Jamie Twiss는 데이터 과학, 인공 지능 및 소비자 대출의 교차로에서 일하는 숙련 된 은행가이자 데이터 과학자입니다. 그는 현재 최고 경영자로 일하고 있습니다 캐링턴 실험실설명 가능한 AI 기반 신용 위험 점수 및 대출 솔루션의 주요 제공 업체. 이전에는 호주 주요 은행의 최고 데이터 책임자였습니다. 그 전에는 McKinsey & Company와의 컨설턴트로 경력을 시작한 후 은행 및 금융 서비스에서 다양한 역할을 수행했습니다.
Carrington Labs의 AI 기반 위험 스코어링 시스템이 기존 신용 점수 방법과 어떻게 다른지 설명 할 수 있습니까?
위험 점수에 대한 Carrington Labs의 접근 방식은 여러 가지 방법으로 전통적인 신용 점수 방법과 다릅니다.
당사의 플랫폼은 이전 방법보다 훨씬 더 큰 데이터 세트를 사용합니다. 전통적인 신용 점수는 구식 기술에 의존하며 고객의 신용 파일에서 사용할 수있는 소량의 정보, 대부분 지불 기록을 기반으로하며, 이는 개인의 제한된 스냅 샷 만 제공하며 모든 사람들에게는 견해가 없습니다. 고객의 동의로, 우리는 라인 항목 은행 거래 데이터를 가져 와서 개인의 훨씬 더 상세하고 풍부한 그림을 만듭니다.
그런 다음 최신 AI 및 기계 학습 기술을 사용하여 이러한 대량의 데이터를 개인의 신용도에 대한 날카로운 관점으로 바꾸어 수백 개의 개별 변수를 계산하고 포괄적 인 전반적인 관점으로 결합합니다. 그 결과 점수는 신비한 블랙 박스 인 신용 점수와 달리 사용 대출 기관에 대해 완전히 설명 할 수 있고 투명합니다. 이 점수는 대출 기관의 특정 제품 및 고객 세그먼트에 맞게 조정되어 광범위한 제품 및 고객에 대해 교육을받은 일반 점수 인 신용 점수보다 더 관련성이 높고 정확합니다.
마지막으로, 우리의 플랫폼은 기존 점수보다 고객의 위험을보다 효과적으로 평가할 수있을뿐만 아니라 그 점수를 사용하여 한도 및 기간과 같은 최적의 대출 용어를 권장 할 수 있습니다. 이러한 모든 요소의 결과로 CL 위험 점수는 전통적인 방법이 대출 기관을 제공한다는 통찰력을 상당히 발전시킵니다.
AI는 공개 금융 거래 데이터를 어떻게 통합하여 신청자의 신용도에 대한 자세한 그림을 제공합니까? 그리고 신용 위험을 평가할 때 AI 모델이 식별하는 주요 예측 변수는 무엇입니까?
우리의 모델은 다양한 유형의 데이터에 대해 교육을받을 수 있지만 은행 거래 데이터는 일반적으로 핵심입니다. 우리는 수천만 줄의 트랜잭션 데이터를 사용하여 전체 모델을 훈련시킨 다음 모델이 점수를 매기는 새로운 고객마다 수천 개의 트랜잭션을 사용합니다. 오픈 뱅킹은 일반적으로 일관된 형식, 우수한 보안 및 빠른 응답 시간을 제공하기 때문에이 데이터를 수집하는 가장 좋은 방법입니다. 우리는 다른 수단을 통해 그것을 수집 할 수 있지만, 개방형 은행이 일반적으로 선호됩니다.
예를 들어, 우리는 현금 인출 습관을 분석하여 누군가가 항상 동일한 ATM을 사용하는지 또는 하루에 여러 번 현금을 꺼내려면 많은 금액을 자주 인출하는지 확인할 수 있습니다. 베팅 플랫폼에서 빈번한 거래를 찾아 도박 활동을 식별 할 수 있습니다. 우리는 누군가가 돈을받은 후 돈을 얼마나 빨리 보내는 지, 그들이 낮게 달리기 시작하면 지출을 조정하는지 여부를 볼 수 있습니다. 또한 자주 과속 티켓과 같은 위험한 사고 방식이나 행동을 나타낼 수있는 예상치 못한 재무 패턴을 표시합니다.
당사의 모델은 약 50,000 개의 가능한 변수에 대해 교육을 받았으며 일반적인 위험 모델에는 약 400이 적극적으로 사용됩니다. 이 데이터 중심의 접근 방식은 대출 기관이보다 정확한 대출 결정을 내리고 각 신청자의 고유 한 위험 프로필에 대출을 조정하는 데 도움이됩니다. 우리가 식별하고 분석하는 데이터는 익명이므로 개인 식별 정보 (PII)를 다루지 않습니다.
Carrington Labs는 AI 모델이 대출 결정에서 성별, 민족적 또는 사회 경제적 편견이 없도록하는 방법과 신용 위험 평가에서 알고리즘 편견을 완화하기 위해 어떤 단계를 수행 했습니까?
Carrington Labs의 모델은 객관성 (인간의“장의 느낌”이 없음)과 모델을 생성하는 데 사용하는 광범위한 데이터로 인해 전통적인 접근 방식보다 편향 될 가능성이 거의 없습니다.
우리는 안티 바이어스 접근 방식에 세 가지 기둥을 가지고 있습니다. 첫째, 모델 생성 과정 근처의 어느 곳에서나 보호 수업 데이터 (인종, 성별 등)를 절대로 보지 못했습니다. 우리는 당신이 우리에게 그 데이터를주지 않으면 그것을 선호합니다 (편견 테스트에 사용하기를 원하지 않는 한, 아래 참조). 둘째, 우리의 모델은 완전히 설명 할 수 있으므로 잠재적 바이어스, 프록시 변수 또는 기타 문제에 대해 각 모델에 사용 된 모든 기능을 검토합니다. 대출 기관은 또한 기능 목록에 액세스 할 수 있으며 자체 리뷰를 수행 할 수 있습니다. 셋째, 대출 기관이 테스트를위한 보호 클래스 데이터를 제공하기로 선택한 경우 (훈련에서만 멀리 떨어져있어), 모델 출력에 대한 통계 테스트를 수행하여 승인 률과 한도를 결정하고 클래스 간의 변화가 설명 가능하고 합리적인 요인에 의해 명확하게 주도되는지 확인합니다.
결과적으로 Carrington Labs의 모델의 예측력이 높고 위험에 따라 한계를 미세 조정하는 능력은 대출 기관이 더 많은 신청자를 더 작은 한도로 승인 한 다음 시간이 지남에 따라 더 많은 재무 적 포용을 가능하게하여 시간이 지남에 따라 훨씬 쉽게 늘릴 수있게 해줍니다.
AI 중심 신용 위험 평가가 대출 기관 및 규제 기관에 대해 설명 할 수 있고 투명하게 보장합니까?
모델 생성 프로세스의 여러 단계에서 AI를 사용하는 동안 모델 자체는 고객 점수를 계산하는 데 사용되는 실제 논리 (예측 가능하고 제어 가능한 수학 및 통계를 기반으로합니다. 대출 기관 또는 규제 기관은 모델의 모든 기능을 검토하여 각 기능이 편안하게 보장 할 수 있으며 고객의 점수를 분해하고 원하는 경우 불리대 조치 코드에 다시 매핑 할 수 있습니다.
귀하의 AI 모델은 대출을 민주화하고 소외 계층에 대한 재정적 포용을 확대하는 데 어떻게 도움이됩니까?
많은 사람들이 전통적인 신용 점수가 제안한 것보다 신용이 더 많습니다. 레거시 신용 스코어링 방법은 전통적인 신용 모델에 맞지 않는 수백만의 사람들을 제외합니다. 우리의 AI 기반 접근 방식은 대출 기관이 이러한 차용자를 인식하여 위험을 증가시키지 않고 공정하고 책임있는 신용에 대한 접근을 확대하는 데 도움이됩니다.
소외된 청중에 빠진 사람의 예를 들기 위해 최근에 새로운 나라로 이사 한 이민자에 대해 생각해보십시오. 그들은 재정적으로 책임감 있고, 열심히 일하고, 부지런할 수 있지만, 전통적인 신용 기록도 부족할 수도 있습니다. 신용 국은 그들에 대해 들어 본 적이 없기 때문에이 사람이 신용이라는 것을 증명할 수있는 능력이 부족하여 대출 기관은 대출 기회를 제시하기를 꺼려합니다.
이러한 비 전통적인 거래 데이터 포인트는 신용 기관이 익숙하지 않은 사람들의 신용 위험 점수를 정확하게 평가하는 열쇠입니다. 전통적인 신용 기록이 없거나 적절한 맥락이없는 대출 기관에게 위험 해 보일 수있는 신용 기록이있을 수 있지만, 대출 기관이 많은 양의 재무 데이터를 활용하여 신용이 좋고 안정적임을 보여줄 수있는 능력이 있습니다. 실제로, 우리의 플랫폼은 익명화 된 데이터의 샘플 세트를 기반으로 최대 250% 더 정확합니다. 전통적인 신용 점수보다 신용 정보가 제한된 저 위험 차용자를 식별 할 때 대출 기관이 차용자의 기반을 확장하고 궁극적으로 대출 승인을 증가시킬 수있는 힘을 발휘할 수 있습니다.
또한, 많은 대출 기관은 개별 고객의 위험에 대한 대략적인 감각 만 가지고 있기 때문에 고객의 개별 상황을 반영하기위한 제안을 미세 조정하고, 종종 감당할 수있는 것보다 더 많은 것을 제공하거나, 필요한 것보다 덜 대출하거나 (대부분) 그들을 완전히 거절합니다. 대출 한도를 정하는 능력은 정확하게 대출 기관이 새로운 차용자를 금융 시스템으로 가져 오는 데 특히 큰 영향을 미치며, 좋은 상환 행동을 보여줌으로써 차입 능력을 높일 수있는 곳에서 부채로 책임감있게 일할 수 있음을 보여줍니다.
AI 구동 대출 솔루션을 개발하고 배치하는 방식을 형성하는 데 규제 기관이 어떤 역할을합니까?
규제 기관은 금융 서비스 및 더 넓은 경제에 AI를 포함시키는 데 필수적인 부분입니다. AI를 어디에서 어떻게 사용할 수 있는지에 대한 명확한 경계는 더 빠른 성장과 새로운 사용 사례를 가능하게하며, 우리는 법적 및 규제 책임을 창출하기 위해 진행중인 다양한 프로세스를 지원합니다.
일반적으로 대출에 사용되는 AI 도구는 다른 도구와 동일한 종류의 감독과 조사를 받아야한다고 생각합니다. 고객은 고객을 공정하게 대우하고 있으며 은행 시스템을 더 안전하게 만들고 위험에 처해 있음을 입증 할 수 있어야합니다. 우리의 해결책은 두 가지를 분명히 보여줄 수 있습니다.
Carrington Labs의 최근 MasterCard Start Path 프로그램에 대한 선택에 대해 더 자세히 알려 주시겠습니까? 이것은 당신의 미국 확장을 어떻게 가속화 할 것인가?
우리는 미국 및 글로벌 확장 계획에서 MasterCard와 협력하게되어 기쁩니다. 그들은 전 세계 은행 및 기타 대출 기관에 금융 솔루션을 제공하는 데 비교할 수없는 경험을 가지고 있으며 미국 고객과의 참여를 높이면 이미 매우 도움이되었습니다. Carrington Labs는 MasterCard 고객에게 고 부가가치 서비스를 제공하는 반면, 두 당사자는 MasterCard, 소개 및 솔루션 요소를 제공하는 혜택을받을 것으로 기대합니다.
귀하의 소비자를 향한 브랜드 인 Pecior는 4 백만 개 이상의 대출을 발행했습니다. 이 경험에서 어떤 통찰력을 얻었으며, Carrington Labs의 AI 모델을 어떻게 형성 했습니까?
이 경험을 통해 우리는 액세스가 Great R & D Lab과 엄청난 양의 데이터에 우리에게 제공 한 액세스 덕분에 모델을 빠르고 효과적으로 구축하는 방법을 배웠습니다. 모델 프레임 워크, 아키텍처, 코드 등에 대한 아이디어가 있다면 Preforepay First에서 시도해 볼 수 있습니다. PrectionPay의 기본값의 급격한 감소는 모델이 얼마나 잘 작동하는지 보여주는 훌륭한 사례 연구입니다.
직원들이 회사에 큰 지분을 가지고 있기 때문에 일반적으로 매우 동기 부여 경험이었습니다. 우리는 Carrington Labs의 모델을 매일 사용하여 우리 자신의 돈을 빌려 주므로 해당 모델이 작동하는지 확인하는 데 중점을 둡니다!
향후 10 년 동안 대출 공간에서 AI가 진화하는 것을 어떻게 보십니까?
업계가 Carrington Labs가 향후 10 년 동안 활용하고있는 Big-Data 기반 위험 모델의 종류로 완전히 이동하면 대출이 크게 변할 것입니다. 그리고 그것은 모델이 훨씬 더 효과적입니다. 그것은 제조에서 전기의 역할과 같습니다. 그것은 게임 체인저이며 모든 사람이 교대 또는 출구를 만들 것입니다.
Big-Data 모델은 직접 구축 할 수 있지만 (이 과정은 몇 달 또는 몇 년이 걸리는 반면, 최상의 결과를 제공 할 수있는 반면에 몇 달 또는 몇 년이 걸립니다. 또는 모델 건물을 자동화 할 수 있습니다. AI를 사용하면 더 많은 품질로 훨씬 더 많은 것을 자동화 할 수 있습니다.
열쇠는 올바르게 수행하는 방법을 아는 것입니다. LLM에 많은 물건을 던지면 거대한 혼란을 느끼고 예산을 날려 버릴 것입니다.
훌륭한 인터뷰에 감사드립니다. 더 배우고 싶은 독자들은 방문해야합니다. 캐링턴 실험실.
게시물 Carrington Labs의 CEO 인 Jamie Twiss – 인터뷰 시리즈 먼저 나타났습니다 Unite.ai.
