Unterstützung bei der Kreditrisikobewertung und -bewertung: Validierung des KI-Entwurfs

Gewinne:

• Fähigkeit zu verstehen, auf welchen Daten die Bonitätsbewertung basiert und dass künstliche Intelligenz nicht die Bewertung, sondern eine klare Zusammenfassung der Bewertung liefert und die Prüfung fehlender Dokumente beschleunigt
• Nutzen Sie künstliche Intelligenz, um eine Konsistenzprüfung und Entscheidungsbegründung für die Kreditakte zu erstellen und als autorisierter Sachverständiger die endgültige Vergabeentscheidung zu treffen
• Fähigkeit zu verstehen, dass die Modellergebnisse auf erklärbare, begründbare und nichtdiskriminierende Weise dokumentiert werden müssen und dass rote Linien eingehalten werden müssen

Wenn ein Kreditantrag eintrifft, steht im Hintergrund eine einfache Frage: „Kann dieser Kunde diesen Kredit zurückzahlen und welches Risiko setzt er mit der Zahlung für die Bank ein?“ Die Antwort auf diese Frage verteilt sich auf eine Reihe von Aufgaben, die den größten Teil des Tages eines Kreditspezialisten in Anspruch nehmen: Lesen der Gewinn- und Verlustrechnung, Berechnen des Schulden-Einkommens-Verhältnisses, Interpretieren der Bonitätshistorie (Hinweis der KKB), Bewertung der Sicherheiten, Vergleich mit den internen Richtlinien und schließlich das Verfassen einer begründeten Entscheidung. Künstliche Intelligenz spart erheblich Zeit beim Lesen, Zusammenfassen und Überprüfen der Konsistenz dieser Aufgaben. Aber seien Sie vorsichtig: Die KI generiert den Score nicht, sie hilft Ihnen zu verstehen, was der Score bedeutet und wo die Datei inkonsistent ist. Der Kreditvergabebescheid wird samt Begründung vom Sachverständigen unterzeichnet.

In dieser Einheit erfahren wir Schritt für Schritt, worauf das Data Credit Scoring basiert, ab wann Sie künstliche Intelligenz sicher einsetzen können, wie Sie deren Ergebnisse überprüfen und welche roten Linien Sie niemals überschreiten sollten.

Worauf basiert die Bonitätsbewertung?

Ein Bonitätsscore ist eine Schätzung, die die Rückzahlungswahrscheinlichkeit eines Kunden auf einen numerischen Wert reduziert. Typische Einträge sind:

• Einkommen und Beschäftigung: Monatliches regelmäßiges Einkommen, Arbeitszeit, Kontinuität der Einkommensquelle.
• Aktuelle Verschuldung: Bestehende Kredite, Kreditkartenschulden, Debt-to-Income-Ratio (Verhältnis der monatlichen Schuldenzahlung zum Einkommen).
• Bonitätshistorie: Zahlungsmuster in der Vergangenheit, Verzögerungen, rechtliche Folgeaufzeichnungen (KKB-Score fasst dies zusammen).
• Sicherheit: Der Vermögenswert (Haus, Fahrzeug, Kaution) und sein Wert, der für den Kredit bereitgestellt wird.
• Nachfragemerkmale: Kredithöhe, Laufzeit, Produktart.

Tipp: Bei der Punktzahl handelt es sich um eine „Wahrscheinlichkeitsschätzung“, nicht um eine „Tatsache“. Zwei Kunden mögen die gleiche Punktzahl haben, aber ihre Geschichten können völlig unterschiedlich sein. Eine Entscheidung zu treffen, ohne die Begründung hinter der Partitur zu erkennen, bedeutet, das Buch anhand seines Einbandes zu beurteilen.

Wo steht Künstliche Intelligenz in diesem Prozess?

Es ist klar, wo künstliche Intelligenz sicher eingesetzt werden kann und wo nicht:

Suche

KI-Rolle

Wer hat die Entscheidung/Genehmigung?

Fassen Sie Beträge in einem Einkommensbeleg zusammen

Lektüre, Zusammenfassung

Bestätigung aus Expertenquelle

Entwurf zur Berechnung des Schulden-Einkommens-Verhältnisses

Kontoentwurf

Experte rechnet nach

Dateikonsistenzprüfung (Widersprüche finden)

scannen

Experte bestätigt

Begründung für die Ablehnung/Genehmigung des Entwurfs

Textentwurf

Autorisierter Fachautor/Genehmigungen

Erklären Sie die Bedeutung der Partitur

Beschreibungstext

Expertenbewertungen

Entscheidung über die Kreditvergabe

(nur Entwurf)

Die Behörde/Kommission entscheidet

Wie man sieht, erstellt künstliche Intelligenz Entwürfe und Kontrollen in jeder Zeile; „Entscheidet“ sich in keiner Zeile. Die Beibehaltung dieser Unterscheidung ist das Wesentliche dieser Einheit.

Schritt für Schritt: Vorbereiten einer Datei mit Unterstützung künstlicher Intelligenz

1. Anonymisieren. Name, TR-ID, Kontonummer entfernen; Beschreiben Sie den Kunden als „42 Jahre alt, Beamter, X-Segment“.
2. Fordern Sie einen Entwurf an. Lassen Sie die KI Dateizusammenfassungen, Konsistenzprüfungen und Begründungsentwürfe durchführen – keine Entscheidungen.
3. Verbinden Sie es mit der Quelle. Markieren Sie, aus welchem ​​Dokument die jeweilige Nummer im Ausdruck stammt.
4. Neu berechnen. Überprüfen Sie selbst kritische Zahlen, wie z. B. das Verhältnis von Schulden zu Einkommen, das Verhältnis von Sicherheiten usw.
5. Richtlinienfilter. Überprüfen Sie die Einhaltung Ihrer internen Kreditrichtlinie und Nichtdiskriminierungsrichtlinie.
6. Beschluss und Unterschrift. Sie treffen die Entscheidung, schreiben die Begründung und hinterlassen den Prüfpfad.

Vier kopierbare Vorlagen

1) Dateikonsistenzprüfung:

Ihre Rolle: Konsistenzprüfer für Kreditdateien. Entscheidungsfindung. Kunde (anonym): 42 Jahre alt, Beamter, monatliches Nettoeinkommen 55.000 TL, aktuelle monatliche Kreditzahlung 12.000 TL, Nachfrage 250.000 TL / 48 Monate. Aufgabe: Gibt es mathematische oder logische Widersprüche, fehlende Dokumente oder inkonsistente Daten in den bereitgestellten Informationen? Listen Sie jeden Befund mit der Beschriftung „[Bestätigung erforderlich]“ auf und geben Sie an, auf welchen Informationen er basiert. Die Entscheidung liegt bei mir.

2) Kontrolle der Berechnung des Schulden-Einkommens-Verhältnisses:

Berechnen Sie das Schulden-Einkommens-Verhältnis Schritt für Schritt mit den folgenden Daten und zeigen Sie die Formel an. Führen Sie einfach die Berechnung durch, treffen Sie keine Entscheidung über die Förderfähigkeit. Monatliches Nettoeinkommen: 55.000 TL. Aktuelle monatliche Schuldenzahlung: 12.000 TL. Geschätzte monatliche Rate des neuen Kredits: 6.500 TL. Gewünschte Leistung: aktueller Zinssatz, Zinssatz einschließlich des neuen Kredits, Formel und Zwischenschritte.

3) Entwurf der Ablehnungs-/Genehmigungsbegründung (erklärbar):

Ihre Rolle: Assistent, der die Begründung der Kreditentscheidung ENTWICKELT. BASIEREND auf den verifizierten Erkenntnissen, die ich Ihnen als Input gebe, füge ich neue Informationen hinzu. Ergebnisse: [Schulden-Einkommens-Verhältnis 34 %, Sicherheitenquote angemessen, 1 Verzugsnachweis]Aufgabe: Verfassen Sie einen Begründungsentwurf auf der Grundlage dieser Ergebnisse, der erklärbar ist und keine diskriminierende Sprache enthält. Kein Hinweis auf geschützte Merkmale (Alter, Geschlecht, Herkunft, Nachbarschaft). Ich werde die endgültige Entscheidung und Unterschrift hinzufügen.

4) Einfache Erklärung der Partitur:

Erklären Sie einem Kunden in 4 Sätzen, was ein Kredit-Score bedeutet, in einer nicht anklagenden Sprache und ohne Fachjargon. Verwenden Sie keine personenbezogenen Daten und machen Sie keine definitiven Versprechungen. Ich werde diesen Text prüfen, bevor ich ihn an den Kunden weiterleite.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Sollen wir diesem Kunden Anerkennung zollen? Entscheiden Sie anhand Ihrer Punktzahl und begründen Sie dies.

Dieser Antrag überlässt die Entscheidung dem Modell, stellt keinen Bezug zur Quelle her und verhindert nicht, dass die Begründung diskriminierend erscheint.

Kraftvolle Aufforderung:

Ihre Rolle: Entscheidungsunterstützungsassistent, nicht Entscheidungsträger. Schreiben Sie einen ENTWURF einer Begründung auf der Grundlage der überprüften Ergebnisse, die ich Ihnen gegeben habe. Geben Sie in Klammern den Befund an, auf dem jeder Satz basiert. Verweisen Sie nicht auf geschützte Eigenschaften. Markieren Sie alle unklaren Punkte als „[Bestätigung erforderlich]“. Die endgültige Kreditentscheidung und Verantwortung übernehme ich.

Der starke Wille schränkt die Rolle ein, verbindet jeden Anspruch mit der Quelle, verhindert Diskriminierung und hält die Entscheidung in der Person.

drei Mini-Koffer

Fall 1 – Zeitersparnis. Ein Experte führt eine Konsistenzprüfung für ein Portfolio von 30 Dateien durch. Die KI markiert 5 Unstimmigkeiten wie „Das unter Nummer 8 angegebene Einkommen beträgt 60.000, aber die Gehaltsabrechnung zeigt 42.000.“ Der Experte bestätigt alles an der Quelle; Drei davon sind echt, zwei davon sind falsche Interpretationen der künstlichen Intelligenz. Ein manueller 3-Stunden-Job wird auf 40 Minuten reduziert und es werden keine Warnungen ohne Überprüfung verwendet.

Fall 2 – Neuberechnung erkennt den Fehler. Die KI fasst das Schulden-Einkommens-Verhältnis mit „28 %“ zusammen. Der Experte führt die Formel noch einmal durch: Bestehende Schulden werden nicht berücksichtigt, der reale Zinssatz liegt bei 41 %, was über dem Schwellenwert der Innenpolitik liegt. Ohne Verifizierung könnte es zu einer falschen Bestätigung kommen.

Fall 3 – Diskriminierende Ablehnung aus Gründen. Künstliche Intelligenz konstruiert in einem Ablehnungsentwurf die Formulierung „Der Wohnort des Bewerbers ist riskant“. Der Experte bestreitet dies; Diese Aussage birgt das Risiko einer indirekten Diskriminierung (Proxy-Variable) aufgrund des Bezirks. Die Begründung wird nur mit legitimen Kriterien wie Schulden-Einkommens-Verhältnis und Zahlungsverzug umgeschrieben.

Über die Partitur hinaus: Kontext- und „Borderline“-Dateien

Der schwierigste Teil von Kreditentscheidungen ist nicht die offene Annahme oder offene Ablehnung, sondern die „grenzwertigen“ Akten. Liegt der Wert zu nahe an der innenpolitischen Schwelle, kann die Entscheidung nicht einer einzigen Zahl überlassen werden; Der Kontext kommt ins Spiel. Hier kann die KI eine Falle stellen: Sie wertet jede Grenzdatei mit der gleichen mechanischen Logik aus und übersieht die Nuancen. Es ist der Experte, der die Nuancen hinzufügt.

Beispiele für den Kontext, in dem ein Experte eine Grenzdatei betrachtet:

• Die Geschichte der Verzögerung: War eine einzelne Verzögerung auf ein vorübergehendes Gesundheitsproblem oder eine anhaltende Zahlungsunfähigkeit zurückzuführen? Derselbe „1-Verzögerungsdatensatz“ kann zwei verschiedene Geschichten erzählen.
• Art des Einkommens: Zwei Kunden können das gleiche Einkommen haben, aber einer kann ein regelmäßiges Gehalt beziehen und der andere ein schwankendes freiberufliches Einkommen; Das Risikoprofil ist unterschiedlich.
• Beziehung zur Bank: Die Akte eines Kunden, der schon lange reibungslos funktioniert, wird anders gelesen als die eines Neukunden.

KI kann dabei helfen, diese Zusammenhänge zusammenzufassen, die Abwägung und Entscheidung liegt aber – insbesondere in Grenzfällen – beim Experten.

Tipp: In Fällen, in denen die Punktzahl nahe am Schwellenwert liegt, konzentrieren Sie sich auf die Frage „Was erzählt die Geschichte dieses Kunden“ und nicht auf „Was hat das Modell gesagt?“ Bei Grenzdateien kommt es auf Expertenmeinung und nicht auf Automatisierung an.

Häufige Fehler

• Der Punktestand ist die Entscheidung. Die Punktzahl ist eine Vorhersage; Es ist nicht die Entscheidung selbst. Es ist falsch, auf der Grundlage der Punktzahl ohne Begründung und Kontext zu urteilen.
• Die Zahl wird nicht neu berechnet. Verwendung der durch künstliche Intelligenz ermittelten Raten und Summen, ohne diese zu bestätigen; Hier kommen Halluzinationen oder Fehlinterpretationen ins Spiel.
• Die diskriminierende Rechtfertigung nicht bemerken. Genehmigen Sie Begründungen, die geschützte Merkmale oder Ersatzvariablen wie Nachbarschaft, Alter, Geschlecht enthalten; ernstes rechtliches Risiko.
• Umgehen des Audit-Trails. Fehlende Dokumentation, auf welcher überprüften Feststellung die Entscheidung beruhte; können bei einem späteren Einspruch oder einer Prüfung nicht verteidigt werden.
• Anmeldeinformationen teilen. Eingabe des Tools ohne Anonymisierung der Datei.

Achtung: Bei Ablehnung einer Kreditentscheidung hat der Kunde das Recht, den Grund zu erfahren und Widerspruch einzulegen. Daher muss die Begründung sowohl korrekt als auch nachvollziehbar und frei von Diskriminierung sein. „Das Modell hat es so bewertet“ ist keine Rechtfertigung.

Zusammenfassend

Beim Bonitätsscoring handelt es sich um eine Einschätzung der Wahrscheinlichkeit, die auf Daten wie Einkommen, Verschuldung, Bonitätshistorie und Sicherheiten basiert. In diesem Prozess erstellt die KI das Lesen von Dokumenten, die Konsistenzprüfung, den Kontoentwurf und den Begründungsentwurf. Aber es ändert nichts an der Punktzahl oder der Entscheidung für Sie. Berechnen Sie jede Zahl neu, ordnen Sie jede Begründung der Quelle zu und lassen Sie sie durch den Unterscheidungsfilter laufen. Der Kreditvergabebescheid wird mit der erläuternden Begründung vom Sachverständigen unterzeichnet. In einem Satz: Künstliche Intelligenz bereitet die Akte vor; Die Kreditentscheidung trifft eine kompetente Person.

Anwendungsaufgabe

Definieren Sie eine Beispiel-Kreditdatei (anonym: Alter, Beruf, Einkommen, aktuelle Schulden, Anspruch, Fälligkeit). Führen Sie mit den oben genannten Vorlagen 1 und 2 zunächst eine Konsistenzprüfung durch und berechnen Sie dann das Schulden-Einkommens-Verhältnis. Berechnen Sie die durch künstliche Intelligenz ermittelte Rate manuell neu und vergleichen Sie sie. Erstellen Sie dann mit der 3. Vorlage einen Begründungsentwurf und prüfen Sie, ob darin eine geschützte Eigenschaft oder eine Ersatzvariable enthalten ist; Schreiben Sie es ggf. mit legitimen Kriterien neu.

Checkliste

• [ ] Ich habe die Datei anonymisiert; Ich habe keine Identifikationsinformationen weitergegeben.
• [ ] Ich habe der künstlichen Intelligenz eine Entwurfs-/Kontrollaufgabe gegeben, keine Entscheidung.
• [ ] Ich habe das Schulden-Einkommens-Verhältnis und die kritischen Zahlen von Hand neu berechnet.
• [ ] Ich habe die Begründung auf verifizierte Ergebnisse zurückgeführt und die Quelle zitiert.
• [ ] Ich habe überprüft, dass das Argument keine geschützte Eigenschaft/Proxy-Variable enthält.
• [ ] Ich habe die Entscheidung und ihre Begründung protokolliert; Ich habe die ultimative Verantwortung übernommen.