Jamie Twiss，Carrington Labs CEO – 采访系列

Jamie Twiss 是一位经验丰富的银行家和数据科学家，他的工作领域在数据科学、人工智能和消费者贷款的交叉点。他目前担任 Carrington Labs 的首席执行官，Carrington Labs 是一家领先的可解释性人工智能信用风险评分和贷款解决方案提供商。之前，他曾担任一家主要的澳大利亚银行的首席数据官。在此之前，他在银行和金融服务领域担任过各种职务，开始他的职业生涯时是一名麦肯锡公司的顾问。

您能否解释 Carrington Labs 的人工智能风险评分系统与传统信用评分方法有什么不同？

Carrington Labs 的风险评分方法与传统信用评分方法在几个方面有所不同：

我们的平台使用的数据集比以前的方法大得多。传统的信用评分依赖于过时的技术，并且仅基于客户信用文件中有限的信息，主要是支付历史，这只能提供对个人的有限快照，并且对许多人没有任何了解。经过客户同意，我们使用逐项银行交易数据来创建对个人的更详细和更丰富的画像。

然后，我们使用现代人工智能和机器学习技术来将这些大量数据转化为对个人的信用度的清晰观点，计算数百个个体变量并将它们组合成一个全面性的总体观点。所产生的评分对于使用它们的贷款机构来说是完全可解释和透明的，不像信用评分那样是神秘的黑盒。这些评分也是根据贷款机构的特定产品和客户细分进行定制的，这使得它们比信用评分更相关、更准确，因为信用评分是针对广泛的产品和客户进行训练的通用评分。

最后，我们的平台不仅可以比传统评分更有效地评估客户的风险，而且可以使用该评分来推荐最优的贷款条款，例如限额和期限。因此，CL 风险评分在提供给贷款机构的见解方面比传统方法有了显著的改进。

您的 AI 如何集成开放银行交易数据来提供对申请人的信用度的更全面的画像？以及，您的 AI 模型在评估信用风险时识别出的一些关键预测因子是什么？

我们的模型可以在许多不同类型的数据上进行训练，但银行交易数据通常是核心。我们使用数千万行交易数据来训练整体模型，然后使用每个新客户的数千条交易来进行评分。开放银行通常是收集此类数据的最佳方式，因为它提供了一致的格式、良好的安全性和快速的响应时间。我们可以通过其他方式收集它，但开放银行通常是首选。

例如，我们可以分析提款习惯，看看某人是否经常提取大量现金，是否总是使用相同的自动取款机，或者是否每天多次提取现金。我们可以通过查看投注平台上的频繁交易来识别赌博活动。我们可以查看某人在收到钱后如何快速花费它，或者如果他们开始缺钱时是否会调整支出。我们还会标记意外的财务模式，这可能表明有风险的思维方式或行为，例如频繁的超速罚单。

我们的模型是在大约 50,000 个可能的变量上进行训练的，其中大约 400 个变量在典型的风险模型中被积极使用。这种数据驱动的方法有助于贷款机构做出更精确的贷款决策，并根据每位申请人的独特风险特征量身定制贷款。需要注意的是，我们识别和分析的数据是匿名的，因此我们不处理个人可识别信息（PII）。

Carrington Labs 如何确保其 AI 模型在贷款决策中不受性别、种族或社会经济偏见的影响，并且您采取了什么措施来减轻算法偏见在信用风险评估中的影响？

Carrington Labs 的模型由于其客观性（不涉及人类的“直觉”）和我们用来创建模型的广泛数据而不太可能存在偏见。

我们有三个反偏见方法的支柱：首先，我们永远不会让受保护的类别数据（种族、性别等）接近模型创建过程。我们更喜欢您不提供这些数据（除非您希望我们将其用于偏见测试；见下文）。其次，我们的模型是完全可解释的，因此我们会查看每个模型中使用的每个特征，以检查潜在的偏见、代理变量或其他问题。贷款机构也可以访问特征列表并进行自己的审查。第三，如果贷款机构选择提供受保护的类别数据进行测试（仅用于测试；与训练保持距离），我们将对模型输出进行统计测试，以确定批准率和限额，并确保跨类别的变化是由可解释和合理的因素驱动的。

因此，Carrington Labs 模型的更高预测能力和根据风险调整限额的能力使得贷款机构更容易批准更多申请人以较小的限额，并且在良好的还款行为下随着时间的推移增加限额，从而实现更广泛的金融包容。

您如何确保 AI 驱动的信用风险评估对于贷款机构和监管机构来说是可解释和透明的？

虽然我们在模型创建过程的几个步骤中使用人工智能，但模型本身、用于计算客户评分的实际逻辑是基于可预测和可控的数学和统计。贷款机构或监管机构可以查看模型中的每个特征，以确保他们对每个特征都感到满意，我们还可以提供客户评分的细分并将其映射到不良行为代码，如果需要。

您的 AI 模型如何帮助民主化贷款并扩大对弱势群体的金融包容？

许多人比他们的传统信用评分所示更有信用度。传统的信用评分方法排除了数百万不符合传统信用模型的人。我们的基于人工智能的方法帮助贷款机构识别这些借款人，扩大对公平和负责任的信用的访问而不增加风险。

举个例子，想想一个刚刚移居新国家的移民。他们可能是财务负责、勤奋和勤劳的人，但他们可能缺乏传统的信用历史。由于信用局从未听说过他们，因此他们缺乏证明这个人信用度的能力，这反过来又使贷款机构不愿意向他们提供贷款机会。

非传统的交易数据点是构建对不熟悉信用局的人的信用风险评分的准确评估的关键。他们可能缺乏传统的信用历史，或者他们的信用历史可能看起来对贷款机构来说存在风险，但我们有能力向贷款机构展示这些人是信用度良好和稳定的，方法是利用他们的更大数量的财务数据。事实上，我们的平台在识别有限信用信息的低风险借款人方面比传统信用评分准确率高达 250%，基于一组匿名数据，这使得贷款机构能够扩大借款人的基础并最终增加贷款批准。

此外，由于许多贷款机构只能大致了解个别客户的风险，因此他们难以根据客户的个人情况量身定制贷款方案，经常要么提供超过客户能够承受的金额，要么提供客户需要的金额，要么（最常见的是）完全拒绝他们。精确设置贷款限额的能力对使贷款机构能够将新借款人纳入金融系统产生了特别强烈的影响，从而可以通过展示良好的还款行为来增加他们的借款能力——给他们第一次机会来展示他们可以负责任地处理债务。

监管机构在塑造人工智能贷款解决方案的开发和部署方面扮演什么角色？

监管机构是将人工智能嵌入金融服务和更广泛的经济中的一个重要组成部分。明确界定人工智能可以使用和部署的边界将使增长更快，新的用例也将出现，我们支持为创造法律和监管责任而进行的各种流程。

作为一般原则，我们相信用于贷款的 AI 工具应该受到与其他工具相同的监督和审查——它们应该能够证明自己正在公平地对待客户，并且正在使银行系统更加安全，而不是更加冒险。我们的解决方案可以明确地证明这两点。

您能否告诉我们更多关于 Carrington Labs最近被选入Mastercard Start Path计划的信息？这将如何加速您的美国扩张？

我们很高兴能够与 Mastercard 合作推进我们的美国和全球扩张计划。他们在向全球银行和其他贷款机构交付金融解决方案方面拥有无与伦比的经验，并且在我们与潜在的美国客户加强互动方面已经非常有帮助。我们预计双方都将受益，Mastercard 提供建议、介绍和我们解决方案的可能元素，而 Carrington Labs 为 Mastercard 客户提供高价值服务。

Beforepay，您的面向消费者的品牌，已经发放了超过 400 万笔贷款。您从这次经历中获得了什么样的见解，并且如何将这些见解融入 Carrington Labs 的 AI 模型中？

通过这次经历，我们学会了如何快速有效地构建模型，多亏了 Beforepay 为我们提供了一个很好的研发实验室和大量的数据。如果我们有一个模型框架、架构、代码等的想法，我们可以先在 Beforepay 中尝试一下。Beforepay 的违约率急剧下降也是一个很好的案例，展示了模型的有效性。

这是一次非常有动力的经历，因为我们的员工对公司有很大的利益。我们每天都在使用 Carrington Labs 的模型来借出自己的钱，所以这集中了我们对确保这些模型有效的注意力！

您如何看待未来十年中人工智能在贷款领域的发展？

贷款业将在未来十年内发生巨大的变化，一旦整个行业完全转向 Carrington Labs 所使用的数据驱动型风险模型。这种变化将会发生——这些模型只是更有效。就像制造业中电力的作用一样；这是一个游戏规则的改变者，所有人都会做出转变，或者退出。

大数据模型可以手动构建（我以前自己做过，但这个过程需要数月甚至数年，同时也非常昂贵且无法提供最佳结果）。或者您可以自动化模型构建。使用人工智能，您可以自动化更多的内容，并且质量更高，同时也节省时间和做到手动构建无法做到的事情，例如为中型贷款机构生成数千个自定义特征。

关键是要知道如何正确地做到这一点——如果您只是将一堆东西扔给大型语言模型，您将会得到一团糟，并且会浪费预算。

感谢这次精彩的采访，希望了解更多信息的读者可以访问 Carrington Labs。