AI கிரெடிட் ரிஸ்க் மாடலிங்: கிரெடிட் ரிஸ்க் செயல்பாடுகளை சீரமைத்தல்

• ஆசிரியர் பற்றி:
• ஆசிரியர் பெயர்

  குவாண்டம்ரன் தொலைநோக்கு
• பிப்ரவரி 27, 2023

கடன் அபாயத்தை மாதிரியாக்குவதில் சிக்கல் பல தசாப்தங்களாக வங்கிகளை பாதித்துள்ளது. இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு (ML/AI) அமைப்புகள் சம்பந்தப்பட்ட தரவை பகுப்பாய்வு செய்வதற்கும் மேலும் ஆற்றல்மிக்க, துல்லியமான மாதிரிகளை வழங்குவதற்கும் புதிய முறைகளை வழங்குகின்றன.

AI கிரெடிட் ரிஸ்க் மாடலிங் சூழல்

கிரெடிட் ரிஸ்க் என்பது ஒரு கடனாளி தனது கடனை செலுத்துவதில் தவறிவிடுவதால், கடனளிப்பவருக்கு பணப்புழக்கம் இழப்பு ஏற்படும் அபாயத்தைக் குறிக்கிறது. இந்த அபாயத்தை மதிப்பிடவும் நிர்வகிக்கவும், கடன் வழங்குபவர்கள் இயல்புநிலையின் நிகழ்தகவு (PD), இயல்புநிலை வெளிப்பாடு (EAD) மற்றும் இழப்பு-கொடுக்கப்பட்ட இயல்புநிலை (LGD) போன்ற காரணிகளை மதிப்பிட வேண்டும். 2004 இல் வெளியிடப்பட்ட மற்றும் 2008 இல் செயல்படுத்தப்பட்ட Basel II வழிகாட்டுதல்கள், வங்கித் துறையில் கடன் அபாயத்தை நிர்வகிப்பதற்கான விதிமுறைகளை வழங்குகின்றன. Basel II இன் முதல் தூணின் கீழ், தரப்படுத்தப்பட்ட, உள் அடித்தள மதிப்பீடு அடிப்படையிலான அல்லது மேம்பட்ட உள் மதிப்பீடுகள் அடிப்படையிலான அணுகுமுறையைப் பயன்படுத்தி கடன் அபாயத்தைக் கணக்கிடலாம்.

கிரெடிட் ரிஸ்க் மாடலிங்கில் டேட்டா அனலிட்டிக்ஸ் மற்றும் AI/ML பயன்பாடு அதிகளவில் பரவியுள்ளது. புள்ளியியல் முறைகள் மற்றும் கிரெடிட் ஸ்கோர்கள் போன்ற பாரம்பரிய அணுகுமுறைகள், நேரியல் அல்லாத உறவுகளை சிறப்பாகக் கையாளக்கூடிய மற்றும் தரவுகளில் உள்ள மறைந்திருக்கும் அம்சங்களைக் கண்டறியும் மேம்பட்ட நுட்பங்களால் கூடுதலாக வழங்கப்பட்டுள்ளன. நுகர்வோர் கடன், மக்கள்தொகை, நிதி, வேலைவாய்ப்பு மற்றும் நடத்தை தரவு அனைத்தையும் மாதிரிகளில் இணைத்து அவற்றின் முன்கணிப்பு திறனை மேம்படுத்தலாம். வணிகக் கடன் வழங்குவதில், நிலையான கிரெடிட் ஸ்கோர் இல்லாத நிலையில், கடன் வழங்குபவர்கள் கடன் தகுதியை மதிப்பிடுவதற்கு வணிக லாப அளவீடுகளைப் பயன்படுத்தலாம். மிகவும் துல்லியமான மாதிரிகளை உருவாக்க, பரிமாணத்தைக் குறைக்க இயந்திர கற்றல் முறைகளும் பயன்படுத்தப்படலாம்.

சீர்குலைக்கும் தாக்கம்

AI கிரெடிட் ரிஸ்க் மாடலிங் செயல்படுத்தப்படுவதன் மூலம், நுகர்வோர் மற்றும் வணிகக் கடன்கள் மிகவும் துல்லியமான மற்றும் ஆற்றல்மிக்க கடன் மாதிரிகளைப் பயன்படுத்தலாம். இந்த மாதிரிகள் கடன் வழங்குபவர்களுக்கு அவர்களின் கடன் வாங்குபவர்களின் சிறந்த மதிப்பீட்டைக் கொடுக்கின்றன மற்றும் ஆரோக்கியமான கடன் சந்தையை அனுமதிக்கின்றன. வணிகக் கடன் வழங்குபவர்களுக்கு இந்த உத்தி பயனளிக்கிறது, ஏனெனில் சிறிய நிறுவனங்கள் தங்கள் கடன் தகுதியை மதிப்பிடுவதற்கு எந்த அளவுகோலையும் கொண்டிருக்கவில்லை, அதே வழியில் வாடிக்கையாளர்களுக்கு நிலையான கடன் மதிப்பெண்கள் செயல்படுகின்றன.

கிரெடிட் ரிஸ்க் மாடலிங்கில் AI இன் சாத்தியமான ஒரு பயன்பாடானது, நிறுவன அறிக்கைகள் மற்றும் செய்திக் கட்டுரைகள் போன்ற கட்டமைக்கப்படாத தரவை பகுப்பாய்வு செய்வதற்கும், கடன் வாங்குபவரின் நிதி நிலைமையை ஆழமாகப் புரிந்துகொள்வதற்கும் இயற்கை மொழி செயலாக்கத்தை (NLP) பயன்படுத்துகிறது. மற்றொரு சாத்தியமான பயன்பாடானது, விளக்கக்கூடிய AI (XAI) செயல்படுத்தல் ஆகும், இது ஒரு மாதிரியின் முடிவெடுக்கும் செயல்முறையைப் பற்றிய நுண்ணறிவை வழங்குகிறது மற்றும் வெளிப்படைத்தன்மை மற்றும் பொறுப்புணர்வை மேம்படுத்துகிறது. இருப்பினும், கிரெடிட் ரிஸ்க் மாடலிங்கில் AI ஐப் பயன்படுத்துவது மாடல்களைப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவுகளில் சாத்தியமான சார்பு மற்றும் பொறுப்பான மற்றும் விளக்கக்கூடிய முடிவெடுக்கும் தேவை போன்ற நெறிமுறைக் கவலைகளையும் எழுப்புகிறது.

கிரெடிட் ரிஸ்க்கில் AI இன் பயன்பாட்டை ஆராயும் ஒரு நிறுவனத்தின் உதாரணம் Spin Analytics ஆகும். தொடக்கமானது நிதி நிறுவனங்களுக்கான கடன் இடர் மாடலிங் ஒழுங்குமுறை அறிக்கைகளை தானாக எழுத AI ஐப் பயன்படுத்துகிறது. நிறுவனத்தின் இயங்குதளமான RiskRobot, அமெரிக்கா மற்றும் ஐரோப்பா போன்ற பல்வேறு பிராந்தியங்களில் உள்ள விதிமுறைகளுக்கு இணங்குவதை உறுதி செய்வதற்காக, தரவைச் செயலாக்குவதற்கு முன், வங்கிகளை ஒருங்கிணைக்கவும், ஒன்றிணைக்கவும் மற்றும் சுத்தப்படுத்தவும் உதவுகிறது. இது துல்லியத்தை உறுதி செய்வதற்காக ஒழுங்குமுறை அதிகாரிகளுக்கு விரிவான அறிக்கைகளையும் எழுதுகிறது. இந்த அறிக்கைகளை எழுதுவதற்கு பொதுவாக 6-9 மாதங்கள் ஆகும், ஆனால் ஸ்பின் அனலிட்டிக்ஸ் அந்த நேரத்தை இரண்டு வாரங்களுக்கும் குறைவாக குறைக்க முடியும் என்று கூறுகிறது. 

AI கிரெடிட் ரிஸ்க் மாடலிங்கின் பயன்பாடுகள்

AI கிரெடிட் ரிஸ்க் மாடலிங்கின் சில பயன்பாடுகளில் பின்வருவன அடங்கும்:

• வங்கிகள் AIஐ கடன் இடர் மாடலிங்கில் பயன்படுத்தி விரிவான அறிக்கைகளைத் தயாரிப்பதற்குத் தேவைப்படும் நேரத்தையும் முயற்சியையும் கணிசமாகக் குறைக்கின்றன, நிதி நிறுவனங்கள் புதிய தயாரிப்புகளை விரைவாகவும் குறைந்த விலையிலும் வெளியிட அனுமதிக்கின்றன.
• AI-இயங்கும் அமைப்புகள் மனிதர்களை விட அதிக அளவு தரவுகளை விரைவாகவும் துல்லியமாகவும் பகுப்பாய்வு செய்ய பயன்படுத்தப்படுகின்றன, இது மிகவும் துல்லியமான இடர் மதிப்பீடுகளுக்கு வழிவகுக்கும்.
• வளரும் நாடுகளில் அதிகமான 'வங்கி இல்லாத' அல்லது 'குறைந்த வங்கி' மக்கள் மற்றும் வணிகங்கள் நிதிச் சேவைகளுக்கான அணுகலைப் பெறுகின்றன, ஏனெனில் இந்த புதிய கடன் அபாய மாடலிங் கருவிகள் இந்த குறைவான சந்தைக்கு அடிப்படை கடன் மதிப்பெண்களைக் கண்டறியவும் பயன்படுத்தவும் பயன்படுத்தப்படலாம்.
• பிழைகளின் அபாயத்தைக் குறைக்க AI- அடிப்படையிலான கருவிகளைப் பயன்படுத்த மனித ஆய்வாளர்களுக்குப் பயிற்சி அளிக்கப்படுகிறது.
• மோசடியான செயல்பாட்டின் வடிவங்களைக் கண்டறிய செயற்கை நுண்ணறிவு அமைப்புகள் பயன்படுத்தப்படுகின்றன, நிதி நிறுவனங்களுக்கு மோசடியான கடன்கள் அல்லது கடன் விண்ணப்பங்களின் அபாயத்தைக் குறைக்க உதவுகின்றன.
• எதிர்கால அபாயத்தைப் பற்றிய கணிப்புகளைச் செய்ய, வரலாற்றுத் தரவுகளில் இயந்திரக் கற்றல் வழிமுறைகள் பயிற்றுவிக்கப்படுகின்றன, இது நிதி நிறுவனங்களுக்கு சாத்தியமான இடர் வெளிப்பாடுகளை முன்கூட்டியே நிர்வகிக்க அனுமதிக்கிறது.

கருத்து தெரிவிக்க வேண்டிய கேள்விகள்

• வணிகங்கள் தங்களுடைய கடன் தகுதியைத் தரப்படுத்த எந்த அளவுகோலைப் பயன்படுத்த வேண்டும் என்று நீங்கள் நம்புகிறீர்கள்?
• எதிர்காலத்தில் மனித கடன் இடர் ஆய்வாளர்களின் பங்கை AI மாற்றுவதை நீங்கள் எவ்வாறு கருதுகிறீர்கள்?