Zyski:
- Umiejętność zrozumienia na jakich danych opiera się scoring kredytowy i że sztuczna inteligencja nie podaje scoringu, a jasne podsumowanie scoringu i przyspiesza sprawdzenie brakujących dokumentów
- Wykorzystaj sztuczną inteligencję do sprawdzenia spójności i projektu uzasadnienia decyzji dla dokumentacji pożyczkowej i bądź w stanie podjąć ostateczną decyzję o przyznaniu kredytu jako autoryzowany ekspert
- Umiejętność zrozumienia, że wyniki modelu muszą być udokumentowane w sposób możliwy do wyjaśnienia, uzasadniony i niedyskryminujący oraz z zachowaniem czerwonych linii
Kiedy wpływa wniosek kredytowy, w tle pojawia się proste pytanie: „Czy ten klient może spłacić ten kredyt i jakie ryzyko naraża na spłatę banku?” Odpowiedź na to pytanie jest rozproszona w szeregu zadań, które zajmują większość dnia specjalisty kredytowego: zapoznanie się z rachunkiem zysków i strat, obliczenie wskaźnika zadłużenia do dochodów, interpretacja historii kredytowej (notatka KKB - Biura Rejestru Kredytowego), wycena zabezpieczenia, porównanie go z polityką wewnętrzną i na koniec napisanie uzasadnionej decyzji. Sztuczna inteligencja pozwala zaoszczędzić sporo czasu na czytaniu, podsumowywaniu i sprawdzaniu spójności części tych zadań. Ale bądź ostrożny: sztuczna inteligencja nie generuje wyniku, pomaga zrozumieć, co oznacza wynik i gdzie plik jest niespójny. Decyzję o przyznaniu kredytu wraz z uzasadnieniem podpisuje uprawniony rzeczoznawca.
W tym module zobaczymy krok po kroku, na czym opiera się scoring kredytowy, w którym momencie można bezpiecznie skorzystać ze sztucznej inteligencji, jak zweryfikować jej wyniki i jakich czerwonych linii nie należy przekraczać.
Na czym opiera się scoring kredytowy?
Ocena kredytowa to ocena, która zmniejsza prawdopodobieństwo spłaty kredytu przez klienta do wartości liczbowej. Typowe wpisy to:
- Dochody i zatrudnienie: Regularne miesięczne dochody, godziny pracy, ciągłość źródła dochodu.
- Obecne zadłużenie: istniejące pożyczki, zadłużenie na kartach kredytowych, stosunek zadłużenia do dochodu (stosunek miesięcznej spłaty zadłużenia do dochodu).
- Historia kredytowa: schemat wcześniejszych płatności, opóźnienia, zapisy prawne (podsumowuje to wynik KKB).
- Zabezpieczenie: Aktywo (dom, pojazd, depozyt) i jego wartość zapewnione w zamian za pożyczkę.
- Charakterystyka popytu: Kwota kredytu, termin zapadalności, rodzaj produktu.
Wskazówka: Wynik jest „oszacowaniem prawdopodobieństwa”, a nie „faktem”. Dwóch klientów może mieć ten sam wynik, ale ich historie mogą być zupełnie inne. Podejmowanie decyzji bez zapoznania się z uzasadnieniem wyniku jest ocenianiem książki po okładce.
Jakie miejsce w tym procesie zajmuje sztuczna inteligencja?
Jasne jest, gdzie można bezpiecznie zastosować sztuczną inteligencję, a gdzie nie:
Zadanie
Rola sztucznej inteligencji
Kto ma decyzję/zatwierdzenie?
Podsumuj kwoty w dokumencie dochodów
Czytanie, podsumowanie
Potwierdzenie ze źródła eksperckiego
Projekt kalkulacji wskaźnika zadłużenia do dochodów
projekt konta
Ekspert przelicza
Kontrola spójności plików (znalezienie sprzeczności)
skanuj
Ekspert potwierdza
Projekt uzasadnienia odrzucenia/zatwierdzenia
projekt tekstu
Autoryzowany ekspert-autor/zatwierdzenia
Wyjaśnij znaczenie punktacji
Tekst opisu
Recenzje ekspertów
Decyzja o przyznaniu kredytu
(tylko wersja robocza)
Decyduje organ/komitet
Jak widać, sztuczna inteligencja tworzy wersje robocze i sprawdza każdą linię; nie „decyduje” w żadnej linii. Utrzymanie tego rozróżnienia jest istotą tej jednostki.
Krok po kroku: przygotowanie pliku ze wsparciem sztucznej inteligencji
- Anonimizuj. Usuń imię i nazwisko, TR ID, numer konta; Opisz klienta jako „42 lata, pracownik sektora publicznego, segment X”.
- Poproś o wersję roboczą. Niech sztuczna inteligencja sporządza podsumowania plików, sprawdza spójność i przygotowuje projekty uzasadnień, a nie decyzje.
- Podłącz go do źródła. Zaznacz, z jakiego dokumentu pochodzi każdy numer na wydruku.
- Przelicz. Zweryfikuj samodzielnie krytyczne liczby, takie jak stosunek zadłużenia do dochodów, wskaźnik zabezpieczeń itp.
- Filtr zasad. Sprawdź zgodność z wewnętrzną polityką kredytową i polityką niedyskryminacji.
- Decyzja i podpis. Podejmujesz decyzję, piszesz uzasadnienie, zostawiasz ścieżkę audytu.
Cztery szablony do kopiowania
1) Kontrola spójności plików:
Twoja rola: sprawdzanie spójności plików kredytowych. Podejmowanie decyzji. Klient (anonimowy): 42 lata, pracownik sektora publicznego, miesięczny dochód netto 55 000 TL, bieżąca miesięczna spłata kredytu 12 000 TL, zapotrzebowanie 250 000 TL / 48 miesięcy. Zadanie: Czy w podanych informacjach występują sprzeczności matematyczne lub logiczne, brakujące dokumenty lub niespójne daty? Wymień każde ustalenie z etykietą „[wymagane potwierdzenie]” i określ, na jakich informacjach się opiera. Decyzja należy do mnie.
2) Kontrola kalkulacji wskaźnika zadłużenia do dochodów:
Oblicz stosunek długu do dochodu krok po kroku, korzystając z poniższych danych i przedstaw wzór. Po prostu wykonaj obliczenia, nie podejmuj decyzji o kwalifikowalności. Miesięczny dochód netto: 55 000 TLCBieżąca miesięczna spłata zadłużenia: 12 000 TLESzacowana miesięczna rata nowej pożyczki: 6500 TLDPożądana produkcja: bieżąca stawka, stawka obejmująca nową pożyczkę, formułę i kroki pośrednie.
3) Projekt uzasadnienia odrzucenia/zatwierdzenia (wyjaśniony):
Twoja rola: asystent, który OPRACUJE uzasadnienie decyzji kredytowej. W OPARCIU o zweryfikowane ustalenia przekazuję Państwu informacje, dodając nowe informacje. Ustalenia: [stosunek zadłużenia do dochodów 34%, odpowiedni współczynnik zabezpieczeń, 1 rejestr przekroczeń]Zadanie: Na podstawie tych ustaleń napisz projekt uzasadnienia, który będzie zrozumiały i nie będzie zawierał dyskryminującego języka. Brak odniesienia do cech chronionych (wiek, płeć, pochodzenie, sąsiedztwo). Dołączę ostateczną decyzję i podpis.
4) Proste wyjaśnienie partytury:
Wyjaśnij klientowi, co oznacza ocena zdolności kredytowej w 4 zdaniach, używając języka nie oskarżycielskiego i bez technicznego żargonu. Nie wykorzystuj danych osobowych, nie składaj ostatecznych obietnic. Sprawdzę ten tekst przed wysłaniem go do klienta.
Słaba zachęta/silna zachęta
Słaba zachęta:
Czy powinniśmy przyznać temu klientowi uznanie? Zdecyduj na podstawie swojego wyniku i podaj powód.
Żądanie to pozostawia decyzję modelowi, nie zawiera linku do źródła i nie zapobiega temu, aby uzasadnienie wyglądało na dyskryminujące.
Potężny monit:
Twoja rola: asystent wspierający podejmowanie decyzji, a nie decydent. Napisz PROJEKT uzasadnienia w oparciu o zweryfikowane ustalenia, które ci przekazałem. W nawiasach pokaż wnioski, na których opiera się każde zdanie. Nie odwołuj się do chronionych właściwości. Oznacz wszelkie niejasne punkty jako „[wymagane potwierdzenie]”. Podejmę ostateczną decyzję kredytową i odpowiedzialność.
Silna wola ogranicza rolę, łączy każde roszczenie ze źródłem, zapobiega dyskryminacji i zatrzymuje decyzję w osobie.
trzy mini etui
Przypadek 1 — Oszczędność czasu. Ekspert sprawdza spójność portfolio 30 plików. AI zaznacza 5 rozbieżności, np. „Dochód zadeklarowany w cyfrze 8 wynosi 60 000, ale lista płac pokazuje 42 000”. Ekspert potwierdza to wszystko u źródła; 3 z nich są prawdziwe, 2 z nich to fałszywe odczyty sztucznej inteligencji. Ręczna 3-godzinna praca zostaje skrócona do 40 minut, a bez weryfikacji nie są używane żadne ostrzeżenia.
Przypadek 2 — Ponowne obliczenie powoduje wykrycie błędu. Sztuczna inteligencja podsumowuje stosunek długu do dochodu jako „28%. Ekspert ponownie formułuje formułę: nie uwzględnia się istniejącego zadłużenia, realna stopa wynosi 41%, co przekracza próg polityki wewnętrznej. Bez weryfikacji może nastąpić fałszywe potwierdzenie.
Sprawa 3 – Odmowa ze względu na dyskryminację. Sztuczna inteligencja konstruuje w projekcie odmownym sformułowanie „obszar, w którym mieszka wnioskodawca, jest ryzykowny”. Ekspert temu zaprzecza; Stwierdzenie to niesie ze sobą ryzyko dyskryminacji pośredniej (zmienna zastępcza) ze względu na dzielnicę. Przepisano uzasadnienie, uwzględniając wyłącznie uzasadnione kryteria, takie jak stosunek zadłużenia do dochodów i historia zaległości.
Poza partyturą: pliki kontekstowe i „pogranicze”.
Najtrudniejszą częścią decyzji kredytowych nie jest otwarta akceptacja lub otwarte odrzucenie, ale pliki „graniczne”. Jeżeli wynik jest zbyt blisko progu polityki wewnętrznej, nie można pozostawić decyzji jednej liczbie; kontekst wchodzi w grę. W tym miejscu sztuczna inteligencja może zastawić pułapkę: ocenia każdy plik graniczny według tej samej mechanicznej logiki i pomija niuanse. To ekspert dodaje niuanse.
Przykłady kontekstu, w jakim ekspert przegląda plik graniczny:
- Historia opóźnienia: Czy pojedyncze opóźnienie wynikało z tymczasowych problemów zdrowotnych, czy też z utrzymującej się niezdolności do zapłaty? Ten sam „1 rekord opóźnienia” może opowiedzieć dwie różne historie.
- Charakter dochodu: Dwóch klientów może mieć równy dochód, ale jeden może regularnie otrzymywać wynagrodzenie, a drugi może mieć zmienny dochód niezależny; Profil ryzyka jest inny.
- Relacja z bankiem: Inaczej czyta się kartotekę klienta, z którym współpracujemy już dłuższy czas, inaczej karty nowego klienta.
Sztuczna inteligencja może pomóc w podsumowaniu tych kontekstów, ale rozważenie i podjęcie decyzji należy do eksperta – szczególnie w przypadkach granicznych.
Wskazówka: W przypadkach, gdy wynik jest bliski progu, skup się na pytaniu „co mówi historia tego klienta”, a nie „co powiedziała modelka?” W plikach granicznych błyszczy fachowa ocena, a nie automatyzacja.
Typowe błędy
- Myślenie, że wynik jest decyzją. Wynik jest przewidywaniem; To nie jest sama decyzja. Błędem jest ocenianie na podstawie wyniku bez uzasadnienia i kontekstu.
- Nie przeliczam numeru. Korzystanie ze stawek i sum podawanych przez sztuczną inteligencję bez ich potwierdzania; Tutaj właśnie pojawiają się halucynacje lub błędne odczytanie.
- Nie zauważając dyskryminującego uzasadnienia. Zatwierdź uzasadnienia zawierające cechy chronione lub zmienne zastępcze, takie jak sąsiedztwo, wiek, płeć; poważne ryzyko prawne.
- Ominięcie ścieżki audytu. Brak udokumentowania, na jakich zweryfikowanych ustaleniach oparto decyzję; nie można obronić w późniejszym sprzeciwie lub audycie.
- Udostępnianie danych uwierzytelniających. Wejście do narzędzia bez anonimizacji pliku.
Uwaga: W przypadku odrzucenia decyzji kredytowej Klient ma prawo poznać przyczynę i zgłosić sprzeciw. Dlatego uzasadnienie musi być zarówno prawidłowe, zrozumiałe, jak i wolne od dyskryminacji. „Modelka tak to oceniła” nie jest uzasadnieniem.
Podsumowując
Scoring kredytowy to ocena prawdopodobieństwa na podstawie danych takich jak dochody, zadłużenie, historia kredytowa i zabezpieczenia. W tym procesie sztuczna inteligencja odczytuje dokument, sprawdza spójność, projekt rachunku i projekt uzasadnienia; Ale to nie zmienia wyniku ani decyzji. Przelicz każdą liczbę, przypisz każde uzasadnienie do źródła i przepuść je przez filtr dyskryminacji. Decyzję o przyznaniu kredytu podpisuje uprawniony rzeczoznawca wraz z uzasadnionym uzasadnieniem. Jednym zdaniem: Sztuczna inteligencja przygotowuje plik; Decyzję kredytową podejmuje kompetentna osoba.
Zadanie aplikacji
Zdefiniuj przykładowy plik kredytowy (anonimowy: wiek, zawód, dochody, aktualne zadłużenie, roszczenie, wymagalność). W przypadku powyższych szablonów 1 i 2 najpierw sprawdź spójność, a następnie oblicz stosunek długu do dochodu. Ręcznie przelicz i porównaj stawkę podaną przez sztuczną inteligencję. Następnie wygeneruj projekt uzasadnienia z 3. szablonu i sprawdź, czy znajduje się w nim właściwość chroniona lub zmienna zastępcza; Przepisz go, stosując uzasadnione kryteria, jeśli takie istnieją.
lista kontrolna
- [ ] Zanonimizowałem plik; Nie udostępniałem żadnych danych identyfikacyjnych.
- [ ] Dałem sztucznej inteligencji projekt/kontrolę, a nie decyzję.
- [ ] Ręcznie obliczyłem stosunek długu do dochodu i liczby krytyczne.
- [ ] Przypisałem uzasadnienie zweryfikowanym ustaleniom i przytoczyłem źródło.
- [ ] Sprawdziłem, czy w argumencie nie ma chronionej właściwości/zmiennej proxy.
- [ ] Zapisałem decyzję i jej uzasadnienie; Wziąłem na siebie ostateczną odpowiedzialność.