'سادہ' AI بینک مینیجرز کے قرض کے فیصلوں کی 95 فیصد سے زیادہ درستگی کا اندازہ لگا سکتا ہے

ایک نئے تحقیقی منصوبے سے پتہ چلا ہے کہ انسانی بینک مینیجرز کے صوابدیدی فیصلوں کو مشین لرننگ سسٹمز کے ذریعے 95% سے زیادہ درستگی میں نقل کیا جا سکتا ہے۔

ایک مراعات یافتہ ڈیٹاسیٹ میں بینک مینیجرز کے لیے دستیاب اسی ڈیٹا کا استعمال کرتے ہوئے، ٹیسٹ میں بہترین کارکردگی کا مظاہرہ کرنے والا الگورتھم تھا بے ترتیب جنگل عمل درآمد - ایک کافی آسان طریقہ ہے بیس سال پرانی، لیکن جس نے قرضوں کے بارے میں حتمی فیصلے کرنے والے انسانی بینک مینیجرز کے طرز عمل کی نقل کرنے کی کوشش کرتے وقت بھی اعصابی نیٹ ورک سے بہتر کارکردگی کا مظاہرہ کیا۔

رینڈم فاریسٹ الگورتھم، چار میں سے ایک جو اس منصوبے کے لیے اپنی رفتار کو پورا کرتا ہے، الگورتھم کی نسبتاً سادگی کے باوجود، بینک مینیجرز کی کارکردگی کے مقابلے میں اعلیٰ انسانی مساوی اسکورنگ حاصل کرتا ہے۔ ماخذ: مینیجرز بمقابلہ مشینیں: کیا الگورتھم کریڈٹ ریٹنگ میں انسانی وجدان کو نقل کرتے ہیں؟, https://arxiv.org/pdf/2202.04218.pdf

محققین، جنہوں نے 'ایک بڑے کمرشل بینک' میں 37,449 منفرد صارفین کے 4,414 قرض کی درجہ بندیوں کے ملکیتی ڈیٹاسیٹ تک رسائی حاصل کی تھی، پری پرنٹ پیپر کے مختلف نکات پر تجویز کرتے ہیں کہ مینیجرز کو اپنا فیصلہ کرنے کے لیے دیا جانے والا خودکار ڈیٹا تجزیہ اب اتنا درست ہو گیا ہے کہ بینک مینیجرز شاذ و نادر ہی اس سے انحراف کرتے ہیں۔ قرض نادہندہ ہونے کی صورت میں کسی کو برطرف کرنے کے لیے برقرار رکھنا۔

کاغذ میں لکھا ہے:

'عملی نقطہ نظر سے یہ بات قابل غور ہے کہ ہمارے نتائج اس بات کی نشاندہی کر سکتے ہیں کہ بینک انسانی لون مینیجرز کی غیر موجودگی میں بہت ہی موازنہ نتائج کے ساتھ قرضوں پر تیزی سے اور سستا کارروائی کر سکتا ہے۔ اگرچہ مینیجرز قدرتی طور پر مختلف کام انجام دیتے ہیں، لیکن یہ بحث کرنا مشکل ہے کہ وہ اس خاص کام کے لیے ضروری ہیں اور نسبتاً آسان الگورتھم بھی اسی طرح انجام دے سکتا ہے۔

'یہ نوٹ کرنا بھی ضروری ہے کہ اضافی ڈیٹا اور کمپیوٹیشنل پاور کے ساتھ ان الگورتھم کو مزید بہتر کیا جا سکتا ہے۔'

۔ کاغذ عنوان ہے مینیجرز بمقابلہ مشینیں: کیا الگورتھم کریڈٹ ریٹنگ میں انسانی وجدان کو نقل کرتے ہیں؟، اور برازیل میں UoC Irvine اور Bank of Communications BBM کے شعبہ اقتصادیات اور محکمہ شماریات سے آتا ہے۔

کریڈٹ ریٹنگ کے جائزوں میں روبوٹک انسانی سلوک

نتائج اس بات کی نشاندہی نہیں کرتے ہیں کہ مشین لرننگ سسٹم ضروری طور پر قرضوں اور کریڈٹ ریٹنگز کے بارے میں فیصلے کرنے میں بہتر ہیں، بلکہ یہ کہ اب کافی 'کم درجے' سمجھے جانے والے الگورتھم بھی اسی ڈیٹا سے انسانوں کی طرح نتیجہ اخذ کرنے کے قابل ہیں۔

رپورٹ واضح طور پر بینک مینیجرز کو 'میٹ ویئر فائر وال' کی ایک قسم کے طور پر بیان کرتی ہے جس کا بنیادی کام خطرے کے اسکور کو بڑھانا ہے جو شماریاتی اور تجزیاتی سکور کارڈ سسٹم انہیں پیش کرتا ہے (ایک مشق جسے بینکنگ میں 'نوچنگ' کہا جاتا ہے)۔

'وقت گزرنے کے ساتھ یہ ظاہر ہوتا ہے کہ مینیجرز کم صوابدید استعمال کر رہے ہیں جو اسکور کارڈ جیسے الگورتھمک ذرائع کی بہتر کارکردگی یا انحصار کی نشاندہی کر سکتا ہے۔'

محققین نے یہ بھی نوٹ کیا:

'اس مقالے کے نتائج ظاہر کرتے ہیں کہ انتہائی ہنر مند بینک مینیجرز کے ذریعے انجام دیا جانے والا یہ خاص کام درحقیقت نسبتاً آسان الگورتھم کے ذریعے آسانی سے نقل کیا جا سکتا ہے۔ ان الگورتھم کی کارکردگی کو صنعتوں میں فرق کے حساب سے ٹھیک ٹیوننگ کے ذریعے بہتر بنایا جا سکتا ہے اور یقیناً اضافی اہداف کو شامل کرنے کے لیے آسانی سے بڑھایا جا سکتا ہے جیسے کہ قرض دینے کے طریقوں میں انصاف پسندی کے تحفظات کو شامل کرنا یا دیگر سماجی اہداف کو فروغ دینا۔'

فرق کی نشاندہی کریں: اسکور کارڈ (خودکار) درجہ بندیوں کے خطرے کی تشخیص کو بینک مینیجرز کے ذریعہ اعدادوشمار کے مطابق ('نوچڈ') بنایا جاتا ہے جن کے فیصلوں کا کام میں مطالعہ کیا جاتا ہے - ایک قابل نقل طریقہ۔

چونکہ اعداد و شمار سے پتہ چلتا ہے کہ بینک مینیجر یہ کام تقریباً الگورتھمک اور پیش قیاسی انداز میں کرتے ہیں، اس لیے ان کی ایڈجسٹمنٹ کو نقل کرنا اتنا مشکل نہیں ہے۔ یہ عمل اصل سکور کارڈ کے اعداد و شمار کو محض 'دوسرے اندازے' لگاتا ہے اور خطرے کی درجہ بندی کو متوقع مارجن کے اندر اوپر کی طرف ایڈجسٹ کرتا ہے۔

طریقہ اور ڈیٹا

پروجیکٹ کا بیان کردہ مقصد یہ اندازہ لگانا تھا کہ بینک مینیجر کیا فیصلے کریں گے، اسکورنگ سسٹم اور ان کے لیے دستیاب دیگر متغیرات کی بنیاد پر، بجائے اس کے کہ موجودہ قرض کی درخواست کے طریقہ کار کے فریم ورک کو تبدیل کرنے کے لیے جدید متبادل نظام تیار کیا جائے۔

پروجیکٹ کے لیے مشین لرننگ کے طریقے جن کا تجربہ کیا گیا وہ ملٹی نامی لاجسٹک LASSO (MNL-LASSO), نیند نیٹ ورک، اور کے دو نفاذ درجہ بندی اور رجعت کے درخت (کارٹ): بے ترتیب جنگل اور گریڈینٹ بوسٹنگ.

پروجیکٹ نے حقیقی دنیا کی کریڈٹ ریٹنگ کے کام کے لیے اسکور کارڈ کے ڈیٹا اور اس کے نتائج دونوں پر غور کیا، جیسا کہ ڈیٹا میں جانا جاتا ہے۔ اسکور کارڈ کی درجہ بندی سب سے قدیم الگورتھمک طریقوں میں سے ایک ہے، جہاں مجوزہ قرض کے لیے کلیدی متغیرات کا حساب ایک رسک میٹرکس میں کیا جاتا ہے، اکثر اس طرح آسان لاجسٹک رجعت.

نتائج کی نمائش

MNL-LASSO نے جانچے گئے الگورتھم میں سب سے زیادہ خراب کارکردگی کا مظاہرہ کیا، صرف 53% قرضوں کی کامیابی کے ساتھ درجہ بندی کی، اس کے مقابلے میں حقیقی زندگی کے مینیجر کا جائزہ لیا گیا۔

دیگر تین طریقوں (CART کے ساتھ رینڈم فاریسٹ اور گریڈینٹ بوسٹنگ شامل ہیں) سبھی نے درستگی اور روٹ مین اسکوائر ایرر کے لحاظ سے کم از کم 90% اسکور کیا (RMSE).

تاہم، رینڈم فاریسٹ کے کارٹ کے نفاذ نے 96% کے قریب ایک متاثر کن اسکور حاصل کیا، اس کے بعد گریڈیئنٹ بوسٹنگ بھی قریب سے ہے۔

یہاں تک کہ ایبلیشن اسٹڈیز (نچلے ٹیبل سیکشن) کے دوران ٹیسٹوں سے اسکور کارڈ کی درجہ بندی کو ہٹانے کے باوجود، الگورتھم کریڈٹ ریٹنگ کے لیے انسانی بینک مینیجرز کی سمجھ کو نقل کرنے میں غیر معمولی کارکردگی حاصل کرتے ہیں۔

حیرت انگیز طور پر، محققین نے پایا کہ ان کے نافذ کردہ عصبی نیٹ ورک نے صرف 93 فیصد اسکور کیا، وسیع تر RMSE فرق کے ساتھ، خطرے کی قدریں انسانی پیدا کردہ تخمینوں سے کئی درجے دور ہیں۔

مصنفین کا مشاہدہ ہے:

'[یہ] نتائج اس بات کی نشاندہی نہیں کرتے ہیں کہ ایک طریقہ دوسرے سے بہتر کارکردگی کا مظاہرہ کرتا ہے جہاں تک درستگی کے بیرونی میٹرک کا تعلق ہے جیسے کہ مقصد کے طے شدہ امکان۔ یہ بالکل ممکن ہے کہ نیورل نیٹ ورک مثال کے طور پر اس درجہ بندی کے کام کے لیے بہترین ہو۔

'یہاں مقصد صرف انسانی مینیجر کے انتخاب کی نقل تیار کرنا ہے اور اس کام کے لیے رینڈم فاریسٹ جانچ کی گئی میٹرکس میں دیگر تمام طریقوں سے بہتر کارکردگی دکھاتا ہے۔'

محققین کے مطابق، 5 فیصد جو نظام دوبارہ پیدا نہیں کر سکا، ان کا شمار صنعتوں کی متفاوتیت سے ہوتا ہے۔ مصنفین نوٹ کرتے ہیں کہ 5% مینیجرز تقریباً ان تمام فرقوں کے لیے ذمہ دار ہیں، اور یقین رکھتے ہیں کہ مزید وسیع نظام بالآخر اس طرح کے استعمال کے معاملات کو پورا کر سکتے ہیں اور کمی کو ختم کر سکتے ہیں۔

احتساب خودکار کرنا مشکل ہے۔

اگر بعد کے متعلقہ منصوبوں میں پیش کیا جائے تو، تحقیق سے پتہ چلتا ہے کہ 'بینک مینیجر' کے کردار کو اتھارٹی اور سمجھداری کے ایک وقت کے طاقتور عہدوں کے بڑھتے ہوئے کیڈر میں شامل کیا جا سکتا ہے جسے کم کر کے 'انویجیلیٹر' کا درجہ دیا جا رہا ہے جبکہ موازنہ مشینی نظام کی درستگی کا طویل مدت میں تجربہ کیا جاتا ہے۔ اور کو مجروح کرتا ہے۔ عام پوزیشن کہ بعض اہم کام خودکار نہیں ہو سکتے۔

تاہم، بینک مینیجرز کے لیے اچھی خبر یہ معلوم ہوتی ہے کہ، سیاسی نقطہ نظر سے، کریڈٹ ریٹنگ کی تشخیص جیسے اہم سماجی عمل میں انسانی احتساب کی ضرورت ان کے موجودہ کردار کو محفوظ رکھے گی - چاہے کرداروں کے اعمال مشین لرننگ سسٹم کے ذریعہ مکمل طور پر دوبارہ پیدا کرنے کے قابل ہونا چاہئے۔

پہلی بار 18 فروری 2022 کو شائع ہوا۔