AI קרעדיט ריזיקירן מאָדעלינג: סטרימליינינג קרעדיט ריזיקירן אַפּעריישאַנז

• וועגן דעם מחבר
• מחבר נאָמען

  קוואַנטומרון פאָרסייט
• 27 פעברואר 2023

די פּראָבלעם פון מאָדעלינג קרעדיט ריזיקירן האט פּלייגד באַנקס פֿאַר דעקאַדעס. מאַשין לערנען און קינסטלעך סייכל (ML / AI) סיסטעמען פאָרשלאָגן נייַע מעטהאָדס צו פונאַנדערקלייַבן די ינוואַלווד דאַטן און צושטעלן מער דינאַמיש, מער פּינטלעך מאָדעלס.

אַי קרעדיט ריזיקירן מאָדעלינג קאָנטעקסט

קרעדיט ריזיקירן רעפערס צו די ריזיקירן אַז אַ באַראָוער וועט פעליקייַט אויף זייער אַנטלייַען פּיימאַנץ, ריזאַלטינג אין אַ אָנווער פון געלט פלאָוז פֿאַר די באַל - האַלוואָע. צו אַססעסס און פירן דעם ריזיקירן, לענדערס מוזן אָפּשאַצן סיבות אַזאַ ווי די מאַשמאָעס פון פעליקייַט (PD), די ויסשטעלן ביי פעליקייַט (EAD) און די אָנווער-געגעבן פעליקייַט (LGD). די באַסעל וו גיידליינז, ארויס אין 2004 און ימפּלאַמענאַד אין 2008, צושטעלן רעגיאַליישאַנז פֿאַר אָנפירונג קרעדיט ריזיקירן אין די באַנקינג אינדוסטריע. אונטער דער ערשטער זייַל פון באַסעל וו, קרעדיט ריזיקירן קענען זיין קאַלקיאַלייטיד ניצן אַ סטאַנדערדייזד, אַן ינערלעך יסוד ראַנג-באזירט, אָדער אַ אַוואַנסירטע ינערלעך רייטינגז-באזירט צוגאַנג.

די נוצן פון דאַטן אַנאַליטיקס און אַי / מל איז געווארן ינקריסינגלי פאַרשפּרייט אין קרעדיט ריזיקירן מאָדעלינג. טראַדיציאָנעל אַפּראָוטשיז, אַזאַ ווי סטאַטיסטיש מעטהאָדס און קרעדיט סקאָרז, זענען סאַפּלאַמענטאַד דורך מער אַוואַנסירטע טעקניקס וואָס קענען בעסער שעפּן ניט-לינעאַר באציונגען און ידענטיפיצירן לייטאַנט פֿעיִקייטן אין די דאַטן. קאָנסומער לענדינג, דעמאָגראַפיק, פינאַנציעל, באַשעפטיקונג און נאַטוראַל דאַטן קענען אַלע זיין ינקאָרפּערייטיד אין מאָדעלס צו פֿאַרבעסערן זייער פּרידיקטיוו פיייקייט. אין געשעפט לענדינג, ווו עס איז קיין נאָרמאַל קרעדיט כעזשבן, לענדערס קענען נוצן געשעפט פּראַפיטאַביליטי מעטריקס צו אַססעסס קרעדיטווערדינאַס. מאַשין לערנען מעטהאָדס קענען אויך זיין געניצט פֿאַר דימענשאַנאַליטי רעדוקציע צו בויען מער פּינטלעך מאָדעלס.

דיסראַפּטיוו פּראַל

מיט די ימפּלאַמענטיישאַן פון אַי קרעדיט ריזיקירן מאָדעלינג, קאַנסומער און געשעפט לענדינג קענען נוצן מער פּינטלעך און דינאַמיש לענדינג מאָדעלס. די מאָדעלס געבן לענדערס אַ בעסער אַסעסמאַנט פון זייער באַראָוערז און לאָזן אַ כעלטיער לענדינג מאַרק. די סטראַטעגיע איז וווילטויק פֿאַר געשעפט לענדערס, ווייַל קלענערער ענטערפּריסעס האָבן קיין בענטשמאַרק צו ריכטער זייער קרעדיטווערדינאַס ווי נאָרמאַל קרעדיט סקאָרז פונקציאָנירן פֿאַר קאָנסומערס.

איין פּאָטענציעל אַפּלאַקיישאַן פון אַי אין קרעדיט ריזיקירן מאָדעלינג איז ניצן נאַטירלעך שפּראַך פּראַסעסינג (NLP) צו אַנאַלייז אַנסטראַקטשערד דאַטן, אַזאַ ווי פירמע ריפּאָרץ און נייַעס אַרטיקלען, צו עקסטראַקט באַטייַטיק אינפֿאָרמאַציע און באַקומען אַ דיפּער פארשטאנד פון אַ באַראָוער ס פינאַנציעל סיטואַציע. אן אנדער פּאָטענציעל נוצן איז די ימפּלאַמענטיישאַן פון יקספּליינינג אַי (XAI), וואָס קענען צושטעלן ינסייט אין די באַשלוס-מאכן פּראָצעס פון אַ מאָדעל און פֿאַרבעסערן דורכזעיקייַט און אַקאַונטאַביליטי. אָבער, ניצן אַי אין קרעדיט ריזיקירן מאָדעלינג אויך רייזאַז עטישע קאַנסערנז, אַזאַ ווי פּאָטענציעל פאָרורטייל אין די דאַטן געניצט צו באַן מאָדעלס און די נויט פֿאַר פאַראַנטוואָרטלעך און דערקלערט באַשלוס-מאכן.

א ביישפּיל פון אַ פירמע וואָס ויספאָרשן די נוצן פון אַי אין קרעדיט ריזיקירן איז ספּין אַנאַליטיקס. די סטאַרטאַפּ ניצט אַי צו אויטאָמאַטיש שרייַבן קרעדיט ריזיקירן מאָדעלינג רעגולירן ריפּאָרץ פֿאַר פינאַנציעל אינסטיטוציעס. די פירמע 'ס פּלאַטפאָרמע, RiskRobot, העלפּס באַנקס צונויפגיסן, צונויפגיסן און רייניקן דאַטן איידער פּראַסעסינג עס צו ענשור העסקעם מיט רעגיאַליישאַנז אין פאַרשידענע מקומות, אַזאַ ווי די יו. עס. און אייראָפּע. עס אויך שרייבט דיטיילד ריפּאָרץ פֿאַר רעגיאַלייטערז צו ענשור אַקיעראַסי. שרייבן די ריפּאָרץ טיפּיקלי נעמט 6-9 חדשים, אָבער ספּין אַנאַליטיקס קליימז אַז עס קען רעדוצירן די צייט צו ווייניקער ווי צוויי וואָכן. 

אַפּפּליקאַטיאָנס פון אַי קרעדיט ריזיקירן מאָדעלינג

עטלעכע אַפּלאַקיישאַנז פון אַי קרעדיט ריזיקירן מאָדעלינג קען אַרייַננעמען:

• באַנקס ניצן אַי אין קרעדיט ריזיקירן מאָדעלינג צו באטייטיק רעדוצירן די צייט און מי פארלאנגט צו פּראָדוצירן דיטיילד ריפּאָרץ, אַלאַוינג פינאַנציעל אינסטיטוציעס צו קאַטער נייַ פּראָדוקטן מער געשווינד און צו אַ נידעריקער פּרייַז.
• AI-Powered סיסטעמען זענען געניצט צו אַנאַלייז גרויס אַמאַונץ פון דאַטן מער געשווינד און אַקיעראַטלי ווי יומאַנז, וואָס קען פירן צו מער פּינטלעך ריזיקירן אַסעסמאַנץ.
• מער 'ונבאַנקעד' אָדער 'אַנדערבאַנגקט' מענטשן און געשעפטן אין די דעוועלאָפּינג וועלט גיינינג אַקסעס צו פינאַנציעל באַדינונגס ווייַל די ראָמאַן קרעדיט ריזיקירן מאָדעלינג מכשירים קענען זיין געווענדט צו דערקענען און צולייגן יקערדיק קרעדיט סקאָרז צו דעם אַנדערסערווד מאַרק.
• מענטשנרעכט אַנאַליס זענען טריינד צו נוצן אַי-באזירט מכשירים צו רעדוצירן די ריזיקירן פון ערראָרס.
• קינסטלעך סייכל סיסטעמען זענען געניצט צו דעטעקט פּאַטערנז פון פראָדזשאַלאַנט טעטיקייט, העלפּינג פינאַנציעל אינסטיטוציעס צו רעדוצירן די ריזיקירן פון פראָדזשאַלאַנט לאָונז אָדער קרעדיט אַפּלאַקיישאַנז.
• מאַשין לערנען אַלגערידאַמז זענען טריינד אויף היסטארישע דאַטן צו מאַכן פֿאָרויסזאָגן וועגן צוקונפֿט ריזיקירן, אַלאַוינג פינאַנציעל אינסטיטוציעס צו פּראָואַקטיוולי פירן פּאָטענציעל ריזיקירן יקספּאָוזשערז.

פראגעס צו באַמערקן אויף

• וואָס מעטריק טאָן איר גלויבן אַז געשעפטן זאָל נוצן צו בענטשמאַרק זייער קרעדיטווערדינאַס?
• ווי טאָן איר ענוויסיאָן אַז אַי טשאַנגינג די ראָלע פון ​​מענטש קרעדיט ריזיקירן אַנאַליס אין דער צוקונפֿט?