Jamie Twiss, Giám đốc điều hành của Carrington Labs – Loạt phỏng vấn

Jamie Twiss là một ngân hàng có kinh nghiệm và là một nhà khoa học dữ liệu làm việc tại giao điểm của khoa học dữ liệu, trí tuệ nhân tạo và cho vay tiêu dùng. Hiện tại, ông đang giữ vị trí Giám đốc điều hành của Carrington Labs, một nhà cung cấp hàng đầu về giải pháp cho vay và đánh giá rủi ro tín dụng được hỗ trợ bởi trí tuệ nhân tạo. Trước đó, ông từng là Giám đốc dữ liệu tại một ngân hàng lớn của Úc. Trước khi đó, ông đã làm việc trong nhiều vai trò khác nhau trong lĩnh vực ngân hàng và dịch vụ tài chính sau khi bắt đầu sự nghiệp của mình với tư cách là một nhà tư vấn tại McKinsey & Company.

Bạn có thể giải thích cách hệ thống đánh giá rủi ro của Carrington Labs khác với các phương pháp đánh giá tín dụng truyền thống không?

Phương pháp đánh giá rủi ro của Carrington Labs khác với các phương pháp đánh giá tín dụng truyền thống ở một số điểm:

Nền tảng của chúng tôi sử dụng một tập dữ liệu lớn hơn nhiều so với các phương pháp trước đây. Các điểm tín dụng truyền thống dựa trên công nghệ lỗi thời và chỉ dựa trên một lượng thông tin nhỏ có sẵn trong hồ sơ tín dụng của khách hàng, chủ yếu là lịch sử thanh toán, điều này chỉ cung cấp một hình ảnh hạn chế về một cá nhân và không có tầm nhìn nào về nhiều người. Với sự đồng ý của khách hàng, chúng tôi lấy dữ liệu giao dịch ngân hàng chi tiết và sử dụng nó để tạo ra một hình ảnh chi tiết và phong phú hơn về một cá nhân.

Chúng tôi sau đó sử dụng các kỹ thuật trí tuệ nhân tạo và học máy hiện đại để chuyển đổi những lượng dữ liệu lớn này thành một quan điểm sắc nét về khả năng tín dụng của một cá nhân, tính toán hàng trăm biến số cá nhân và kết hợp chúng thành một quan điểm tổng thể toàn diện. Các điểm số kết quả là hoàn toàn có thể giải thích và minh bạch đối với người cho vay sử dụng chúng, không giống như các điểm tín dụng, chúng là những hộp đen bí ẩn. Những điểm số này cũng được tùy chỉnh cho sản phẩm và phân khúc khách hàng cụ thể của người cho vay, điều này làm cho chúng trở nên liên quan và chính xác hơn so với điểm tín dụng, điểm này là một điểm số chung được đào tạo trên một loạt các sản phẩm và khách hàng.

Cuối cùng, nền tảng của chúng tôi không chỉ có thể đánh giá rủi ro của khách hàng hiệu quả hơn so với điểm tín dụng truyền thống, mà còn có thể sử dụng điểm số đó để đề xuất các điều khoản cho vay tối ưu như hạn mức và thời hạn. Kết quả của tất cả những yếu tố này, đánh giá rủi ro của CL là một bước tiến đáng kể so với những hiểu biết mà các phương pháp truyền thống mang lại cho người cho vay.

Làm thế nào để tích hợp dữ liệu giao dịch ngân hàng mở để cung cấp một hình ảnh đầy đủ hơn về khả năng tín dụng của người nộp đơn? Và những yếu tố dự đoán chính nào mà mô hình AI của bạn xác định khi đánh giá rủi ro tín dụng?

Mô hình của chúng tôi có thể được đào tạo trên nhiều loại dữ liệu khác nhau, nhưng dữ liệu giao dịch ngân hàng thường là cốt lõi. Chúng tôi sử dụng hàng chục triệu dòng dữ liệu giao dịch để đào tạo mô hình tổng thể và sau đó sử dụng hàng nghìn giao dịch cho mỗi khách hàng mới mà mô hình đánh giá. Ngân hàng mở thường là cách tốt nhất để thu thập dữ liệu này, vì nó cung cấp một định dạng nhất quán, bảo mật tốt và thời gian phản hồi nhanh. Chúng tôi có thể thu thập nó thông qua các phương tiện khác, nhưng Ngân hàng mở thường được ưu tiên.

Ví dụ, chúng tôi có thể phân tích thói quen rút tiền mặt để xem liệu ai đó thường xuyên rút số tiền lớn, liệu họ luôn sử dụng cùng một máy ATM, hoặc liệu họ rút tiền mặt nhiều lần trong một ngày. Chúng tôi có thể xác định hoạt động cờ bạc bằng cách tìm kiếm các giao dịch thường xuyên trên các nền tảng cá cược. Chúng tôi có thể xem xét cách nhanh chóng ai đó chi tiêu tiền sau khi nhận được nó, hoặc liệu họ điều chỉnh chi tiêu nếu họ bắt đầu cạn kiệt. Chúng tôi cũng đánh dấu các mẫu tài chính không mong muốn có thể chỉ ra các tâm lý hoặc hành vi rủi ro, như vé phạt tốc độ thường xuyên.

Mô hình của chúng tôi được đào tạo trên khoảng 50.000 biến số có thể, với khoảng 400 biến số được sử dụng tích cực trong một mô hình rủi ro điển hình. Cách tiếp cận dựa trên dữ liệu này giúp người cho vay đưa ra quyết định cho vay chính xác hơn và tùy chỉnh các khoản vay theo hồ sơ rủi ro duy nhất của từng người nộp đơn. Điều quan trọng cần lưu ý là dữ liệu chúng tôi xác định và phân tích là匿名, vì vậy chúng tôi không xử lý thông tin nhận dạng cá nhân (PII).

Làm thế nào để Carrington Labs đảm bảo rằng các mô hình AI của mình không bị thiên vị về giới tính, chủng tộc hoặc xã hội kinh tế trong quyết định cho vay, và bạn đã thực hiện những bước nào để giảm thiểu thiên vị thuật toán trong đánh giá rủi ro tín dụng của mình?

Mô hình của Carrington Labs ít có khả năng bị thiên vị hơn so với các phương pháp truyền thống do tính khách quan (không có “cảm giác trực giác” của con người) và phạm vi rộng lớn của dữ liệu chúng tôi sử dụng để tạo mô hình.

Chúng tôi có ba trụ cột trong cách tiếp cận chống thiên vị của mình: Thứ nhất, chúng tôi không bao giờ cho phép dữ liệu thuộc lớp được bảo vệ (chủng tộc, giới tính, v.v.) đến gần quá trình tạo mô hình. Chúng tôi thích nếu bạn không cung cấp cho chúng tôi dữ liệu đó (trừ khi bạn muốn chúng tôi sử dụng nó để kiểm tra thiên vị; xem bên dưới). Thứ hai, mô hình của chúng tôi hoàn toàn có thể giải thích, vì vậy chúng tôi xem xét từng tính năng được sử dụng trong mỗi mô hình để tìm kiếm các vấn đề về thiên vị, biến số thay thế hoặc các vấn đề khác. Người cho vay cũng có quyền truy cập vào danh sách các tính năng và có thể thực hiện các đánh giá của riêng họ. Thứ ba, nếu người cho vay chọn cung cấp cho chúng tôi dữ liệu thuộc lớp được bảo vệ để kiểm tra (chỉ; được giữ cách xa quá trình đào tạo), chúng tôi sẽ thực hiện các kiểm tra thống kê trên đầu ra mô hình để xác định tỷ lệ phê duyệt và giới hạn và đảm bảo rằng sự thay đổi trên các lớp là do các yếu tố hợp lý và có thể giải thích.

Kết quả là, sức mạnh dự đoán cao hơn của mô hình Carrington Labs và khả năng tinh chỉnh giới hạn dựa trên rủi ro làm cho nó dễ dàng hơn cho người cho vay phê duyệt nhiều người nộp đơn hơn với giới hạn nhỏ hơn và sau đó tăng giới hạn đó theo thời gian với hành vi trả nợ tốt, điều này cho phép mở rộng sự bao gồm tài chính.

Làm thế nào để bạn đảm bảo rằng các đánh giá rủi ro tín dụng được hỗ trợ bởi AI của mình là có thể giải thích và minh bạch đối với người cho vay và các cơ quan quản lý?

Mặc dù chúng tôi sử dụng AI trong một số bước trong quá trình tạo mô hình, nhưng mô hình thực tế, logic được sử dụng để tính toán điểm số của khách hàng – dựa trên toán học và thống kê có thể dự đoán và kiểm soát được. Người cho vay hoặc cơ quan quản lý có thể xem xét từng tính năng trong mô hình để đảm bảo họ thoải mái với từng tính năng, và chúng tôi cũng có thể cung cấp một bản phân tích điểm số của khách hàng và ánh xạ nó trở lại mã hành động bất lợi nếu cần.

Làm thế nào để các mô hình AI của bạn giúp dân chủ hóa việc cho vay và mở rộng sự bao gồm tài chính cho các nhóm dân cư chưa được phục vụ?

Nhiều người có khả năng tín dụng hơn so với những gì điểm tín dụng truyền thống của họ cho thấy. Các phương pháp đánh giá tín dụng truyền thống loại trừ hàng triệu người không phù hợp với các mô hình tín dụng truyền thống. Cách tiếp cận được hỗ trợ bởi AI của chúng tôi giúp người cho vay nhận ra những người đi vay này, mở rộng khả năng tiếp cận tín dụng công bằng và có trách nhiệm mà không tăng rủi ro.

Để đưa ra một ví dụ về một người thuộc nhóm dân cư chưa được phục vụ, hãy nghĩ về một người nhập cư vừa mới chuyển đến một quốc gia mới. Họ có thể là người có trách nhiệm về mặt tài chính, chăm chỉ làm việc và cần cù, nhưng họ cũng có thể thiếu lịch sử tín dụng truyền thống. Bởi vì cơ quan tín dụng chưa bao giờ nghe nói về họ, họ thiếu khả năng chứng minh rằng người này có khả năng tín dụng, điều này làm cho người cho vay miễn cưỡng khi đưa ra cơ hội cho vay.

Các điểm dữ liệu giao dịch không truyền thống là chìa khóa để xây dựng một đánh giá chính xác về điểm số rủi ro tín dụng cho những người mà cơ quan tín dụng không quen biết. Họ có thể thiếu lịch sử tín dụng truyền thống hoặc có lịch sử tín dụng có vẻ rủi ro đối với người cho vay mà không có ngữ cảnh phù hợp, nhưng chúng tôi có khả năng chứng minh với người cho vay rằng những người này có khả năng tín dụng và ổn định bằng cách tận dụng một lượng lớn hơn dữ liệu tài chính của họ. Trên thực tế, nền tảng của chúng tôi chính xác hơn 250% trong việc xác định người đi vay có rủi ro thấp với thông tin tín dụng hạn chế so với điểm tín dụng truyền thống, và điều đó cho phép người cho vay mở rộng cơ sở người đi vay của họ và cuối cùng tăng số lượng phê duyệt khoản vay.

Ngoài ra, vì nhiều người cho vay chỉ có một ý tưởng gần đúng về rủi ro của từng khách hàng, họ gặp khó khăn trong việc tinh chỉnh đề nghị để phản ánh hoàn cảnh cá nhân của khách hàng, thường xuyên đề nghị họ nhiều hơn những gì họ có thể đủ khả năng, cho họ vay ít hơn những gì họ cần, hoặc (hầu hết trong tất cả) từ chối họ hoàn toàn. Khả năng thiết lập giới hạn cho vay chính xác có ảnh hưởng đặc biệt đến việc cho phép người cho vay đưa những người đi vay mới vào hệ thống tài chính, từ đó họ có thể tăng khả năng vay của mình bằng cách thể hiện hành vi trả nợ có trách nhiệm – cho họ cơ hội đầu tiên để chứng minh rằng họ có thể làm việc có trách nhiệm với nợ.

Vai trò của các cơ quan quản lý trong việc định hình cách các giải pháp cho vay được hỗ trợ bởi AI được phát triển và triển khai là gì?

Các cơ quan quản lý là một phần thiết yếu trong việc tích hợp AI vào dịch vụ tài chính và trong nền kinh tế rộng lớn hơn. Các ranh giới rõ ràng về nơi và cách AI có thể được sử dụng sẽ cho phép tăng trưởng nhanh hơn và các trường hợp sử dụng mới, và chúng tôi ủng hộ các quy trình đang được tiến hành để tạo ra trách nhiệm pháp lý và quy định.

Nguyên tắc chung của chúng tôi là các công cụ AI được sử dụng trong cho vay nên phải tuân theo cùng loại giám sát và kiểm tra như các công cụ khác – chúng nên có thể chứng minh rằng chúng đang đối xử với khách hàng một cách công bằng và rằng chúng đang làm cho hệ thống ngân hàng an toàn hơn, không phải rủi ro hơn. Giải pháp của chúng tôi có thể chứng minh rõ ràng cả hai điều này.

Bạn có thể cho chúng tôi biết thêm về việc Carrington Labs gần đây được chọn vào Chương trình Start Path của Mastercard (MA ) không? Điều này sẽ giúp bạn mở rộng thị trường tại Mỹ như thế nào?

Chúng tôi rất vui được hợp tác với Mastercard về kế hoạch mở rộng thị trường tại Mỹ và toàn cầu. Họ có kinh nghiệm không thể sánh được trong việc cung cấp các giải pháp tài chính cho các ngân hàng và người cho vay khác trên toàn thế giới và đã rất hữu ích khi chúng tôi tăng cường tham gia với các khách hàng tiềm năng tại Mỹ. Chúng tôi dự kiến cả hai bên sẽ đều được lợi, với Mastercard cung cấp lời khuyên, giới thiệu và có thể một số yếu tố của giải pháp của chúng tôi, trong khi Carrington Labs cung cấp một dịch vụ có giá trị cao cho khách hàng của Mastercard.

Trước khi phát hành, thương hiệu tiêu dùng của bạn đã cấp hơn 4 triệu khoản vay. Bạn đã rút ra được những hiểu biết gì từ kinh nghiệm này và chúng đã định hình mô hình AI của Carrington Labs như thế nào?

Thông qua kinh nghiệm này, chúng tôi đã học cách xây dựng mô hình nhanh chóng và hiệu quả nhờ vào quyền truy cập vào phòng thí nghiệm R&D tuyệt vời của Beforepay và một lượng dữ liệu khổng lồ. Nếu chúng tôi có một ý tưởng về khuôn khổ mô hình, kiến trúc, mã, v.v., chúng tôi có thể thử nó ra trong Beforepay trước. Sự suy giảm mạnh mẽ trong tỷ lệ vỡ nợ của Beforepay cũng là một nghiên cứu điển hình tuyệt vời về việc mô hình hoạt động tốt như thế nào.

Đó là một trải nghiệm rất động viên nói chung, vì nhân viên của chúng tôi có một phần quan trọng trong công ty. Chúng tôi đang sử dụng mô hình của Carrington Labs mỗi ngày để cho vay tiền của chính mình, vì vậy điều đó tập trung tâm trí vào việc đảm bảo rằng những mô hình đó hoạt động!

 Bạn nhìn thấy AI sẽ phát triển như thế nào trong lĩnh vực cho vay trong thập kỷ tới?

Cho vay sẽ thay đổi rất nhiều khi ngành công nghiệp chuyển hoàn toàn sang các mô hình rủi ro được hỗ trợ bởi dữ liệu lớn mà Carrington Labs đang tận dụng trong thập kỷ tới. Và nó sẽ – những mô hình đó chỉ đơn giản là hiệu quả hơn nhiều. Đó giống như vai trò của điện trong sản xuất; nó là một yếu tố thay đổi trò chơi và mọi người sẽ либо chuyển đổi sang nó, hoặc rời khỏi ngành.

Các mô hình dữ liệu lớn có thể được xây dựng bằng tay (điều mà tôi đã từng tự làm, nhưng quá trình này mất nhiều tháng hoặc thậm chí nhiều năm, đồng thời rất tốn kém và không thể cung cấp kết quả tốt nhất. Hoặc bạn có thể tự động hóa việc xây dựng mô hình. Với AI, bạn có thể tự động hóa nhiều hơn với chất lượng cao hơn, đồng thời tiết kiệm thời gian và thực hiện những việc mà bạn không thể làm nếu xây dựng bằng tay, chẳng hạn như tạo hàng nghìn tính năng tùy chỉnh cho một người cho vay cỡ trung.

Chìa khóa là biết cách thực hiện nó một cách chính xác – nếu bạn chỉ ném một đống thứ vào một LLM, bạn sẽ nhận được một mớ hỗn độn khổng lồ và sẽ vượt qua ngân sách của mình.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập Carrington Labs.