ક્રેડિટ રિસ્ક એસેસમેન્ટ અને સ્કોરિંગ સપોર્ટ: AI ડ્રાફ્ટને માન્ય કરવું

નફો:

• ડેટા ક્રેડિટ સ્કોરિંગ કયા પર આધારિત છે તે સમજવાની ક્ષમતા અને તે કૃત્રિમ બુદ્ધિ સ્કોર પ્રદાન કરતી નથી, પરંતુ સ્કોરનો સ્પષ્ટ સારાંશ આપે છે અને ગુમ થયેલ દસ્તાવેજ તપાસને વેગ આપે છે.
• લોન ફાઇલ માટે સુસંગતતા તપાસ અને ડ્રાફ્ટ નિર્ણયનું વાજબીપણું બનાવવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરો અને અધિકૃત નિષ્ણાત તરીકે અંતિમ ફાળવણીનો નિર્ણય લેવામાં સક્ષમ બનો
• તે સમજવાની ક્ષમતા કે મોડેલ આઉટપુટ સમજાવી શકાય તેવું, ન્યાયી અને બિન-ભેદભાવપૂર્ણ રીતે દસ્તાવેજીકૃત હોવું જોઈએ અને લાલ રેખાઓ જાળવી રાખવી જોઈએ

જ્યારે લોન એપ્લિકેશન આવે છે, ત્યારે પૃષ્ઠભૂમિમાં એક સરળ પ્રશ્ન હોય છે: "શું આ ગ્રાહક આ લોનની ચુકવણી કરી શકે છે અને તે ચુકવણીમાં બેંકને શું જોખમ મૂકે છે?" આ પ્રશ્નનો જવાબ શ્રેણીબદ્ધ કાર્યોમાં વિખરાયેલો છે જે ક્રેડિટ નિષ્ણાતના દિવસનો મોટાભાગનો સમય લે છે: આવક નિવેદન વાંચવું, દેવું/આવકના ગુણોત્તરની ગણતરી કરવી, ક્રેડિટ ઇતિહાસનું અર્થઘટન કરવું (KKB - ક્રેડિટ રજિસ્ટ્રી બ્યુરો નોંધ), કોલેટરલનું મૂલ્યાંકન કરવું, તેની આંતરિક નીતિ સાથે સરખામણી કરવી અને અંતે તર્કબદ્ધ નિર્ણય લખવો. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ કાર્યોના વાંચન, સારાંશ અને સુસંગતતા તપાસવામાં ગંભીર સમય બચાવે છે. પરંતુ સાવચેત રહો: ​​AI સ્કોર જનરેટ કરતું નથી, તે તમને સ્કોરનો અર્થ શું છે અને ફાઇલ ક્યાં અસંગત છે તે સમજવામાં મદદ કરે છે. ક્રેડિટ ફાળવણીનો નિર્ણય, તેના વાજબીતા સાથે, અધિકૃત નિષ્ણાત દ્વારા સહી કરવામાં આવે છે.

આ એકમમાં, અમે સ્ટેપ બાય સ્ટેપ જોઈશું કે ડેટા ક્રેડિટ સ્કોરિંગ કયા આધાર પર છે, તમે આર્ટિફિશિયલ ઈન્ટેલિજન્સનો સુરક્ષિત ઉપયોગ કયા સમયે કરી શકો છો, તેનું આઉટપુટ કેવી રીતે ચકાસવું અને કઈ લાલ રેખાઓ તમારે ક્યારેય ઓળંગવી જોઈએ નહીં.

ક્રેડિટ સ્કોરિંગ શેના પર આધારિત છે?

ક્રેડિટ સ્કોર એ અંદાજ છે જે ગ્રાહકની પુન:ચુકવણીની સંભાવનાને સંખ્યાત્મક મૂલ્ય સુધી ઘટાડે છે. લાક્ષણિક એન્ટ્રીઓ છે:

• આવક અને રોજગાર: માસિક નિયમિત આવક, કામના કલાકો, આવકના સ્ત્રોતનું સાતત્ય.
• વર્તમાન ઋણ: હાલની લોન, ક્રેડિટ કાર્ડ દેવું, દેવું-થી-આવક ગુણોત્તર (આવક માટે માસિક દેવું ચુકવણીનો ગુણોત્તર).
• ક્રેડિટ ઇતિહાસ: ભૂતકાળની ચુકવણી પેટર્ન, વિલંબ, કાનૂની ફોલો-અપ રેકોર્ડ્સ (KKB સ્કોર આનો સારાંશ આપે છે).
• કોલેટરલ: સંપત્તિ (મકાન, વાહન, થાપણ) અને લોન સામે તેની કિંમત પૂરી પાડવામાં આવે છે.
• માંગની લાક્ષણિકતાઓ: લોનની રકમ, પાકતી મુદત, ઉત્પાદનનો પ્રકાર.

ટીપ: સ્કોર એ "સંભાવના અંદાજ" છે, "તથ્ય" નથી. બે ગ્રાહકોનો સ્કોર સમાન હોઈ શકે છે, પરંતુ તેમની વાર્તાઓ સંપૂર્ણપણે અલગ હોઈ શકે છે. સ્કોર પાછળનો તર્ક જોયા વિના નિર્ણય લેવો એ પુસ્તકને તેના કવર દ્વારા જજ કરવાનું છે.

આ પ્રક્રિયામાં કૃત્રિમ બુદ્ધિ ક્યાં ઊભી છે?

તે સ્પષ્ટ છે કે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ક્યાં સુરક્ષિત રીતે ઉપયોગ કરી શકાય છે અને ક્યાં તેનો ઉપયોગ કરી શકાતો નથી:

ક્વેસ્ટ

AI ભૂમિકા

કોની પાસે નિર્ણય/મંજૂરી છે?

આવકના દસ્તાવેજમાં રકમનો સારાંશ આપો

વાંચન, સારાંશ

નિષ્ણાત સ્ત્રોત તરફથી પુષ્ટિ

દેવું/આવક ગુણોત્તર ગણતરી ડ્રાફ્ટ

એકાઉન્ટ ડ્રાફ્ટ

નિષ્ણાત ફરીથી ગણતરી કરે છે

ફાઇલ સુસંગતતા તપાસો (વિરોધાભાસ શોધવી)

સ્કેન

નિષ્ણાત પુષ્ટિ કરે છે

ડ્રાફ્ટ અસ્વીકાર/મંજૂરીનું સમર્થન

ટેક્સ્ટ ડ્રાફ્ટ

અધિકૃત નિષ્ણાત લેખક/મંજૂરી

ગુણનો અર્થ સમજાવો

વર્ણન ટેક્સ્ટ

નિષ્ણાત સમીક્ષાઓ

ક્રેડિટ ફાળવણીનો નિર્ણય

(ફક્ત ડ્રાફ્ટ)

સત્તા/સમિતિ નિર્ણય લે છે

જેમ જોઈ શકાય છે, આર્ટિફિશિયલ ઈન્ટેલિજન્સ દરેક લાઈનમાં ડ્રાફ્ટ્સ અને ચેક્સ બનાવે છે; કોઈપણ લાઇનમાં "નિર્ણય" કરતું નથી. આ ભેદ જાળવવો એ આ એકમનો સાર છે.

સ્ટેપ બાય સ્ટેપ: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે ફાઇલ તૈયાર કરવી

1. અનામી. નામ, TR ID, એકાઉન્ટ નંબર દૂર કરો; ગ્રાહકને "42 વર્ષનો, જાહેર કર્મચારી, X સેગમેન્ટ" તરીકે વર્ણવો.
2. ડ્રાફ્ટની વિનંતી કરો. AI પાસે સારાંશ, સુસંગતતા તપાસો અને ડ્રાફ્ટ વાજબીતાઓ ફાઇલ કરો - નિર્ણયો નહીં.
3. તેને સ્ત્રોત સાથે જોડો. પ્રિન્ટઆઉટમાં દરેક નંબર કયા દસ્તાવેજમાંથી આવે છે તે ચિહ્નિત કરો.
4. ફરીથી ગણતરી કરો. નિર્ણાયક નંબરો જાતે ચકાસો, જેમ કે ડેટ-ટુ-ઇન્કમ રેશિયો, કોલેટરલ રેશિયો વગેરે.
5. નીતિ ફિલ્ટર. તમારી આંતરિક ધિરાણ નીતિ અને બિન-ભેદભાવ નીતિનું પાલન તપાસો.
6. નિર્ણય અને સહી. તમે નિર્ણય લો, તર્ક લખો, ઓડિટ ટ્રેલ છોડી દો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ફાઇલ સુસંગતતા તપાસો:

તમારી ભૂમિકા: ક્રેડિટ ફાઇલ સુસંગતતા તપાસનાર. નિર્ણય લેવો. ગ્રાહક (અનામી): 42 વર્ષનો, જાહેર કર્મચારી, માસિક ચોખ્ખી આવક 55,000 TL, વર્તમાન માસિક લોન ચુકવણી 12,000 TL, માંગ 250,000 TL / 48 મહિના. કાર્ય: શું આપેલી માહિતીમાં કોઈ ગાણિતિક અથવા તાર્કિક વિરોધાભાસ, ગુમ થયેલ દસ્તાવેજો અથવા અસંગત તારીખો છે? દરેક શોધને "[પુષ્ટિ જરૂરી]" લેબલ સાથે સૂચિબદ્ધ કરો અને તે કઈ માહિતી પર આધારિત છે તેનો ઉલ્લેખ કરો. નિર્ણય મારો છે.

2) દેવું/આવક ગુણોત્તર ગણતરી નિયંત્રણ:

નીચે આપેલા ડેટા સાથે ઋણ/આવકના ગુણોત્તરની તબક્કાવાર ગણતરી કરો અને સૂત્ર બતાવો. માત્ર ગણતરી કરો, યોગ્યતાનો નિર્ણય ન લો. માસિક ચોખ્ખી આવક: 55,000 TLC વર્તમાન માસિક દેવું ચૂકવણી: 12,000 TLE નવી લોનનો અંદાજિત માસિક હપ્તો: 6,500 લોનનો દર, વર્તમાન લોનનો દર અને વર્તમાન દર સહિત: મધ્યવર્તી પગલાં.

3) ડ્રાફ્ટ અસ્વીકાર/મંજૂરીનું વાજબીપણું (સમજાવી શકાય તેવું):

તમારી ભૂમિકા: સહાયક જે લોનના નિર્ણયનો તર્ક તૈયાર કરે છે. ચકાસાયેલ તારણો પર આધારિત હું તમને ઇનપુટ તરીકે, નવી માહિતી ઉમેરી રહ્યો છું. તારણો: [દેવું/આવક ગુણોત્તર 34%, કોલેટરલ રેશિયો પર્યાપ્ત, અપરાધનો 1 રેકોર્ડ]કાર્ય: આ તારણો પર આધારિત ડ્રાફ્ટ તર્ક લખો જે સમજાવી શકાય તેવું છે અને તેમાં ભેદભાવપૂર્ણ ભાષા શામેલ નથી. સંરક્ષિત લાક્ષણિકતાઓનો કોઈ સંદર્ભ નથી (ઉંમર, લિંગ, મૂળ, પડોશ). હું અંતિમ નિર્ણય અને સહી ઉમેરીશ.

4) સ્કોરની સરળ સમજૂતી:

બિન-આરોપકારી ભાષાનો ઉપયોગ કરીને અને ટેકનિકલ કલકલનો ઉપયોગ કર્યા વિના, ગ્રાહકને ક્રેડિટ સ્કોરનો અર્થ 4 વાક્યોમાં સમજાવો. વ્યક્તિગત ડેટાનો ઉપયોગ કરશો નહીં, ચોક્કસ વચનો ન આપો. હું આ ટેક્સ્ટને ગ્રાહકને ફોરવર્ડ કરતા પહેલા તપાસીશ.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આપણે આ ગ્રાહકને ક્રેડિટ આપવી જોઈએ? તમારા સ્કોરના આધારે નિર્ણય કરો અને તમારું કારણ લખો.

આ વિનંતી નિર્ણયને મોડેલ પર છોડી દે છે, સ્ત્રોત સાથે લિંક કરતી નથી, અને વાજબીતાને ભેદભાવપૂર્ણ દેખાવાથી અટકાવતી નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: નિર્ણય સહાયક, નિર્ણય નિર્માતા નહીં. મેં તમને આપેલા ચકાસેલા તારણો પર આધારિત ડ્રાફ્ટ તર્ક લખો. દરેક વાક્ય કૌંસમાં આધારિત છે તે શોધ બતાવો. સંરક્ષિત ગુણધર્મોનો સંદર્ભ આપશો નહીં. કોઈપણ અસ્પષ્ટ બિંદુઓને "[પુષ્ટિ જરૂરી]" તરીકે ચિહ્નિત કરો. હું અંતિમ ક્રેડિટ નિર્ણય અને જવાબદારી લઈશ.

મજબૂત ઇચ્છા ભૂમિકાને મર્યાદિત કરે છે, દરેક દાવાને સ્ત્રોત સાથે જોડે છે, ભેદભાવને અટકાવે છે અને નિર્ણય વ્યક્તિમાં રાખે છે.

ત્રણ નાના કેસો

કેસ 1 - સમય બચત. નિષ્ણાત 30 ફાઇલોના પોર્ટફોલિયો પર સુસંગતતા તપાસ કરે છે. AI 5 વિસંગતતાઓને ફ્લેગ કરે છે જેમ કે "નંબર 8 માં જાહેર કરાયેલ આવક 60,000 છે પરંતુ પગારપત્રક 42,000 દર્શાવે છે." નિષ્ણાત તે બધાને સ્ત્રોત પર પુષ્ટિ આપે છે; તેમાંથી 3 વાસ્તવિક છે, તેમાંથી 2 કૃત્રિમ બુદ્ધિના ખોટા વાંચન છે. મેન્યુઅલ 3-કલાકનું કામ ઘટાડીને 40 મિનિટ કરવામાં આવે છે અને ચકાસણી વિના કોઈ ચેતવણીઓનો ઉપયોગ કરવામાં આવતો નથી.

કેસ 2 - પુનઃગણતરી ભૂલ પકડે છે. AI ડેટ-ટુ-ઇન્કમ રેશિયોને "28%" તરીકે સારાંશ આપે છે. નિષ્ણાત ફરીથી ફોર્મ્યુલા ચલાવે છે: વર્તમાન દેવું શામેલ નથી, વાસ્તવિક દર 41% છે, જે સ્થાનિક નીતિના થ્રેશોલ્ડને ઓળંગે છે. ચકાસણી વિના, ખોટી પુષ્ટિ થઈ શકે છે.

કેસ 3 - ભેદભાવપૂર્ણ જમીનનો ઇનકાર. કૃત્રિમ બુદ્ધિમત્તા અસ્વીકાર ડ્રાફ્ટમાં "અરજદાર રહે છે તે વિસ્તાર જોખમી છે" વાક્યનું નિર્માણ કરે છે. નિષ્ણાત આને નકારે છે; આ નિવેદનમાં જિલ્લા આધારિત પરોક્ષ ભેદભાવ (પ્રોક્સી વેરીએબલ)નું જોખમ છે. વાજબીતા માત્ર કાયદેસર માપદંડો જેમ કે દેવા-થી-આવક ગુણોત્તર અને અપરાધ રેકોર્ડ સાથે ફરીથી લખવામાં આવે છે.

સ્કોરથી આગળ: સંદર્ભ અને "બોર્ડરલાઇન" ફાઇલો

ક્રેડિટ નિર્ણયોનો સૌથી મુશ્કેલ ભાગ ખુલ્લી સ્વીકૃતિ અથવા ખુલ્લી અસ્વીકાર નથી, પરંતુ "સીમારેખા" ફાઇલો છે. જો સ્કોર સ્થાનિક રાજકારણના થ્રેશોલ્ડની ખૂબ નજીક હોય, તો નિર્ણયને એક નંબરની દયા પર છોડી શકાય નહીં; સંદર્ભ રમતમાં આવે છે. આ તે છે જ્યાં AI એક છટકું ગોઠવી શકે છે: તે સમાન યાંત્રિક તર્ક સાથે દરેક સીમા ફાઇલનું મૂલ્યાંકન કરે છે અને સૂક્ષ્મતા ચૂકી જાય છે. તે નિષ્ણાત છે જે સૂક્ષ્મતા ઉમેરે છે.

સંદર્ભના ઉદાહરણો જેમાં નિષ્ણાત બોર્ડર ફાઇલ જુએ છે:

• વિલંબની વાર્તા: શું કામચલાઉ સ્વાસ્થ્ય સમસ્યા અથવા ચૂકવણી કરવામાં સતત અસમર્થતાને કારણે એક જ વિલંબ થયો હતો? સમાન "1 વિલંબ રેકોર્ડ" બે અલગ અલગ વાર્તાઓ કહી શકે છે.
• આવકનો પ્રકાર: બે ક્લાયન્ટની સમાન આવક હોઈ શકે છે, પરંતુ એક નિયમિત પગાર મેળવનાર હોઈ શકે છે અને બીજો બદલાતી ફ્રીલાન્સ આવક હોઈ શકે છે; જોખમ પ્રોફાઇલ અલગ છે.
• બેંક સાથેનો સંબંધ: લાંબા સમયથી સરળ રીતે કામ કરી રહેલા ગ્રાહકની ફાઇલ નવા ગ્રાહક કરતા અલગ રીતે વાંચવામાં આવે છે.

AI તમને આ સંદર્ભોનો સારાંશ આપવામાં મદદ કરી શકે છે, પરંતુ તે નિષ્ણાત પર નિર્ભર છે કે તેનું વજન અને નિર્ણય લેવો - ખાસ કરીને સરહદી કિસ્સાઓમાં.

ટિપ: એવા કિસ્સામાં કે જ્યાં સ્કોર થ્રેશોલ્ડની નજીક છે, "મૉડેલે શું કહ્યું?"ને બદલે "આ ગ્રાહકની વાર્તા શું કહે છે" પ્રશ્ન પર ધ્યાન કેન્દ્રિત કરો. બાઉન્ડ્રી ફાઇલો એ છે જ્યાં નિષ્ણાત ચુકાદો, ઓટોમેશન નહીં, ચમકે છે.

સામાન્ય ભૂલો

• સ્કોર વિચારીને નિર્ણય છે. સ્કોર એક આગાહી છે; તે પોતે નિર્ણય નથી. વાજબીતા અને સંદર્ભ વિના સ્કોરના આધારે નિર્ણય કરવો ખોટું છે.
• નંબરની પુનઃ ગણતરી નથી. કૃત્રિમ બુદ્ધિમત્તા દ્વારા આપવામાં આવેલ દરો અને ટોટલનો ઉપયોગ તેમની પુષ્ટિ કર્યા વિના; આ તે છે જ્યાં આભાસ અથવા ગેરરીડિંગ આવે છે.
• ભેદભાવપૂર્ણ વાજબીતાની નોંધ લેતા નથી. સંરક્ષિત લાક્ષણિકતાઓ અથવા સરોગેટ ચલો જેમ કે પડોશી, ઉંમર, લિંગ શામેલ હોય તેવા વાજબીતાઓને મંજૂર કરો; ગંભીર કાનૂની જોખમ.
• ઓડિટ ટ્રેઇલને બાયપાસ કરીને. દસ્તાવેજ કરવામાં નિષ્ફળતા કે જેના પર ચકાસાયેલ શોધવાનો નિર્ણય આધારિત હતો; અનુગામી વાંધા અથવા ઓડિટમાં બચાવ કરી શકાતો નથી.
• ઓળખપત્રો શેર કરી રહ્યા છીએ. ફાઇલને અનામી કર્યા વિના સાધન દાખલ કરવું.

ધ્યાન આપો: જ્યારે ક્રેડિટનો નિર્ણય નકારવામાં આવે છે, ત્યારે ગ્રાહકને કારણ જાણવાનો અને વાંધો ઉઠાવવાનો અધિકાર છે. તેથી, વાજબીપણું સાચું, સમજાવી શકાય તેવું અને ભેદભાવથી મુક્ત હોવું જોઈએ. "મોડેલે તે રીતે સ્કોર કર્યો" એ વાજબીપણું નથી.

સારાંશમાં

ક્રેડિટ સ્કોરિંગ એ આવક, દેવું, ક્રેડિટ ઇતિહાસ અને કોલેટરલ જેવા ડેટા પર આધારિત સંભાવનાનો અંદાજ છે. આ પ્રક્રિયામાં, AI દસ્તાવેજ વાંચન, સુસંગતતા તપાસ, એકાઉન્ટ ડ્રાફ્ટ અને વાજબીતા ડ્રાફ્ટ બનાવે છે; પરંતુ તે તમારા માટેનો સ્કોર અથવા નિર્ણય બદલતો નથી. દરેક સંખ્યાની પુનઃગણતરી કરો, દરેક વાજબીતાને સ્ત્રોતને એટ્રિબ્યુટ કરો અને તેને ભેદભાવના ફિલ્ટરમાંથી પસાર કરો. ક્રેડિટ ફાળવણીના નિર્ણય પર અધિકૃત નિષ્ણાત દ્વારા સહી કરવામાં આવે છે, જેમાં સમજાવી શકાય તેવા વાજબીતા સાથે. એક વાક્યમાં: આર્ટિફિશિયલ ઇન્ટેલિજન્સ ફાઇલ તૈયાર કરે છે; એક સક્ષમ વ્યક્તિ ક્રેડિટ નિર્ણય લે છે.

એપ્લિકેશન કાર્ય

નમૂના ક્રેડિટ ફાઇલને વ્યાખ્યાયિત કરો (અનામી: ઉંમર, વ્યવસાય, આવક, વર્તમાન દેવું, દાવો, પરિપક્વતા). ઉપરના નમૂના 1 અને 2 સાથે, પ્રથમ સુસંગતતા તપાસો અને પછી દેવું/આવકના ગુણોત્તરની ગણતરી કરો. કૃત્રિમ બુદ્ધિ દ્વારા આપવામાં આવેલ દરની જાતે પુનઃગણતરી કરો અને તેની તુલના કરો. પછી 3જી ટેમ્પલેટ સાથે વાજબીતાનો ડ્રાફ્ટ જનરેટ કરો અને તપાસો કે તેમાં કોઈ પ્રોટેક્ટેડ પ્રોપર્ટી અથવા સરોગેટ વેરિએબલ છે કે નહીં; તેને કાયદેસર માપદંડો સાથે ફરીથી લખો, જો કોઈ હોય તો.

ચેકલિસ્ટ

• [ ] મેં ફાઇલને અનામી કરી છે; મેં કોઈ ઓળખની માહિતી શેર કરી નથી.
• [] મેં કૃત્રિમ બુદ્ધિમત્તાને ડ્રાફ્ટ/નિયંત્રણ કાર્ય આપ્યું, નિર્ણય નહીં.
• [ ] મેં હાથથી દેવું/આવકના ગુણોત્તર અને નિર્ણાયક સંખ્યાઓની પુન: ગણતરી કરી.
• [ ] મેં ચકાસાયેલ તારણોને તર્ક આપ્યો અને સ્ત્રોત ટાંક્યો.
• [ ] મેં તપાસ્યું કે દલીલમાં કોઈ સંરક્ષિત મિલકત/પ્રોક્સી ચલ નથી.
• [ ] મેં નિર્ણય અને તેનું સમર્થન નોંધ્યું છે; મેં અંતિમ જવાબદારી લીધી.