik ve istatistiklere dayanır. Bir lender veya düzenleyici, her bir modeldeki tüm özellikleri gözden geçirebilir ve her birini rahat hissetmeleri için garantileyebiliriz. Ayrıca, bir müşterinin puanını geri dönüştürebilir ve istenirse adverse-action kodu ile eşleştirebiliriz.

AI modelleriniz nasıl finansal kapsayıcılığı genişletiyor ve hizmet götürmeyen topluluklara erişimi artırıyor?

Çok sayıda insan geleneksel kredi puanlarına göre daha kredi değerlidir. Miras kredi puanlama yöntemleri, geleneksel kredi modellerine uymayan milyonlarca insanı dışlar. AI destekli yaklaşımımız, lender’ların bu borçluları tanımalarına yardımcı olur, adil ve sorumlu kredilere erişimi genişletir ve riski artırmaz.

Örneğin, yeni bir ülkeye taşınmış bir göçmeni düşünün. Bu kişi mali olarak sorumlu, çalışkan ve endüstriyel olabilir, ancak geleneksel kredi geçmişine sahip olmayabilir. Kredi bürosu onu tanımazsa, kredi değerliliğini kanıtlama khảsiyetine sahip değildir, bu da lender’ların kredi fırsatları sunmaktan kaçınmasına neden olur.

Geleneksel kredi geçmişine sahip olmayan veya lender’lar için riskli görünen, ancak doğru bağlamda kredi değerliliğine sahip olan kişiler için, geleneksel kredi puanlarına kıyasla %250 daha doğru bir şekilde düşük riskli borçluları tanımlayabiliriz. Bu, lender’ların borç veren tabanını genişletmesine ve sonunda kredi onaylarını artırmasına olanak tanır.

Düzenleyici kurumlar, AI destekli kredi çözümlerinin geliştirilmesinde ve dağıtılmasında nasıl bir rol oynar?

Düzenleyiciler, finansal hizmetlerde ve daha geniş ekonomide AI’ı yerleştirme konusunda çok önemli bir role sahiptir. AI’ın nerede ve nasıl kullanılabileceği konusunda net sınırlar, daha hızlı büyümeye ve yeni kullanım örneklerine olanak tanır ve çeşitli yasal ve düzenleyici sorumluluk süreçlerini desteklediğimiz için mutluyuz.

Genel olarak, kredi amacıyla kullanılan AI araçlarının, diğer araçlar gibi aynı türden denetime ve incelemeye tabi tutulmaları gerektiğini düşünüyoruz. Bunlar, müşterilere adil davranıyor olduklarını ve bankacılık sistemini daha güvenli hale getirdiklerini kanıtlamalıdır. Çözümümüz her iki noktada da net bir şekilde kanıtlayabilir.

Carrington Labs’in Mastercard (MA ) Start Path Programına recent seçimini anlatır mısınız? Bu, ABD geneline genişlemenizi nasıl hızlandırır?

Mastercard ile ABD ve küresel genişleme planlarımız üzerinde çalışmaktan memnunuz. Dünya çapındaki bankalara ve lender’lara finansal çözümler sunma konusunda eşsiz bir deneyime sahipler ve potansiyel ABD müşterileri ile etkileşimimizi artırdıkça already çok yardımcı oldular. Her iki tarafın da fayda sağlayacağına inanıyoruz, Mastercard’ın danışmanlık, tanıtım ve belki de çözümümüzün bazı unsurlarını sunabileceği, Carrington Labs’in ise Mastercard müşterilerine yüksek değerli bir hizmet sunabileceği bir işbirliği olacak.

Beforepay, tüketici odaklı markanız, 4 milyondan fazla kredi verdi. Bu deneyimden neler öğrendiniz ve AI modellerinizi nasıl şekillendirdi?

Beforepay aracılığıyla, hızlı ve etkili bir şekilde modeller oluşturmayı öğrendik, çünkü büyük miktarda veri ve harika bir R&D laboratuvarına erişimimiz oldu. Bir model çerçevesi, mimari, kod vb. fikri varsa, önce Beforepay’de deniyoruz. Beforepay’in default oranındaki keskin düşüş, modelin ne kadar iyi çalıştığını gösteren mükemmel bir vaka çalışması.

Genel olarak, çok motive edici bir deneyim oldu, çünkü çalışanlarımız şirketin büyük bir payına sahip. Carrington Labs’in modellerini her gün kendi paramızı kredi olarak veriyoruz, bu nedenle modellerin çalışması için odaklanıyoruz!

 AI’ın kredi alanında gelecek on yılda nasıl evrileceğini öngörüyorsunuz?

Kredi, endüstrinin büyük veri tabanlı risk modellerine tamamen geçtiği zaman tamamen değişecek, ki bu Carrington Labs’in kullandığı türden modellerdir. Ve geçecek – bu modeller çok daha etkili. Bu, imalatın elektrifikasyonu gibi bir şey; oyun değiştirici ve herkes ya geçiş yapacak ya da çıkacak.

Büyük veri modelleri ya elle oluşturulabilir (ben önceden kendim yapıyordum, ancak bu süreç aylar veya hatta yıllar alıyor ve çok pahalı, ayrıca en iyi sonucu sağlayamıyor) veya model oluşturmayı otomatikleştirebilirsiniz. AI ile, daha yüksek kaliteli ve daha fazla şeyi, elle yapmanın imkansız olduğu şeyleri, örneğin bir orta ölçekli lender için binlerce özel özelliği oluşturabilirsiniz.

Ancak, bunu doğru şekilde yapmayı bilmek anahtardır – sadece bir dizi şeyi bir LLM’ye atarsanız, devasa bir kargaşa ile karşılaşır ve bütçenizi aşarsınız.

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