Keuntungan:
- Kemampuan untuk memahami apa yang menjadi dasar penilaian kredit data dan bahwa kecerdasan buatan tidak memberikan skor, tetapi ringkasan skor yang jelas dan mempercepat pemeriksaan dokumen yang hilang
- Menggunakan kecerdasan buatan untuk menghasilkan pemeriksaan konsistensi dan menyusun justifikasi keputusan untuk file pinjaman dan mampu membuat keputusan alokasi akhir sebagai ahli yang berwenang
- Kemampuan untuk memahami bahwa keluaran model harus didokumentasikan dengan cara yang dapat dijelaskan, dibenarkan, dan tidak diskriminatif serta mempertahankan garis merah
Ketika permohonan pinjaman tiba, ada pertanyaan sederhana di latar belakang: "Dapatkah pelanggan ini membayar kembali pinjaman ini dan risiko apa yang dia tanggung oleh bank untuk membayarnya?" Jawaban atas pertanyaan ini tersebar dalam serangkaian tugas yang menyita sebagian besar hari spesialis kredit: membaca laporan laba rugi, menghitung rasio utang/pendapatan, menafsirkan sejarah kredit (KKB - Catatan Biro Pendaftaran Kredit), mengevaluasi agunan, membandingkannya dengan kebijakan internal dan akhirnya menulis keputusan yang beralasan. Kecerdasan buatan menghemat banyak waktu dalam membaca, merangkum, dan memeriksa konsistensi bagian-bagian tugas ini. Namun hati-hati: AI tidak menghasilkan skor, ini membantu Anda memahami apa arti skor tersebut dan di mana file tersebut tidak konsisten. Keputusan pemberian kredit beserta justifikasinya ditandatangani oleh ahli yang berwenang.
Dalam unit ini, kita akan melihat langkah demi langkah berdasarkan penilaian kredit data, pada titik mana Anda dapat menggunakan kecerdasan buatan dengan aman, cara memverifikasi keluarannya, dan garis merah mana yang tidak boleh Anda lewati.
Berdasarkan apa penilaian kredit itu?
Skor kredit adalah perkiraan yang mengurangi kemungkinan pembayaran kembali pelanggan menjadi nilai numerik. Entri yang umum adalah:
- Pendapatan dan pekerjaan: Pendapatan rutin bulanan, jam kerja, kelangsungan sumber pendapatan.
- Hutang saat ini: Pinjaman yang ada, hutang kartu kredit, rasio hutang terhadap pendapatan (rasio pembayaran hutang bulanan terhadap pendapatan).
- Riwayat kredit: Pola pembayaran di masa lalu, penundaan, catatan tindak lanjut hukum (skor KKB merangkumnya).
- Agunan: Aset (rumah, kendaraan, deposito) dan nilainya diberikan terhadap pinjaman.
- Karakteristik permintaan: Jumlah pinjaman, jatuh tempo, jenis produk.
Tip: Skor tersebut merupakan "perkiraan probabilitas", bukan "fakta". Dua pelanggan mungkin memiliki skor yang sama, namun cerita mereka mungkin sangat berbeda. Membuat keputusan tanpa melihat alasan di balik skor berarti menilai buku dari sampulnya.
Di manakah posisi kecerdasan buatan dalam proses ini?
Jelas di mana kecerdasan buatan dapat digunakan dengan aman dan di mana tidak:
Pencarian
peran AI
Siapa yang mempunyai keputusan/persetujuan?
Ringkaslah jumlah dalam dokumen pendapatan
Membaca, ringkasan
Konfirmasi dari sumber ahli
Draf perhitungan rasio utang/pendapatan
draf akun
Pakar menghitung ulang
Pemeriksaan konsistensi file (menemukan kontradiksi)
memindai
Pakar menegaskan
Draf alasan penolakan/persetujuan
draf teks
Penulis/persetujuan ahli resmi
Jelaskan arti dari skor tersebut
Teks deskripsi
Ulasan para ahli
Keputusan alokasi kredit
(hanya draf)
Otoritas/panitia yang memutuskan
Seperti yang bisa dilihat, kecerdasan buatan menghasilkan rancangan dan pemeriksaan di setiap lini; tidak "memutuskan" di lini mana pun. Mempertahankan perbedaan ini adalah inti dari unit ini.
Langkah demi langkah: menyiapkan file dengan dukungan kecerdasan buatan
- Anonimkan. Hapus nama, ID TR, nomor rekening; Gambarkan pelanggan sebagai "42 tahun, pegawai negeri, segmen X".
- Minta draf. Mintalah AI melakukan ringkasan file, pemeriksaan konsistensi, dan draf pembenaran — bukan keputusan.
- Hubungkan ke sumbernya. Tandai dari dokumen mana setiap nomor dalam cetakan berasal.
- Hitung ulang. Verifikasi sendiri angka-angka penting, seperti rasio utang terhadap pendapatan, rasio agunan, dll.
- Filter kebijakan. Periksa kepatuhan terhadap kebijakan kredit internal Anda dan kebijakan non-diskriminasi.
- Keputusan dan tanda tangan. Anda yang membuat keputusan, menulis alasannya, meninggalkan jejak audit.
Empat templat yang dapat disalin
1) Pemeriksaan konsistensi file:
Peran Anda: pemeriksa konsistensi file kredit. Pengambilan keputusan. Klien (anonim): 42 tahun, pegawai negeri, pendapatan bersih bulanan 55,000 TL, pembayaran pinjaman bulanan saat ini 12,000 TL, permintaan 250,000 TL / 48 bulan. Tugas: Apakah terdapat kontradiksi matematis atau logika, dokumen yang hilang, atau tanggal yang tidak konsisten dalam informasi yang diberikan? Cantumkan setiap temuan dengan label "[konfirmasi diperlukan]" dan tentukan informasi apa yang menjadi dasarnya. Keputusan ada di tangan saya.
2) Pengendalian perhitungan rasio hutang/pendapatan:
Hitung rasio utang/pendapatan langkah demi langkah dengan data berikut dan tunjukkan rumusnya.Lakukan saja perhitungannya, jangan membuat keputusan kelayakan.Pendapatan bersih bulanan: 55,000 TLCPembayaran utang bulanan saat ini: 12,000 TLEPerkiraan cicilan bulanan pinjaman baru: 6,500 TLDoutput yang diinginkan: tarif saat ini, tarif termasuk pinjaman baru, rumus, dan langkah perantara.
3) Draf alasan penolakan/persetujuan (dapat dijelaskan):
Peran Anda: asisten yang menyusun alasan keputusan pinjaman. BERDASARKAN temuan terverifikasi saya berikan sebagai masukan, menambah informasi baru. Temuan: [rasio hutang/pendapatan 34%, rasio agunan memadai, 1 catatan tunggakan]Tugas: Menulis draf dasar pemikiran berdasarkan temuan ini yang dapat dijelaskan dan tidak mengandung bahasa yang diskriminatif. Tidak ada referensi mengenai karakteristik yang dilindungi (usia, jenis kelamin, asal, lingkungan). Saya akan menambahkan keputusan akhir dan tanda tangan.
4) Penjelasan sederhana tentang skor tersebut:
Jelaskan kepada pelanggan apa arti skor kredit dalam 4 kalimat, dengan menggunakan bahasa yang tidak menuduh dan tanpa menggunakan jargon teknis. Jangan menggunakan data pribadi, jangan memberikan janji yang pasti. Saya akan memeriksa teks ini sebelum meneruskannya ke pelanggan.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Haruskah kita memberikan penghargaan kepada pelanggan ini? Putuskan berdasarkan skor Anda dan tulis alasan Anda.
Permohonan ini menyerahkan keputusan pada model, tidak mengaitkan dengan sumbernya, dan tidak mencegah pembenaran terkesan diskriminatif.
Perintah yang kuat:
Peran Anda: asisten pendukung keputusan, bukan pengambil keputusan. Tulislah DRAFT alasan berdasarkan temuan terverifikasi yang saya berikan kepada Anda. Tunjukkan temuan yang menjadi dasar setiap kalimat dalam tanda kurung. Jangan mereferensikan properti yang dilindungi. Tandai poin yang tidak jelas sebagai "[konfirmasi diperlukan]". Saya akan mengambil keputusan kredit akhir dan bertanggung jawab.
Kemauan yang kuat membatasi peran, menghubungkan setiap klaim dengan sumbernya, mencegah diskriminasi dan tetap memegang keputusan pada orangnya.
tiga kasus mini
Kasus 1 — Penghematan waktu. Seorang ahli melakukan pemeriksaan konsistensi pada portofolio yang terdiri dari 30 file. AI menandai 5 ketidaksesuaian seperti “Penghasilan yang dinyatakan di angka 8 adalah 60.000 tetapi gaji menunjukkan 42.000.” Pakar mengkonfirmasi semuanya pada sumbernya; 3 di antaranya nyata, 2 di antaranya adalah pembacaan kecerdasan buatan yang salah. Pekerjaan manual yang berdurasi 3 jam dikurangi menjadi 40 menit dan tidak ada peringatan yang digunakan tanpa verifikasi.
Kasus 2 — Penghitungan ulang menangkap kesalahan. AI merangkum rasio utang terhadap pendapatan sebagai “28%.” Pakar menjalankan rumusnya lagi: utang yang ada tidak termasuk, tingkat riilnya 41%, melebihi ambang batas kebijakan dalam negeri. Tanpa verifikasi, konfirmasi palsu bisa terjadi.
Kasus 3 — Penolakan yang bersifat diskriminatif. Kecerdasan buatan mengkonstruksi frasa “daerah tempat tinggal pelamar berisiko” dalam draf penolakan. Pakar menyangkal hal ini; Pernyataan ini membawa risiko diskriminasi tidak langsung (variabel proksi) berdasarkan distrik. Pembenarannya ditulis ulang dengan hanya kriteria yang sah seperti rasio utang terhadap pendapatan dan catatan tunggakan.
Melampaui skor: file konteks dan "batas".
Bagian tersulit dalam keputusan kredit bukanlah penerimaan terbuka atau penolakan terbuka, melainkan berkas “batas”. Jika skornya terlalu dekat dengan ambang batas politik dalam negeri, keputusan tidak bisa diserahkan kepada satu pihak saja; konteks ikut berperan. Di sinilah AI dapat memasang jebakan: AI mengevaluasi setiap file batas dengan logika mekanis yang sama dan melewatkan nuansanya. Pakarlah yang menambahkan nuansa tersebut.
Contoh konteks saat pakar melihat file perbatasan:
- Kisah penundaan: Apakah satu penundaan disebabkan oleh masalah kesehatan sementara atau karena ketidakmampuan membayar? “1 catatan penundaan” yang sama dapat menceritakan dua cerita berbeda.
- Sifat pendapatan: Dua klien mungkin memiliki pendapatan yang sama, namun yang satu mungkin merupakan penerima gaji tetap dan yang lainnya merupakan pendapatan lepas variabel; Profil risikonya berbeda.
- Hubungan dengan bank: File nasabah yang sudah lama bekerja dengan lancar dibaca berbeda dengan arsip nasabah baru.
AI dapat membantu Anda meringkas konteks ini, namun terserah kepada ahli untuk mempertimbangkan dan memutuskan — terutama dalam kasus-kasus yang berada di ambang batas.
Tips: Jika skornya mendekati ambang batas, fokuslah pada pertanyaan "apa yang diceritakan oleh kisah pelanggan ini" daripada "apa yang dikatakan model?" File batas adalah tempat penilaian ahli, bukan otomatisasi.
Kesalahan umum
- Berpikir skor adalah keputusannya. Skor tersebut adalah prediksi; Ini bukanlah keputusan itu sendiri. Salah jika menilai berdasarkan skor tanpa pembenaran dan konteks.
- Tidak menghitung ulang jumlahnya. Menggunakan tarif dan total yang diberikan oleh kecerdasan buatan tanpa mengonfirmasinya; Di sinilah halusinasi atau salah membaca muncul.
- Tidak memperhatikan pembenaran yang diskriminatif. Menyetujui pembenaran yang mencakup karakteristik yang dilindungi atau variabel pengganti seperti lingkungan, usia, jenis kelamin; risiko hukum yang serius.
- Melewati jejak audit. Kegagalan untuk mendokumentasikan temuan terverifikasi yang menjadi dasar pengambilan keputusan; tidak dapat dipertahankan dalam keberatan atau audit selanjutnya.
- Berbagi kredensial. Memasuki alat tanpa menganonimkan file.
Perhatian: Apabila suatu keputusan kredit ditolak, nasabah berhak mengetahui alasannya dan mengajukan keberatan. Oleh karena itu, pembenarannya harus benar, dapat dijelaskan dan bebas dari diskriminasi. "Model memberikan penilaian seperti itu" bukanlah sebuah pembenaran.
Singkatnya
Penilaian kredit adalah perkiraan probabilitas berdasarkan data seperti pendapatan, hutang, riwayat kredit dan agunan. Dalam proses ini, AI menghasilkan pembacaan dokumen, pemeriksaan konsistensi, rancangan akun dan rancangan pembenaran; Tapi itu tidak mengubah skor atau keputusan Anda. Hitung ulang setiap angka, kaitkan setiap pembenaran dengan sumbernya, dan lewati filter diskriminasi. Keputusan pemberian kredit ditandatangani oleh ahli yang berwenang, disertai alasan yang dapat dijelaskan. Dalam satu kalimat: Kecerdasan buatan menyiapkan file; Orang yang kompeten membuat keputusan kredit.
Tugas aplikasi
Tentukan contoh file kredit (anonim: usia, pekerjaan, pendapatan, hutang saat ini, klaim, jatuh tempo). Dengan template 1 dan 2 di atas, lakukan pengecekan konsistensi terlebih dahulu lalu hitung rasio utang/pendapatan. Hitung ulang secara manual dan bandingkan tarif yang diberikan oleh kecerdasan buatan. Kemudian buat draf justifikasi dengan template ke-3 dan periksa apakah ada properti yang dilindungi atau variabel pengganti di dalamnya; Tulis ulang dengan kriteria yang sah, jika ada.
daftar periksa
- [ ] Saya menganonimkan file tersebut; Saya tidak membagikan informasi identifikasi apa pun.
- [ ] Saya memberikan tugas rancangan/kontrol pada kecerdasan buatan, bukan keputusan.
- [ ] Saya menghitung ulang rasio utang/pendapatan dan angka kritis dengan tangan.
- [ ] Saya menghubungkan alasan tersebut dengan temuan yang telah diverifikasi dan mengutip sumbernya.
- [] Saya memeriksa bahwa tidak ada variabel properti/proksi yang dilindungi dalam argumen.
- [ ] Saya telah mencatat keputusan tersebut dan alasannya; Saya mengambil tanggung jawab utama.