卡林顿实验室的杰米·特威斯 – 采访系列

杰米·特威斯是一位经验丰富的银行家和数据科学家，他的工作领域是数据科学、人工智能和消费者贷款的交叉点。他目前担任卡林顿实验室的首席执行官，卡林顿实验室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，他曾担任一家主要澳大利亚银行的首席数据官。在此之前，他在开始作为麦肯锡公司顾问的职业生涯后，曾在银行和金融服务领域担任过各种职务。

您能否解释卡林顿实验室的AI驱动风险评分系统与传统信用评分方法有什么不同?

卡林顿实验室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传统方法大得多。传统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，并且无法了解许多人的情况。经过客户同意，我们会收集逐项银行交易数据，并利用这些数据创建一个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处理这些大量的数据，并将其转化为对个人的信用度的一个清晰的观点，计算出数百个个体变量，并将它们组合成一个全面的总体观点。所得的评分是完全可解释和透明的，供使用它们的贷方使用，而信用评分则是神秘的黑箱。这些评分还根据贷方的特定产品和客户细分市场进行了量身定制，使其比信用评分更相关、更准确，因为信用评分是通用评分，训练于广泛的产品和客户上。

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，而且还可以利用该评分来推荐贷款的最佳条款，例如限额和期限。因此，CL风险评分在传统方法提供的见解方面取得了显著的进步。

您的AI如何集成开放银行交易数据，以提供对申请人的信用度更全面的画像？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总体模型，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，我们可以分析现金提款习惯，以查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钱，或者如果他们开始缺钱时是否会调整支出。我们还会标记可能表明风险心态或行为的意外财务模式，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方做出更准确的贷款决策，并根据每个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）。

卡林顿实验室如何确保其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?

卡林顿实验室的模型由于其客观性（没有人为的“直觉”）和我们用于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。我们更喜欢您根本不提供这些数据（除非您想让我们将其用于偏见测试；请参见下文）。其次，我们的模型是完全可解释的，因此我们会审查每个模型中使用的每个功能，以检查潜在的偏见、代理变量或其他问题。贷方还可以访问功能列表，并可以进行自己的审查。第三，如果贷方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由可解释和合理的因素驱动。

因此，卡林顿实验室模型的更高预测能力和根据风险调整限额的能力使贷方更容易批准更多申请人以较小的限额，然后随着良好的还款行为增加限额，从而实现更广泛的金融包容。

您如何确保您的AI驱动信用风险评估对贷方和监管机构是可解释和透明的?

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，即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。贷方或监管机构可以审查模型中的每个功能，以确保他们对每个功能都感到满意，我们还可以提供客户评分的明细，并将其映射回不良行为代码（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具信用度。传统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AI驱动方法帮助贷方识别这些借款人，扩大了公平和负责任的信用机会，而无需增加风险。

例如，考虑一个刚刚移民到新国家的移民。他们可能是负责任的、勤奋的和勤劳的，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，这反过来使贷方不愿意向他们提供贷款机会。

这些非传统的交易数据点是为信用局不熟悉的人建立准确的信用风险评分的关键。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方来说存在风险，但我们有能力向贷方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份额的财务数据。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性高达250%，基于一组匿名数据，这使得贷方能够扩大借款人基础并最终增加贷款批准。

此外，由于许多贷方只能大致了解个别客户的风险，因此他们难以量身定制贷款条款以反映客户的个人情况。他们经常要么提供超过客户能够承受的贷款，要么提供的贷款少于客户需要的，要么（最常见的是）完全拒绝客户。精确设置贷款限额的能力对使贷方能够将新借款人纳入金融系统产生了特别强烈的影响，从而可以通过良好的还款行为增加借款能力——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AI驱动贷款解决方案的开发和部署方面扮演着什么角色?

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。明确的人工智能使用界限和方法将使增长和新用例更快，并且我们支持为创造法律和监管责任而进行的各种流程。

作为一项一般原则，我们认为用于贷款的AI工具应受到与其他工具相同的监督和审查——它们应该能够证明它们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证明这两点。

您能否告诉我们更多关于卡林顿实验室最近被选入万事达卡Start Path计划的信息？这将如何加速您在美国的扩张?

我们很高兴能够与万事达卡合作推进我们的美国和全球扩张计划。他们在向世界各地的银行和其他贷方提供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增加互动方面已经非常有帮助。我们预计双方都将受益，万事达卡将提供建议、介绍和可能的一些解决方案元素，而卡林顿实验室将为万事达卡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见解，并且这些见解如何塑造了卡林顿实验室的AI模型?

通过这次经历，我们了解了如何快速有效地构建模型，得益于Beforepay提供的出色研发实验室和大量数据。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。Beforepay的违约率大幅下降，也是展示模型有效性的一个很好的案例研究。

这是一次非常有动力的经历，因为我们的员工对公司有着巨大的利益。我们每天都在使用卡林顿实验室的模型来放贷自己的钱，所以这集中了我们的注意力，确保这些模型有效!

 您如何看待未来十年中贷款领域的人工智能的演变?

贷款领域将在未来十年内发生巨大的变化，一旦该行业完全转向卡林顿实验室正在使用的基于大数据的风险模型。并且它将会——这些模型只是更有效。就像制造业中电力的作用一样；它是一个游戏规则的改变者，每个人都必须转型，否则就会退出。

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，无法提供最佳结果）。或者您可以自动构建模型。使用人工智能，您可以自动构建更多模型，质量更高，同时节省时间，并执行手动构建时不可能或极其困难的任务，例如为中型贷方生成数千个自定义功能。

关键是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，您将得到一团糟，并且会超出预算。

感谢您这次精彩的采访，希望了解更多的读者可以访问卡林顿实验室的网站。