Winst:
- Vermogen om te begrijpen waarop datakredietscores zijn gebaseerd en dat kunstmatige intelligentie niet de score levert, maar een duidelijke samenvatting van de score en de controle van ontbrekende documenten versnelt
- Gebruik kunstmatige intelligentie om een consistentiecontrole uit te voeren en een ontwerpbesluitmotivatie voor het leningdossier op te stellen en als geautoriseerde deskundige de definitieve toewijzingsbeslissing te kunnen nemen
- Vermogen om te begrijpen dat modeluitvoer op een verklaarbare, gerechtvaardigde en niet-discriminerende manier moet worden gedocumenteerd en dat er rode lijnen moeten worden aangehouden
Als er een leningaanvraag binnenkomt, speelt er op de achtergrond een simpele vraag: "Kan deze klant deze lening terugbetalen en welk risico loopt hij bij de bank?" Het antwoord op deze vraag is verspreid over een reeks taken die het grootste deel van de dag van de kredietspecialist in beslag nemen: het lezen van de resultatenrekening, het berekenen van de schuld/inkomstenratio, het interpreteren van de kredietgeschiedenis (nota KKB - Kredietregistratiebureau), het evalueren van het onderpand, het vergelijken ervan met het interne beleid en uiteindelijk het schrijven van een met redenen omkleed besluit. Kunstmatige intelligentie bespaart veel tijd bij het lezen, samenvatten en controleren van delen van deze taken. Maar wees voorzichtig: de AI genereert de score niet, hij helpt je te begrijpen wat de score betekent en waar het bestand inconsistent is. Het krediettoekenningsbesluit wordt, samen met de motivering ervan, ondertekend door de bevoegde deskundige.
In deze unit zullen we stap voor stap zien waar de datakredietscore op gebaseerd is, op welk punt je kunstmatige intelligentie veilig kunt gebruiken, hoe je de output ervan kunt verifiëren en welke rode lijnen je nooit mag overschrijden.
Waar is kredietscore op gebaseerd?
Een kredietscore is een schatting die de terugbetalingskans van een klant reduceert tot een numerieke waarde. Typische vermeldingen zijn:
- Inkomen en werkgelegenheid: maandelijks vast inkomen, werktijden, continuïteit van de inkomstenbron.
- Huidige schuldenlast: bestaande leningen, creditcardschulden, schuld-inkomensratio (verhouding tussen maandelijkse schuldbetalingen en inkomen).
- Kredietgeschiedenis: betalingspatroon uit het verleden, vertragingen, juridische vervolggegevens (KKB-score vat dit samen).
- Onderpand: het actief (huis, voertuig, deposito) en de waarde ervan die als tegenprestatie voor de lening wordt verstrekt.
- Vraagkenmerken: leningbedrag, looptijd, producttype.
Tip: De score is een "waarschijnlijkheidsschatting", geen "feit". Twee klanten kunnen dezelfde score hebben, maar hun verhalen kunnen totaal verschillend zijn. Een beslissing nemen zonder de redenering achter de partituur te zien, is het boek beoordelen aan de hand van de omslag.
Waar staat kunstmatige intelligentie in dit proces?
Het is duidelijk waar kunstmatige intelligentie veilig kan worden gebruikt en waar niet:
Zoektocht
AI-rol
Wie heeft de beslissing/goedkeuring?
Vat bedragen samen in een inkomensdocument
Lezen, samenvatting
Bevestiging van deskundige bron
Berekening van de schuld/inkomensratio
rekening concept
Deskundige herberekent
Consistentiecontrole van bestanden (contrasten vinden)
scannen
Deskundige bevestigt
Ontwerp van afwijzing/goedkeuringsmotivatie
tekstontwerp
Geautoriseerde deskundige auteur/goedkeuringen
Leg de betekenis van de partituur uit
Beschrijving tekst
Deskundige beoordelingen
Beslissing over krediettoewijzing
(alleen concept)
De instantie/commissie beslist
Zoals u kunt zien, produceert kunstmatige intelligentie op elke regel concepten en controles; beslist in geen enkele regel. Het handhaven van dit onderscheid is de essentie van deze eenheid.
Stap voor stap: een dossier voorbereiden met ondersteuning van kunstmatige intelligentie
- Anonimiseren. Verwijder naam, TR ID, rekeningnummer; Beschrijf de klant als "42 jaar oud, ambtenaar, X-segment".
- Vraag een concept aan. Laat AI samenvattingen indienen, consistentiecontroles uitvoeren en rechtvaardigingen opstellen – geen besluiten.
- Sluit hem aan op de bron. Markeer uit welk document elk nummer op de afdruk komt.
- Herbereken. Controleer zelf kritische cijfers, zoals de verhouding tussen schulden en inkomsten, de onderpandratio, enz.
- Beleidsfilter. Controleer de naleving van uw interne kredietbeleid en non-discriminatiebeleid.
- Beslissing en ondertekening. U neemt de beslissing, schrijft de motivering en verlaat het audittraject.
Vier kopieerbare sjablonen
1) Consistentiecontrole van bestanden:
Jouw rol: consistentiecontrole van kredietbestanden. Besluitvorming. Klant (anoniem): 42 jaar oud, ambtenaar, maandelijks netto-inkomen 55.000 TL, huidige maandelijkse leningbetaling 12.000 TL, vraag 250.000 TL / 48 maanden. Taak: Zijn er wiskundige of logische tegenstrijdigheden, ontbrekende documenten of inconsistente data in de verstrekte informatie? Vermeld elke bevinding met het label "[bevestiging vereist]" en geef aan op welke informatie deze is gebaseerd. De beslissing is aan mij.
2) Controle van de berekening van de schuld/inkomensratio:
Bereken de schuld/inkomensratio stap voor stap met de volgende gegevens en toon de formule. Voer alleen de berekening uit, neem geen besluit om in aanmerking te komen. Maandelijks netto-inkomen: 55.000 TLCHuidige maandelijkse schuldbetaling: 12.000 TLEgeschatte maandelijkse afbetaling van de nieuwe lening: 6.500 TLDensireerde output: huidige rente, rente inclusief de nieuwe lening, formule en tussenstappen.
3) Ontwerp van afwijzing/goedkeuringsmotivatie (verklaarbaar):
Jouw rol: assistent die de onderbouwing van de leningbeslissing opstelt. GEBASEERD op de geverifieerde bevindingen die ik u als input geef, waarbij ik nieuwe informatie toevoeg. Bevindingen: [schuld/inkomensratio 34%, onderpandratio adequaat, 1 melding van achterstalligheid] Taak: Schrijf op basis van deze bevindingen een concept-motivatie die verklaarbaar is en geen discriminerend taalgebruik bevat. Geen verwijzing naar beschermde kenmerken (leeftijd, geslacht, afkomst, buurt). Ik zal het definitieve besluit en de handtekening toevoegen.
4) Eenvoudige uitleg van de partituur:
Leg in 4 zinnen aan een klant uit wat een kredietscore betekent, in niet-beschuldigende taal en zonder technisch jargon. Gebruik geen persoonlijke gegevens, doe geen definitieve beloftes. Ik controleer deze tekst voordat ik deze doorstuur naar de klant.
Zwakke prompt/sterke prompt
Zwakke prompt:
Moeten we deze klant krediet geven? Beslis op basis van uw score en schrijf uw reden op.
Dit verzoek laat de beslissing over aan het model, linkt niet naar de bron en verhindert niet dat de rechtvaardiging discriminerend overkomt.
Krachtige prompt:
Jouw rol: beslissingsondersteunend medewerker, geen beslisser. Schrijf een ONTWERP-redenering op basis van de geverifieerde bevindingen die ik u heb gegeven. Toon tussen haakjes de bevinding waarop elke zin is gebaseerd. Verwijs niet naar beschermde eigenschappen. Markeer eventuele onduidelijke punten als "[bevestiging vereist]". Ik zal de uiteindelijke kredietbeslissing en verantwoordelijkheid nemen.
De sterke wil beperkt de rol, verbindt elke claim met de bron, voorkomt discriminatie en houdt de beslissing bij de persoon.
drie minikoffers
Geval 1 — Tijdbesparing. Een expert voert een consistentiecontrole uit op een portfolio van 30 bestanden. De AI signaleert 5 discrepanties, zoals “Het opgegeven inkomen in nummer 8 is 60.000, maar de loonlijst toont 42.000.” De deskundige bevestigt het allemaal bij de bron; Drie ervan zijn echt, twee ervan zijn valse lezingen van de kunstmatige intelligentie. Een handmatige taak van 3 uur wordt teruggebracht tot 40 minuten en er worden geen waarschuwingen gebruikt zonder verificatie.
Geval 2 — Bij herberekening wordt de fout ontdekt. De AI vat de schuld-inkomensratio samen als ‘28%’. De deskundige hanteert opnieuw de formule: bestaande schulden worden niet meegerekend, de reële rente bedraagt 41%, wat de drempel van het binnenlands beleid overschrijdt. Zonder verificatie zou er een valse bevestiging kunnen optreden.
Zaak 3 — Ontkenning van discriminerende grond. Kunstmatige intelligentie construeert de zinsnede "het gebied waar de aanvrager woont is riskant" in een afwijzingsontwerp. De deskundige ontkent dit; Deze verklaring brengt het risico met zich mee van indirecte discriminatie (proxyvariabele) op basis van district. De rechtvaardiging wordt herschreven met alleen legitieme criteria zoals de schuld-inkomensratio en het aantal achterstallige vorderingen.
Voorbij de partituur: context- en "borderline"-bestanden
Het moeilijkste deel van kredietbeslissingen is niet de openlijke aanvaarding of openlijke afwijzing, maar de “borderline”-dossiers. Als de score te dicht bij de drempel van de binnenlandse politiek ligt, kan de beslissing niet aan één enkel cijfer worden overgelaten; context speelt een rol. Dit is waar AI een valkuil kan zetten: het evalueert elk grensbestand met dezelfde mechanische logica en mist de nuance. Het is de deskundige die de nuance toevoegt.
Voorbeelden van context waarin een deskundige naar een grensdossier kijkt:
- Het verhaal van de vertraging: Was één enkele vertraging te wijten aan een tijdelijk gezondheidsprobleem of aanhoudend onvermogen om te betalen? Hetzelfde “1 delay record” kan twee verschillende verhalen vertellen.
- Aard van het inkomen: Twee opdrachtgevers kunnen een gelijk inkomen hebben, maar de een kan een vaste loontrekker zijn en de ander een variabel freelance inkomen; Het risicoprofiel is anders.
- Relatie met de bank: Het dossier van een klant die al langer vlot werkt, wordt anders gelezen dan dat van een nieuwe klant.
AI kan u helpen deze contexten samen te vatten, maar het is aan de expert om de afweging te maken en een beslissing te nemen, vooral in grensgevallen.
Tip: Als de score dicht bij de drempel ligt, concentreer u dan op de vraag 'wat vertelt het verhaal van deze klant' in plaats van 'wat zei het model?' Grensbestanden zijn waar deskundig oordeel, en niet automatisering, uitblinkt.
Veel voorkomende fouten
- Denken dat de score de beslissing is. De score is een voorspelling; Het is niet het besluit zelf. Het is verkeerd om zonder rechtvaardiging en context te oordelen op basis van de partituur.
- Het aantal wordt niet opnieuw berekend. Gebruik maken van de tarieven en totalen die door kunstmatige intelligentie worden gegeven zonder deze te bevestigen; Dit is waar hallucinatie of verkeerd lezen om de hoek komt kijken.
- Ik heb de discriminerende rechtvaardiging niet opgemerkt. Rechtvaardigingen goedkeuren die beschermde kenmerken of surrogaatvariabelen omvatten, zoals buurt, leeftijd, geslacht; ernstig juridisch risico.
- Het omzeilen van de audittrail. Het niet documenteren op welke geverifieerde bevinding de beslissing was gebaseerd; kan niet worden verdedigd in een later bezwaar of controle.
- Referenties delen. Toegang tot de tool zonder het bestand te anonimiseren.
Let op: Wanneer een kredietbeslissing wordt afgewezen, heeft de klant het recht de reden ervan te vernemen en bezwaar te maken. Daarom moet de rechtvaardiging zowel correct, verklaarbaar als vrij van discriminatie zijn. ‘Het model heeft het zo gescoord’ is geen rechtvaardiging.
Samengevat
Credit scoring is een schatting van de waarschijnlijkheid op basis van gegevens zoals inkomen, schuldenlast, kredietgeschiedenis en onderpand. In dit proces produceert AI het lezen van documenten, het controleren van de consistentie, het opstellen van een rekening en het opstellen van een rechtvaardiging; Maar het verandert niets aan de score of de beslissing voor jou. Bereken elk getal opnieuw, wijs elke rechtvaardiging toe aan de bron en passeer het door het filter van discriminatie. Het krediettoekenningsbesluit wordt ondertekend door de bevoegde deskundige, samen met de verklaarbare motivering. In één zin: Kunstmatige intelligentie bereidt het dossier voor; Een competent persoon neemt de kredietbeslissing.
Applicatie taak
Definieer een voorbeeldkredietbestand (anoniem: leeftijd, beroep, inkomen, huidige schuld, vordering, looptijd). Voer met de sjablonen 1 en 2 hierboven eerst een consistentiecontrole uit en bereken vervolgens de schuld/inkomensratio. Bereken en vergelijk handmatig het door kunstmatige intelligentie gegeven tarief. Genereer vervolgens een rechtvaardigingsconcept met het 3e sjabloon en controleer of er een beschermde eigenschap of surrogaatvariabele in zit; Herschrijf het met eventuele legitieme criteria.
controlelijst
- [ ] Ik heb het bestand geanonimiseerd; Ik heb geen identificatiegegevens gedeeld.
- [ ] Ik gaf de kunstmatige intelligentie een ontwerp-/controletaak, geen beslissing.
- [ ] Ik heb de schuld/inkomensratio en de kritische cijfers met de hand herberekend.
- [ ] Ik schreef de grondgedachte toe aan geverifieerde bevindingen en citeerde de bron.
- [ ] Ik heb gecontroleerd of er geen beschermde eigenschap/proxyvariabele in het argument zit.
- [ ] Ik heb de beslissing en de motivering ervan vastgelegd; Ik nam de eindverantwoordelijkheid.