Mga nadagdag:
- Kakayahang maunawaan kung ano ang batayan ng data credit scoring at ang artificial intelligence ay hindi nagbibigay ng marka, ngunit isang malinaw na buod ng marka at nagpapabilis sa nawawalang pagsusuri ng dokumento
- Gumamit ng artificial intelligence para makagawa ng consistency check at draft na katwiran ng desisyon para sa loan file at magawa ang panghuling desisyon sa alokasyon bilang isang awtorisadong eksperto
- Kakayahang maunawaan na ang output ng modelo ay dapat na idokumento sa isang maipaliwanag, makatwiran at walang diskriminasyon na paraan at mapanatili ang mga pulang linya
Kapag dumating ang isang loan application, mayroong isang simpleng tanong sa background: "Maaari bang bayaran ng customer na ito ang utang na ito at anong panganib ang inilalagay niya sa bangko sa pagbabayad?" Ang sagot sa tanong na ito ay nakakalat sa isang serye ng mga gawain na tumatagal ng halos buong araw ng credit specialist: pagbabasa ng income statement, pagkalkula ng ratio ng utang/kita, pagbibigay-kahulugan sa kasaysayan ng kredito (KKB - Credit Registry Bureau note), pagsusuri sa collateral, paghahambing nito sa panloob na patakaran at sa wakas ay pagsulat ng isang makatwirang desisyon. Ang artificial intelligence ay nakakatipid ng seryosong oras sa pagbabasa, pagbubuod at pagsuri ng pare-parehong bahagi ng mga gawaing ito. Ngunit mag-ingat: ang AI ay hindi bumubuo ng marka, tinutulungan ka nitong maunawaan kung ano ang ibig sabihin ng marka at kung saan ang file ay hindi pare-pareho. Ang desisyon sa paglalaan ng kredito, kasama ang katwiran nito, ay nilagdaan ng awtorisadong eksperto.
Sa unit na ito, makikita natin ang hakbang-hakbang kung saan nakabatay ang data credit scoring, sa anong punto mo ligtas na magagamit ang artificial intelligence, kung paano i-verify ang output nito, at kung aling mga pulang linya ang hindi mo dapat lampasan.
Ano ang batayan ng credit scoring?
Ang isang credit score ay isang pagtatantya na nagpapababa sa posibilidad ng isang customer ng pagbabayad sa isang numerical na halaga. Ang karaniwang mga entry ay:
- Kita at trabaho: Buwanang regular na kita, oras ng pagtatrabaho, pagpapatuloy ng pinagmumulan ng kita.
- Kasalukuyang pagkakautang: Mga kasalukuyang pautang, utang sa credit card, ratio ng utang-sa-kita (ratio ng buwanang pagbabayad ng utang sa kita).
- Kasaysayan ng kredito: Nakaraang pattern ng pagbabayad, mga pagkaantala, mga legal na follow-up na tala (ibinubuod ito ng KKB score).
- Collateral: Ang asset (bahay, sasakyan, deposito) at ang halaga nito na ibinigay laban sa utang.
- Mga katangian ng demand: Halaga ng pautang, kapanahunan, uri ng produkto.
Tip: Ang marka ay isang "probability estimate", hindi isang "fact". Maaaring magkapareho ang marka ng dalawang customer, ngunit maaaring magkaiba ang kanilang mga kuwento. Ang paggawa ng desisyon nang hindi nakikita ang pangangatwiran sa likod ng marka ay ang paghuhusga sa aklat sa pamamagitan ng pabalat nito.
Saan nakatayo ang artificial intelligence sa prosesong ito?
Malinaw kung saan ligtas na magagamit ang artificial intelligence at kung saan hindi ito maaaring:
Paghanap
tungkulin ng AI
Sino ang may desisyon/pag-apruba?
Ibuod ang mga halaga sa isang dokumento ng kita
Pagbasa, buod
Kumpirmasyon mula sa ekspertong pinagmulan
Draft ng pagkalkula ng ratio ng utang/kita
draft ng account
Recalculate ng eksperto
Pagsusuri ng pare-pareho ng file (paghahanap ng mga kontradiksyon)
i-scan
Kinukumpirma ng eksperto
Pagtanggi sa draft/pagbibigay-katwiran sa pag-apruba
draft ng teksto
Awtorisadong ekspertong may-akda/pag-apruba
Ipaliwanag ang kahulugan ng iskor
Teksto ng paglalarawan
Mga pagsusuri ng eksperto
Desisyon sa paglalaan ng kredito
(draft lang)
Ang awtoridad/komite ang magpapasya
Tulad ng makikita, ang artificial intelligence ay gumagawa ng mga draft at mga tseke sa bawat linya; ay hindi "nagpapasya" sa anumang linya. Ang pagpapanatili ng pagkakaibang ito ay ang kakanyahan ng yunit na ito.
Hakbang-hakbang: paghahanda ng isang file na may suporta sa artificial intelligence
- anonymize. Alisin ang pangalan, TR ID, account number; Ilarawan ang customer bilang "42 taong gulang, pampublikong empleyado, X segment".
- Humiling ng draft. Ipagawa sa AI ang mga buod ng file, mga pagsusuri sa pagkakapare-pareho, at mga draft na katwiran — hindi mga desisyon.
- Ikonekta ito sa pinagmulan. Markahan kung saang dokumento nagmumula ang bawat numero sa printout.
- Muling kalkulahin. I-verify ang mga kritikal na numero sa iyong sarili, gaya ng debt-to-income ratio, collateral ratio, atbp.
- Filter ng patakaran. Suriin ang pagsunod sa iyong panloob na patakaran sa kredito at patakarang walang diskriminasyon.
- Desisyon at lagda. Gumawa ka ng desisyon, isulat ang katwiran, umalis sa audit trail.
Apat na maaaring kopyahin na mga template
1) Suriin ang pagkakapare-pareho ng file:
Ang iyong tungkulin: tagasuri ng pagkakapare-pareho ng credit file. Paggawa ng desisyon. Kliyente (anonymous): 42 taong gulang, pampublikong empleyado, buwanang netong kita 55,000 TL, kasalukuyang buwanang pagbabayad ng utang 12,000 TL, demand na 250,000 TL / 48 buwan. Gawain: Mayroon bang mathematical o lohikal na kontradiksyon, nawawalang dokumento, o hindi tugmang petsa sa ibinigay na impormasyon? Ilista ang bawat paghahanap na may label na "[kailangan ng kumpirmasyon]" at tukuyin kung saang impormasyon ito nakabatay. Nasa akin ang desisyon.
2) Kontrol sa pagkalkula ng ratio ng utang/kita:
Kalkulahin ang ratio ng utang/kita nang sunud-sunod gamit ang sumusunod na data at ipakita ang formula. Gawin mo lang ang kalkulasyon, huwag gumawa ng desisyon sa pagiging kwalipikado. Buwanang netong kita: 55,000 TLCkasalukuyang buwanang pagbabayad ng utang: 12,000 TLEtinantyang buwanang pag-install ng bagong loan: 6,500 TLD, rate ng intermediate, at output kasama ang kasalukuyang mga hakbang:
3) Pagtanggi sa draft/katuwiran sa pag-apruba (maipaliwanag):
Ang iyong tungkulin: katulong na DRAFT ang katwiran ng desisyon sa pautang. BATAY sa mga na-verify na natuklasan na ibinibigay ko sa iyo bilang input, pagdaragdag ng bagong impormasyon. Mga Napag-alaman: [ratio ng utang/kita 34%, sapat ang collateral ratio, 1 talaan ng delingkuwensya]Gawain: Sumulat ng draft na katwiran batay sa mga natuklasang ito na maipaliwanag at hindi naglalaman ng diskriminasyong pananalita. Walang pagtukoy sa mga protektadong katangian (edad, kasarian, pinagmulan, kapitbahayan). Idadagdag ko ang pinal na desisyon at lagda.
4) Simpleng paliwanag ng puntos:
Ipaliwanag sa isang customer kung ano ang ibig sabihin ng credit score sa 4 na pangungusap, gamit ang hindi paratang na wika at hindi gumagamit ng teknikal na jargon. Huwag gumamit ng personal na data, huwag gumawa ng mga tiyak na pangako. Susuriin ko ang text na ito bago ito ipasa sa customer.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Dapat ba nating bigyan ng kredito ang customer na ito? Magpasya batay sa iyong iskor at isulat ang iyong dahilan.
Ibinibigay ng kahilingang ito ang desisyon sa modelo, hindi nagli-link sa pinagmulan, at hindi pinipigilan ang pagbibigay-katwiran sa paglitaw ng diskriminasyon.
Napakahusay na prompt:
Ang iyong tungkulin: katulong na sumusuporta sa desisyon, hindi gumagawa ng desisyon. Sumulat ng DRAFT na katwiran batay sa mga napatunayang natuklasan na ibinigay ko sa iyo. Ipakita ang natuklasan kung saan nakabatay ang bawat pangungusap sa panaklong. Huwag sumangguni sa mga protektadong ari-arian. Markahan ang anumang hindi malinaw na puntos bilang "[kailangan ng kumpirmasyon]". Kukunin ko ang panghuling desisyon at responsibilidad sa kredito.
Nililimitahan ng malakas na kalooban ang tungkulin, ikinokonekta ang bawat claim sa pinagmulan, pinipigilan ang diskriminasyon at pinapanatili ang desisyon sa tao.
tatlong mini case
Kaso 1 — Pagtitipid sa oras. Ang isang eksperto ay nagsasagawa ng isang pare-parehong pagsusuri sa isang portfolio ng 30 mga file. Nagba-flag ang AI ng 5 pagkakaiba tulad ng "Ang kita na idineklara sa numero 8 ay 60,000 ngunit ang payroll ay nagpapakita ng 42,000." Kinukumpirma ng eksperto ang lahat ng ito sa pinagmulan; 3 sa kanila ay totoo, 2 sa kanila ay maling pagbabasa ng artificial intelligence. Ang isang manu-manong 3-oras na trabaho ay binabawasan sa 40 minuto at walang babala ang ginagamit nang walang pag-verify.
Kaso 2 — Nahuhuli ng muling pagkalkula ang error. Binubuod ng AI ang ratio ng utang-sa-kita bilang "28%." Ang eksperto ay nagpapatakbo muli ng formula: ang umiiral na utang ay hindi kasama, ang tunay na rate ay 41%, na lumampas sa threshold ng domestic policy. Kung walang pag-verify, maaaring mangyari ang isang maling kumpirmasyon.
Case 3 — Diskriminasyong ground denial. Binubuo ng artificial intelligence ang pariralang "delikado ang lugar kung saan nakatira ang aplikante" sa draft ng pagtanggi. Itinatanggi ito ng dalubhasa; Ang pahayag na ito ay nagdadala ng panganib ng hindi direktang diskriminasyon (proxy variable) batay sa distrito. Ang pagbibigay-katwiran ay muling isinulat gamit lamang ang mga lehitimong pamantayan tulad ng ratio ng utang-sa-kita at talaan ng pagkadelingkuwensya.
Higit pa sa marka: konteksto at "borderline" na mga file
Ang pinakamahirap na bahagi ng mga pagpapasya sa kredito ay hindi ang bukas na pagtanggap o bukas na pagtanggi, ngunit ang mga "borderline" na mga file. Kung ang marka ay masyadong malapit sa threshold ng domestic politics, ang desisyon ay hindi maaaring iwanan sa awa ng isang solong numero; pumapasok ang konteksto. Dito maaaring magtakda ang AI ng bitag: sinusuri nito ang bawat boundary file na may parehong mekanikal na lohika at nakakaligtaan ang nuance. Ang dalubhasa ang nagdadagdag ng nuance.
Mga halimbawa ng konteksto kung saan tumitingin ang isang eksperto sa isang border file:
- Ang kuwento ng pagkaantala: Ang isang solong pagkaantala ba ay dahil sa isang pansamantalang problema sa kalusugan o isang patuloy na kawalan ng kakayahang magbayad? Ang parehong "1 talaan ng pagkaantala" ay maaaring magsabi ng dalawang magkaibang kuwento.
- Kalikasan ng kita: Maaaring may pantay na kita ang dalawang kliyente, ngunit ang isa ay maaaring regular na kumikita ng suweldo at ang isa ay variable na freelance na kita; Iba ang profile ng panganib.
- Relasyon sa bangko: Ang file ng isang customer na nagtatrabaho nang maayos sa mahabang panahon ay nababasa nang iba kaysa sa isang bagong customer.
Matutulungan ka ng AI na ibuod ang mga kontekstong ito, ngunit nasa eksperto ang pagtimbang-timbang at pagpapasya — lalo na sa mga borderline na kaso.
Tip: Sa mga kaso kung saan ang marka ay malapit sa threshold, tumuon sa tanong na "ano ang sinasabi ng kuwento ng customer na ito" sa halip na "ano ang sinabi ng modelo?" Ang mga boundary file ay kung saan kumikinang ang paghatol ng eksperto, hindi ang automation.
Mga karaniwang pagkakamali
- Ang pag-iisip na ang marka ay ang desisyon. Ang marka ay isang hula; Hindi ito ang desisyon mismo. Maling manghusga batay sa marka nang walang katwiran at konteksto.
- Hindi muling pagkalkula ng numero. Gamit ang mga rate at kabuuan na ibinigay ng artificial intelligence nang hindi kinukumpirma ang mga ito; Dito pumapasok ang hallucination o misreading.
- Hindi napapansin ang diskriminasyong katwiran. Aprubahan ang mga katwiran na kinabibilangan ng mga protektadong katangian o kahalili na mga variable tulad ng kapitbahayan, edad, kasarian; malubhang legal na panganib.
- Pag-bypass sa audit trail. Pagkabigong idokumento kung saan nakabatay ang napatunayang paghahanap ng desisyon; hindi maaaring ipagtanggol sa kasunod na pagtutol o pag-audit.
- Pagbabahagi ng mga kredensyal. Ang pagpasok sa tool nang hindi ina-anonymize ang file.
Pansin: Kapag tinanggihan ang isang desisyon sa kredito, may karapatan ang customer na malaman ang dahilan at tumutol. Samakatuwid, ang katwiran ay dapat na parehong tama, maipaliwanag at walang diskriminasyon. "Ang modelo ay nakapuntos sa ganoong paraan" ay hindi isang katwiran.
Sa buod
Ang credit scoring ay isang pagtatantya ng probabilidad batay sa data gaya ng kita, pagkakautang, credit history at collateral. Sa prosesong ito, gumagawa ang AI ng pagbabasa ng dokumento, pagsuri ng pare-pareho, draft ng account at draft ng justification; Ngunit hindi nito binabago ang marka o ang desisyon para sa iyo. Muling kalkulahin ang bawat numero, iugnay ang bawat katwiran sa pinagmulan, at ipasa ito sa filter ng diskriminasyon. Ang desisyon sa paglalaan ng kredito ay nilagdaan ng awtorisadong eksperto, kasama ang maipaliwanag na katwiran. Sa isang pangungusap: Inihahanda ng artificial intelligence ang file; Ang isang karampatang tao ang gumagawa ng desisyon sa kredito.
Gawain ng aplikasyon
Tumukoy ng sample na credit file (anonymous: edad, trabaho, kita, kasalukuyang utang, claim, maturity). Gamit ang mga template 1 at 2 sa itaas, gumawa muna ng consistency check at pagkatapos ay kalkulahin ang ratio ng utang/kita. Manu-manong muling kalkulahin at ihambing ang rate na ibinigay ng artificial intelligence. Pagkatapos ay bumuo ng draft ng justification gamit ang ika-3 template at tingnan kung mayroong protektadong ari-arian o kahalili na variable dito; Isulat muli ito nang may lehitimong pamantayan, kung mayroon man.
checklist
- [ ] Hindi ko pinakilala ang file; Hindi ako nagbahagi ng anumang impormasyon sa pagkakakilanlan.
- [ ] Binigyan ko ang artificial intelligence ng draft/control task, hindi isang desisyon.
- [ ] Muli kong kinakalkula ang ratio ng utang/kita at mga kritikal na numero sa pamamagitan ng kamay.
- [ ] Iniuugnay ko ang katwiran sa mga na-verify na natuklasan at binanggit ang pinagmulan.
- [ ] Sinuri ko na walang protektadong property/proxy variable sa argumento.
- [ ] Naitala ko ang desisyon at ang katwiran nito; Kinuha ko ang tunay na responsibilidad.