Egy mesterséges intelligenciával hajtott hitelképlet segíthet kölcsönben

A hitelminősítés már régóta a fő mérőszáma annak, hogy egy amerikai fogyasztó mennyire valószínű, hogy visszafizet bármilyen kölcsönt, a jelzáloghiteltől a hitelkártyáig. De a tényezőket amelyekre a FICO és más hitelpontszámokat létrehozó cégek – például a hiteltörténet és a hitelkártya-egyenleg – támaszkodnak, gyakran attól függ, hogy már van-e hitelük.

mobiltelefon mikrohullámú sütőben

Az elmúlt években , startup cégek termése abból indultak ki, hogy az ilyen előzményekkel nem rendelkező hitelfelvevők még mindig nagy valószínűséggel fizetnek vissza, és ennek valószínűsége nagy mennyiségű adat elemzésével határozható meg, különösen olyan adatok elemzésével, amelyek hagyományosan nem vettek részt a hitelbírálatban. Ezek a vállalatok algoritmusokat és gépi tanulást használnak, hogy értelmes mintákat találjanak az adatokban, amelyek alternatív jelek arra utalnak, hogy a hitelfelvevő jó vagy rossz hitelkockázatot jelent.

Ezek a vállalatok még fiatalok, de a mai napig nincs egyértelmű bizonyíték arra, hogy ezek a megközelítések nagymértékben kibővítették volna a rendelkezésre álló hiteleket, és az őket használó hitelezők gyakran magas kamatot számítanak fel. jelentés a Nemzeti Fogyasztói Jogi Központ fogyasztóvédelmi szervezet. A fogyasztóvédők attól tartanak, hogy ezen új adatforrások némelyike ​​– például a fogyasztók online viselkedésére vonatkozó információk vagy a hitelelemzésben hagyományosan nem szereplő pénzügyi adatok – akaratlanul is torzíthatnak az eredményekben, ami bizonyos hitelfelvevők igazságtalan megítélését eredményezheti. Az Egyesült Államokban a hitelezőknek törvény tiltja, hogy a kölcsönnyújtási döntés során figyelembe vegyék a fajt, a nemet és a vallást.



A Los Angeles-i székhelyű ZestFinance, amelyet a Google korábbi informatikai igazgatója, Douglas Merrill alapított, azt állítja, hogy megoldotta ezt a problémát egy új hitelminősítő platformmal, a ZAML-lel. A cég a gépi tanulási szoftvereket hitelezőknek értékesíti, valamint tanácsadói szolgáltatásokat is kínál. A Zest maga nem ad kölcsön pénzt.

A platform finomhangolása a Zestnek a Baidu keresővel Kínában szerzett tapasztalatai alapján történt, ahol a lakosság mindössze 20 százalékának van ismert hiteltörténete. 21 különböző tényezőt tanulmányozva, például azt, hogy az emberek hogyan keresnek és hogyan lépkednek a weboldalak között, a Zest olyan mintákat fedezett fel a Baidu adataiban, amelyek alapján eldönthető, hogy adjon-e kis kölcsönt ezeknek az ügyfeleknek, például ruházati vásárlásra. A Zest által értékelt dolgok között szerepelt, hogy egy személy saját bevallása szerinti jövedelme mennyire egyezik a modellezett jövedelmével, és hogy Zest mit számít ki, hogy az adott személy ténylegesen keresett más viselkedés alapján. Ugyanolyan fontos, mint az, hogy mekkora eltérés van a bejelentett és a modellezett jövedelem között, amikor a felfújt jövedelmet jelentik (más szóval azt a jövedelmet, amely magasabb annál, mint amit a modell feltételezett ténylegesen megkeresni), és hogy mekkora inflációt jelentenek, mondja Merrill.

Két hónap alatt a Baidu, amely egy kis hitelezési üzletággal rendelkezik, 150 százalékkal több hitelfelvevőt hagyott jóvá anélkül, hogy a hiteleik veszteségei nőttek volna, és a cég azóta több százezer kölcsönt adott ki, mondja Merrill.

Andrew Ng, a Baidu vezető tudósa a Zest technológiájának tulajdonítja, hogy a hitelfelvevők online keresési viselkedéséből, mobiltárcájából és más forrásokból származó adatok felhasználásával javította hitelmodelljeik „előrejelzési képességét” a Zest technológiájának köszönhetően. A Zest segítségével a Baidu megállapította, hogy azok a hitelfelvevők, akik kockázatos magatartást tanúsítanak az interneten – például szerencsejáték, vagy kockázatos webhelyeket látogatnak meg, például olyanokat, amelyek tiltott árukat árulnak, vagy piaci izgalmas eseményeket keresnek –, statisztikailag nagyobb a valószínűsége annak, hogy nem teljesítik a kölcsönt.

Bár utólag visszagondolva „nyilvánvaló”, az ilyen jelek jelentős hatással lehetnek a biztosítási teljesítményre, írta Ng e-mailben.

Néhány adat túllép a határokon. Zest nem használja közösségi média adatok elemzésében valami, amit a Merrill hátborzongatónak nevezett, és ami a cég szerint nem túl hasznos az ilyen típusú elemzésekben.

A Zest két hitelkártya-kibocsátóval és egy autókölcsönzővel is dolgozott. A hitelkártya-tulajdonosok körében az egyik fontos jelzés a segélyszolgálat hívása volt, amit a hitelező nem kapcsolt be a hitelképességhez Zest munkája előtt. Mint kiderült, valaki, aki egyenleg fizetési időszakának meghosszabbítása érdekében telefonál, bár késlelteti a fizetést, valószínűleg megbízható ügyfél. Az intuíció néha téved – mondja Merrill.

Az elfogultság elleni védekezés a cég szerint az, hogy minden hitelfelvevő esetében 100 ezer különböző adatpontot értékel a rendszer, és egyetlen pont sem játszik meghatározó szerepet. A torzítás teszteléséhez a Zest ismét a gépi tanulásra támaszkodik, amelyet a rendszer saját eredményeinek tesztelésére használ. Alkalmaz egy algoritmust, amelyet a Fogyasztói Pénzügyi Védelmi Iroda használ a diszkrimináció ellenőrzésére, és egyéb teszteket is végez, hogy megtalálja a váratlan összefüggéseket olyan tényezőkkel, amelyeket a hitelezőknek tilos figyelembe venni.

A Baidu's Ng támogatta a Zest technológiáját, mert képes megmagyarázni az általa „fekete dobozos gépi tanulási biztosítási modelleknek” nevezett modelleket, és az explicit és rejtett torzítások észlelésére és kijavítására összpontosít.

Chi Chi Wu, a hitelintézet ügyvédje szerint kulcsfontosságú lesz, hogy a hitelfelvevőknek és a szabályozóknak elmagyarázzák a hitelezési döntéseiket. NCLC , különösen annak magyarázata, hogy a felhasznált adatminták valóban prediktívek-e, és nem csak korrelálnak-e. Nem az alternatív adat jelenti a mindent és a vége – mondja.

elrejt

Tényleges Technológiák

Kategória

Nincs Kategorizálva

Technológia

Biotechnológia

Technikai Politika

Klímaváltozás

Ember És Technológia

Szilícium-Völgy

Számítástechnika

Mit News Magazin

Mesterséges Intelligencia

Tér

Okos Városok

Blockchain

Feature Story

Alumni Profil

Öregdiák Kapcsolat

Mit News Funkció

1865

Az Én Nézetem

77 Mass Ave

Ismerje Meg A Szerzőt

Profilok A Nagylelkűségben

Az Egyetemen Látható

Öregdiák Levelei

Hírek

Mit News Magazine

Választások 2020

Indexszel

A Kupola Alatt

Tűzoltótömlő

Végtelen Történetek

Pandémiás Technológiai Projekt

Az Elnöktől

Fedősztori

Képgaléria

Ajánlott