Keuntungan:
- Keupayaan untuk memahami pemarkahan kredit data berdasarkan dan bahawa kecerdasan buatan tidak memberikan skor, tetapi ringkasan skor yang jelas dan mempercepatkan semakan dokumen yang hilang
- Gunakan kecerdasan buatan untuk menghasilkan semakan konsisten dan draf justifikasi keputusan untuk fail pinjaman dan dapat membuat keputusan peruntukan akhir sebagai pakar yang diberi kuasa
- Keupayaan untuk memahami bahawa output model mesti didokumenkan dengan cara yang boleh dijelaskan, wajar dan tidak diskriminasi dan mengekalkan garis merah
Apabila permohonan pinjaman tiba, terdapat soalan mudah di latar belakang: "Bolehkah pelanggan ini membayar balik pinjaman ini dan apakah risiko yang dia meletakkan bank untuk membayar?" Jawapan kepada soalan ini tersebar dalam beberapa siri tugas yang mengambil sebahagian besar hari pakar kredit: membaca penyata pendapatan, mengira nisbah hutang/pendapatan, mentafsir sejarah kredit (KKB - nota Biro Pendaftaran Kredit), menilai cagaran, membandingkannya dengan polisi dalaman dan akhirnya menulis keputusan yang beralasan. Kecerdasan buatan menjimatkan masa yang serius dalam membaca, meringkaskan dan memeriksa bahagian tugasan ini secara konsisten. Tetapi berhati-hati: AI tidak menjana skor, ia membantu anda memahami maksud skor dan tempat fail tidak konsisten. Keputusan peruntukan kredit, bersama dengan justifikasinya, ditandatangani oleh pakar yang diberi kuasa.
Dalam unit ini, kita akan melihat langkah demi langkah berdasarkan pemarkahan kredit data, pada titik mana anda boleh menggunakan kecerdasan buatan dengan selamat, cara mengesahkan outputnya dan garis merah yang tidak boleh anda lalui.
Apakah yang dimaksudkan dengan pemarkahan kredit?
Skor kredit ialah anggaran yang mengurangkan kebarangkalian pelanggan untuk membayar balik kepada nilai berangka. Entri biasa ialah:
- Pendapatan dan pekerjaan: Pendapatan tetap bulanan, waktu bekerja, kesinambungan sumber pendapatan.
- Keterhutangan semasa: Pinjaman sedia ada, hutang kad kredit, nisbah hutang kepada pendapatan (nisbah bayaran hutang bulanan kepada pendapatan).
- Sejarah kredit: Corak pembayaran lalu, kelewatan, rekod susulan undang-undang (skor KKB meringkaskan ini).
- Cagaran: Aset (rumah, kenderaan, deposit) dan nilainya yang diberikan terhadap pinjaman.
- Ciri-ciri permintaan: Jumlah pinjaman, tempoh matang, jenis produk.
Petua: Skor ialah "anggaran kebarangkalian", bukan "fakta". Dua pelanggan mungkin mempunyai skor yang sama, tetapi cerita mereka mungkin berbeza sama sekali. Membuat keputusan tanpa melihat alasan di sebalik skor adalah menilai buku dari kulitnya.
Di manakah kedudukan kecerdasan buatan dalam proses ini?
Jelas di mana kecerdasan buatan boleh digunakan dengan selamat dan di mana ia tidak boleh:
Pencarian
peranan AI
Siapa yang mempunyai keputusan/kelulusan?
Ringkaskan jumlah dalam dokumen pendapatan
Membaca, ringkasan
Pengesahan daripada sumber pakar
Draf pengiraan nisbah hutang/pendapatan
draf akaun
Pakar mengira semula
Semakan konsistensi fail (mencari percanggahan)
imbasan
Pakar mengesahkan
Draf penolakan/justifikasi kelulusan
draf teks
Pengarang/kelulusan pakar yang diberi kuasa
Terangkan maksud skor
Teks penerangan
Ulasan pakar
Keputusan peruntukan kredit
(draf sahaja)
Pihak berkuasa/jawatankuasa memutuskan
Seperti yang dapat dilihat, kecerdasan buatan menghasilkan draf dan pemeriksaan pada setiap baris; tidak "memutuskan" dalam mana-mana baris. Mengekalkan perbezaan ini adalah intipati unit ini.
Langkah demi langkah: menyediakan fail dengan sokongan kecerdasan buatan
- anonimkan. Alih keluar nama, ID TR, nombor akaun; Terangkan pelanggan sebagai "42 tahun, kakitangan awam, segmen X".
- Minta draf. Minta AI membuat ringkasan fail, semakan konsistensi dan draf justifikasi — bukan keputusan.
- Sambungkannya ke sumber. Tandakan dokumen yang mana setiap nombor dalam cetakan berasal.
- Kira semula. Sahkan sendiri nombor kritikal, seperti nisbah hutang kepada pendapatan, nisbah cagaran, dsb.
- Penapis dasar. Semak pematuhan dengan dasar kredit dalaman anda dan dasar tanpa diskriminasi.
- Keputusan dan tandatangan. Anda membuat keputusan, tulis rasionalnya, tinggalkan jejak audit.
Empat templat yang boleh disalin
1) Semakan konsistensi fail:
Peranan anda: penyemak konsistensi fail kredit. Membuat keputusan. Pelanggan (tanpa nama): 42 tahun, kakitangan awam, pendapatan bersih bulanan 55,000 TL, bayaran pinjaman bulanan semasa 12,000 TL, permintaan 250,000 TL / 48 bulan. Tugas: Adakah terdapat sebarang percanggahan matematik atau logik, dokumen yang hilang atau tarikh yang tidak konsisten dalam maklumat yang diberikan? Senaraikan setiap penemuan dengan label "[pengesahan diperlukan]" dan nyatakan maklumat yang berdasarkannya. Keputusan di tangan saya.
2) Kawalan pengiraan nisbah hutang/pendapatan:
Kira nisbah hutang/pendapatan langkah demi langkah dengan data berikut dan tunjukkan formula. Buat pengiraan sahaja, jangan buat keputusan kelayakan.Pendapatan bersih bulanan: 55,000 TLCBayaran hutang bulanan semasa: 12,000 TLEanggaran ansuran bulanan pinjaman baharu: 6,500 TLD, kadar yang diingini dan keluaran semasa:
3) Draf penolakan/justifikasi kelulusan (boleh dijelaskan):
Peranan anda: pembantu yang MENGGUBAL rasional keputusan pinjaman. BERDASARKAN penemuan yang disahkan saya berikan kepada anda sebagai input, menambah maklumat baharu. Penemuan: [nisbah hutang/pendapatan 34%, nisbah cagaran mencukupi, 1 rekod kenakalan]Tugas: Tulis draf rasional berdasarkan dapatan ini yang boleh dijelaskan dan tidak mengandungi bahasa diskriminasi. Tiada rujukan kepada ciri-ciri yang dilindungi (umur, jantina, asal, kejiranan). Saya akan menambah keputusan muktamad dan tandatangan.
4) Penjelasan ringkas tentang markah:
Terangkan kepada pelanggan maksud skor kredit dalam 4 ayat, menggunakan bahasa yang tidak menuduh dan tanpa menggunakan jargon teknikal. Jangan gunakan data peribadi, jangan buat janji yang pasti. Saya akan menyemak teks ini sebelum memajukannya kepada pelanggan.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Patutkah kita memberi kredit kepada pelanggan ini? Tentukan berdasarkan skor anda dan tulis alasan anda.
Permintaan ini menyerahkan keputusan kepada model, tidak memaut kepada sumber dan tidak menghalang justifikasi daripada kelihatan diskriminasi.
Gesaan kuat:
Peranan anda: pembantu sokongan keputusan, bukan pembuat keputusan. Tulis rasional DRAF berdasarkan penemuan disahkan yang saya berikan kepada anda. Tunjukkan dapatan yang berdasarkan setiap ayat dalam kurungan. Jangan rujuk harta yang dilindungi. Tandai mana-mana mata yang tidak jelas sebagai "[pengesahan diperlukan]". Saya akan mengambil keputusan dan tanggungjawab kredit muktamad.
Kemahuan yang kuat mengehadkan peranan, menghubungkan setiap tuntutan kepada sumber, menghalang diskriminasi dan mengekalkan keputusan dalam diri orang itu.
tiga kes mini
Kes 1 — Penjimatan masa. Seorang pakar melakukan semakan konsisten pada portfolio 30 fail. AI menunjukkan 5 percanggahan seperti "Pendapatan yang diisytiharkan dalam nombor 8 ialah 60,000 tetapi senarai gaji menunjukkan 42,000." Pakar mengesahkan semuanya di sumber; 3 daripadanya adalah nyata, 2 daripadanya adalah bacaan palsu kecerdasan buatan. Kerja manual 3 jam dikurangkan kepada 40 minit dan tiada amaran digunakan tanpa pengesahan.
Kes 2 — Pengiraan semula menangkap ralat. AI meringkaskan nisbah hutang kepada pendapatan sebagai "28%." Pakar menjalankan formula sekali lagi: hutang sedia ada tidak termasuk, kadar sebenar ialah 41%, yang melebihi ambang dasar domestik. Tanpa pengesahan, pengesahan palsu boleh berlaku.
Kes 3 — Penafian alasan diskriminasi. Kecerdasan buatan membina frasa "kawasan tempat tinggal pemohon berisiko" dalam draf penolakan. Pakar menafikan perkara ini; Kenyataan ini membawa risiko diskriminasi tidak langsung (pembolehubah proksi) berdasarkan daerah. Justifikasi itu ditulis semula dengan hanya kriteria yang sah seperti nisbah hutang kepada pendapatan dan rekod kenakalan.
Di luar skor: fail konteks dan "garis sempadan".
Bahagian paling sukar dalam keputusan kredit bukanlah penerimaan terbuka atau penolakan terbuka, tetapi fail "garis sempadan". Jika skor terlalu dekat dengan ambang politik domestik, keputusan itu tidak boleh dibiarkan hanya pada satu nombor sahaja; konteks memainkan peranan. Di sinilah AI boleh menetapkan perangkap: ia menilai setiap fail sempadan dengan logik mekanikal yang sama dan merindui nuansa. Ia adalah pakar yang menambah nuansa.
Contoh konteks yang pakar melihat fail sempadan:
- Kisah kelewatan: Adakah kelewatan tunggal disebabkan masalah kesihatan sementara atau ketidakupayaan yang berterusan untuk membayar? "1 rekod kelewatan" yang sama boleh menceritakan dua cerita berbeza.
- Sifat pendapatan: Dua pelanggan mungkin mempunyai pendapatan yang sama, tetapi seorang mungkin penerima gaji tetap dan satu lagi pendapatan bebas berubah; Profil risiko adalah berbeza.
- Hubungan dengan bank: Fail pelanggan yang telah lama bekerja dengan lancar dibaca secara berbeza daripada fail pelanggan baharu.
AI boleh membantu anda meringkaskan konteks ini, tetapi terpulang kepada pakar untuk menimbang dan membuat keputusan — terutamanya dalam kes sempadan.
Petua: Dalam kes di mana skor hampir kepada ambang, fokus pada soalan "apa yang diceritakan oleh kisah pelanggan ini" dan bukannya "apa yang dikatakan model?" Fail sempadan adalah tempat pertimbangan pakar, bukan automasi, bersinar.
Kesilapan biasa
- Berfikir skor adalah keputusannya. Skor adalah ramalan; Ia bukan keputusan itu sendiri. Adalah salah untuk menilai berdasarkan skor tanpa justifikasi dan konteks.
- Tidak mengira semula nombor. Menggunakan kadar dan jumlah yang diberikan oleh kecerdasan buatan tanpa mengesahkannya; Di sinilah timbulnya halusinasi atau salah baca.
- Tidak perasan justifikasi diskriminasi. Meluluskan justifikasi yang merangkumi ciri-ciri yang dilindungi atau pembolehubah pengganti seperti kejiranan, umur, jantina; risiko undang-undang yang serius.
- Melangkaui jejak audit. Kegagalan untuk mendokumentasikan penemuan yang disahkan berdasarkan keputusan itu; tidak boleh dipertahankan dalam bantahan atau audit berikutnya.
- Berkongsi kelayakan. Memasuki alat tanpa menamakan fail.
Perhatian: Apabila keputusan kredit ditolak, pelanggan mempunyai hak untuk mengetahui sebabnya dan membantah. Oleh itu, justifikasi mestilah betul, boleh dijelaskan dan bebas daripada diskriminasi. "Model itu menjaringkannya dengan cara itu" bukanlah satu justifikasi.
Secara ringkasnya
Pemarkahan kredit ialah anggaran kebarangkalian berdasarkan data seperti pendapatan, keberhutangan, sejarah kredit dan cagaran. Dalam proses ini, AI menghasilkan bacaan dokumen, semakan konsisten, draf akaun dan draf justifikasi; Tetapi ia tidak mengubah skor atau keputusan untuk anda. Kira semula setiap nombor, kaitkan setiap justifikasi kepada sumber, dan hantarkannya melalui penapis diskriminasi. Keputusan peruntukan kredit ditandatangani oleh pakar yang diberi kuasa, bersama dengan justifikasi yang boleh dijelaskan. Dalam satu ayat: Kepintaran buatan menyediakan fail; Orang yang cekap membuat keputusan kredit.
Tugasan permohonan
Tentukan contoh fail kredit (tanpa nama: umur, pekerjaan, pendapatan, hutang semasa, tuntutan, matang). Dengan templat 1 dan 2 di atas, mula-mula lakukan semakan konsisten dan kemudian hitung nisbah hutang/pendapatan. Kira semula secara manual dan bandingkan kadar yang diberikan oleh kecerdasan buatan. Kemudian jana draf justifikasi dengan templat ke-3 dan semak sama ada terdapat harta yang dilindungi atau pembolehubah pengganti di dalamnya; Tulis semula dengan kriteria yang sah, jika ada.
senarai semak
- [ ] Saya menamakan fail itu; Saya tidak berkongsi sebarang maklumat pengenalan.
- [ ] Saya memberikan kecerdasan buatan tugas draf/kawalan, bukan keputusan.
- [ ] Saya mengira semula nisbah hutang/pendapatan dan nombor kritikal dengan tangan.
- [ ] Saya mengaitkan rasional itu kepada penemuan yang disahkan dan memetik sumbernya.
- [ ] Saya menyemak bahawa tiada pembolehubah harta/proksi yang dilindungi dalam hujah.
- [ ] Saya telah merekodkan keputusan dan justifikasinya; Saya bertanggungjawab sepenuhnya.