Lợi nhuận:
- Khả năng hiểu việc chấm điểm tín dụng dựa trên dữ liệu nào và trí tuệ nhân tạo không cung cấp điểm mà cung cấp bản tóm tắt rõ ràng về điểm và tăng tốc độ kiểm tra tài liệu còn thiếu
- Sử dụng trí tuệ nhân tạo để kiểm tra tính nhất quán và dự thảo giải trình quyết định cho hồ sơ khoản vay và có thể đưa ra quyết định phân bổ cuối cùng với tư cách là chuyên gia được ủy quyền
- Khả năng hiểu rằng đầu ra của mô hình phải được ghi lại theo cách có thể giải thích, chính đáng và không phân biệt đối xử và duy trì các ranh giới màu đỏ
Khi đơn xin vay được gửi đến, có một câu hỏi đơn giản được đặt ra: "Khách hàng này có thể hoàn trả khoản vay này không và anh ta sẽ gặp rủi ro gì khi ngân hàng thanh toán?" Câu trả lời cho câu hỏi này nằm rải rác trong một loạt công việc chiếm phần lớn thời gian trong ngày của chuyên gia tín dụng: đọc báo cáo thu nhập, tính tỷ lệ nợ/thu nhập, giải thích lịch sử tín dụng (KKB - Ghi chú của Cục Đăng ký Tín dụng), đánh giá tài sản thế chấp, so sánh nó với chính sách nội bộ và cuối cùng là đưa ra quyết định hợp lý. Trí tuệ nhân tạo giúp tiết kiệm thời gian đáng kể trong việc đọc, tóm tắt và kiểm tra tính nhất quán của các phần của nhiệm vụ này. Nhưng hãy cẩn thận: AI không tạo ra điểm số, nó giúp bạn hiểu điểm số có ý nghĩa gì và tệp không nhất quán ở đâu. Quyết định phân bổ tín dụng kèm theo căn cứ được người có thẩm quyền ký.
Trong phần này, chúng ta sẽ xem từng bước dựa trên cơ sở nào để chấm điểm tín dụng dữ liệu, tại thời điểm nào bạn có thể sử dụng trí tuệ nhân tạo một cách an toàn, cách xác minh đầu ra của nó và những ranh giới đỏ nào bạn không bao giờ được vượt qua.
Việc chấm điểm tín dụng dựa trên điều gì?
Điểm tín dụng là một ước tính làm giảm khả năng trả nợ của khách hàng xuống một giá trị bằng số. Các mục điển hình là:
- Thu nhập và việc làm: Thu nhập thường xuyên hàng tháng, số giờ làm việc, nguồn thu nhập liên tục.
- Nợ hiện tại: Các khoản vay hiện tại, nợ thẻ tín dụng, tỷ lệ nợ trên thu nhập (tỷ lệ trả nợ hàng tháng trên thu nhập).
- Lịch sử tín dụng: Hình thức thanh toán trong quá khứ, sự chậm trễ, hồ sơ theo dõi pháp lý (điểm KKB tóm tắt điều này).
- Tài sản thế chấp: Tài sản (nhà, xe, tiền đặt cọc) và giá trị của nó được cung cấp để vay.
- Đặc điểm nhu cầu: Số tiền cho vay, kỳ hạn, loại sản phẩm.
Mẹo: Điểm số là "ước tính xác suất" chứ không phải "sự thật". Hai khách hàng có thể có cùng số điểm nhưng câu chuyện của họ có thể hoàn toàn khác nhau. Đưa ra quyết định mà không xem lý do đằng sau điểm số là đánh giá cuốn sách qua bìa của nó.
Trí tuệ nhân tạo đứng ở đâu trong quá trình này?
Rõ ràng là nơi nào trí tuệ nhân tạo có thể được sử dụng một cách an toàn và nơi nào không thể:
Nhiệm vụ
vai trò AI
Ai có quyết định/phê duyệt?
Tóm tắt số tiền trong chứng từ thu nhập
Đọc, tóm tắt
Xác nhận từ nguồn chuyên gia
Dự thảo tính tỷ lệ nợ/thu nhập
hối phiếu tài khoản
Chuyên gia tính toán lại
Kiểm tra tính nhất quán của tệp (tìm mâu thuẫn)
quét
Chuyên gia xác nhận
Dự thảo giải trình từ chối/phê duyệt
bản thảo văn bản
Tác giả/phê duyệt của chuyên gia được ủy quyền
Giải thích ý nghĩa của điểm số
văn bản mô tả
Đánh giá của chuyên gia
Quyết định phân bổ tín dụng
(chỉ là bản nháp)
Cơ quan/ủy ban quyết định
Có thể thấy, trí tuệ nhân tạo tạo ra các bản nháp và kiểm tra trên từng dòng; không "quyết định" ở bất kỳ dòng nào. Duy trì sự khác biệt này là bản chất của đơn vị này.
Từng bước: chuẩn bị một tập tin có hỗ trợ trí tuệ nhân tạo
- Ẩn danh. Xóa tên, TR ID, số tài khoản; Mô tả khách hàng là “42 tuổi, công chức, phân khúc X”.
- Yêu cầu một bản thảo. Yêu cầu AI thực hiện tóm tắt tệp, kiểm tra tính nhất quán và đưa ra các biện minh dự thảo - chứ không phải đưa ra quyết định.
- Kết nối nó với nguồn. Đánh dấu mỗi số trong bản in đến từ tài liệu nào.
- Tính toán lại. Hãy tự mình xác minh những con số quan trọng, chẳng hạn như tỷ lệ nợ trên thu nhập, tỷ lệ tài sản thế chấp, v.v.
- Bộ lọc chính sách Kiểm tra việc tuân thủ chính sách tín dụng nội bộ và chính sách không phân biệt đối xử của bạn.
- Quyết định và chữ ký. Bạn đưa ra quyết định, viết lý do, để lại dấu vết kiểm tra.
Bốn mẫu có thể sao chép
1) Kiểm tra tính nhất quán của tệp:
Vai trò của bạn: người kiểm tra tính nhất quán của hồ sơ tín dụng. Ra quyết định. Khách hàng (ẩn danh): 42 tuổi, nhân viên nhà nước, thu nhập ròng hàng tháng 55.000 TL, khoản vay hàng tháng hiện tại là 12.000 TL, nhu cầu 250.000 TL / 48 tháng. Nhiệm vụ: Có bất kỳ mâu thuẫn nào về mặt toán học hoặc logic, thiếu tài liệu hoặc ngày tháng không nhất quán trong thông tin được cung cấp không? Liệt kê từng phát hiện với nhãn "[yêu cầu xác nhận]" và chỉ rõ thông tin đó dựa trên thông tin nào. Quyết định là của tôi.
2) Kiểm soát tính toán tỷ lệ nợ/thu nhập:
Tính tỷ lệ nợ/thu nhập từng bước với dữ liệu sau và hiển thị công thức. Chỉ cần tính toán, không đưa ra quyết định đủ điều kiện. Thu nhập ròng hàng tháng: 55.000 TL Khoản thanh toán nợ hàng tháng hiện tại: 12.000 TLE Khoản trả góp hàng tháng ước tính của khoản vay mới: 6.500 TL Sản lượng mong muốn: lãi suất hiện tại, lãi suất bao gồm khoản vay mới, công thức và các bước trung gian.
3) Dự thảo lý do từ chối/phê duyệt (có thể giải thích):
Vai trò của bạn: trợ lý DỰ THẢO cơ sở lý luận về quyết định cho vay. DỰA TRÊN những phát hiện đã được xác minh, tôi cung cấp cho bạn thông tin đầu vào, bổ sung thêm thông tin mới. Kết quả: [tỷ lệ nợ/thu nhập 34%, tỷ lệ tài sản thế chấp phù hợp, 1 hồ sơ nợ quá hạn]Nhiệm vụ: Viết một bản dự thảo lý do có thể giải thích được và không chứa ngôn ngữ phân biệt đối xử dựa trên những phát hiện này. Không đề cập đến các đặc điểm được bảo vệ (tuổi, giới tính, nguồn gốc, khu vực lân cận). Tôi sẽ thêm quyết định cuối cùng và chữ ký.
4) Giải thích đơn giản về điểm số:
Giải thích cho khách hàng ý nghĩa của điểm tín dụng trong 4 câu, sử dụng ngôn ngữ không mang tính buộc tội và không sử dụng thuật ngữ kỹ thuật. Không sử dụng dữ liệu cá nhân, không đưa ra những lời hứa dứt khoát. Tôi sẽ kiểm tra văn bản này trước khi chuyển tiếp cho khách hàng.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Chúng ta có nên cấp tín dụng cho khách hàng này không? Quyết định dựa trên điểm số của bạn và viết lý do của bạn.
Yêu cầu này để lại quyết định cho mô hình, không liên kết với nguồn và không ngăn cản việc biện minh cho sự phân biệt đối xử.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý hỗ trợ quyết định, không phải người ra quyết định. Viết một bản DRAFT căn cứ dựa trên những phát hiện đã được xác minh mà tôi đã cung cấp cho bạn. Hãy chỉ ra kết quả mà mỗi câu dựa vào trong dấu ngoặc đơn. Không tham chiếu các thuộc tính được bảo vệ. Đánh dấu mọi điểm chưa rõ ràng là "[cần xác nhận]". Tôi sẽ đưa ra quyết định tín dụng cuối cùng và chịu trách nhiệm.
Ý chí mạnh mẽ hạn chế vai trò, kết nối mọi tuyên bố với nguồn gốc, ngăn chặn sự phân biệt đối xử và giữ quyết định trong con người.
ba trường hợp nhỏ
Trường hợp 1 - Tiết kiệm thời gian. Một chuyên gia thực hiện kiểm tra tính nhất quán trên danh mục gồm 30 tệp. AI gắn cờ 5 điểm khác biệt như “Thu nhập khai báo ở số 8 là 60.000 nhưng bảng lương hiển thị 42.000”. Chuyên gia xác nhận tất cả tại nguồn; 3 trong số đó là thật, 2 trong số đó là thông tin sai của trí tuệ nhân tạo. Công việc thủ công kéo dài 3 giờ giảm xuống còn 40 phút và không có cảnh báo nào được sử dụng nếu không xác minh.
Trường hợp 2 - Tính toán lại phát hiện lỗi. AI tóm tắt tỷ lệ nợ trên thu nhập là “28%”. Chuyên gia chạy lại công thức: không tính nợ hiện tại, lãi suất thực là 41%, vượt ngưỡng của chính sách trong nước. Nếu không xác minh, xác nhận sai có thể xảy ra.
Trường hợp 3 - Từ chối có lý do phân biệt đối xử. Trí tuệ nhân tạo xây dựng cụm từ “khu vực nơi người nộp đơn sinh sống có nhiều rủi ro” trong dự thảo từ chối. Chuyên gia phủ nhận điều này; Tuyên bố này có nguy cơ phân biệt đối xử gián tiếp (biến đại diện) tùy theo quận. Lời biện minh được viết lại chỉ với các tiêu chí hợp pháp như tỷ lệ nợ trên thu nhập và hồ sơ nợ quá hạn.
Ngoài điểm số: các tệp ngữ cảnh và "đường biên giới"
Phần khó khăn nhất trong quyết định tín dụng không phải là việc chấp nhận mở hay từ chối mở mà là hồ sơ “ranh giới”. Nếu tỷ số quá gần ngưỡng chính trị trong nước thì không thể phó mặc quyết định cho một con số duy nhất; bối cảnh phát huy tác dụng. Đây là nơi AI có thể đặt bẫy: nó đánh giá mọi tệp ranh giới có cùng logic cơ học và bỏ sót sắc thái. Chính chuyên gia là người thêm sắc thái.
Ví dụ về bối cảnh trong đó chuyên gia xem tệp đường viền:
- Câu chuyện về sự chậm trễ: Có phải sự chậm trễ duy nhất là do vấn đề sức khỏe tạm thời hoặc do mất khả năng thanh toán kéo dài? Cùng một “bản ghi độ trễ 1” có thể kể hai câu chuyện khác nhau.
- Bản chất của thu nhập: Hai khách hàng có thể có thu nhập như nhau, nhưng một khách hàng có thể là người làm công ăn lương thường xuyên và người kia có thể có thu nhập tự do thay đổi; Hồ sơ rủi ro là khác nhau.
- Mối quan hệ với ngân hàng: Hồ sơ của một khách hàng đã làm việc suôn sẻ trong một thời gian dài được đọc khác với hồ sơ của một khách hàng mới.
AI có thể giúp bạn tóm tắt những bối cảnh này, nhưng việc cân nhắc và quyết định là tùy thuộc vào chuyên gia - đặc biệt là trong các trường hợp gần ranh giới.
Mẹo: Trong trường hợp điểm gần đạt ngưỡng, hãy tập trung vào câu hỏi “Câu chuyện của khách hàng này kể về điều gì” thay vì “người mẫu đã nói gì?” Các tệp ranh giới là nơi mà sự đánh giá của chuyên gia chứ không phải tự động hóa tỏa sáng.
Những lỗi thường gặp
- Suy nghĩ về điểm số là quyết định. Tỷ số là một dự đoán; Bản thân nó không phải là quyết định. Thật sai lầm khi đánh giá dựa trên điểm số mà không có sự biện minh và bối cảnh.
- Không tính lại số. Sử dụng tỷ lệ và tổng số do trí tuệ nhân tạo đưa ra mà không xác nhận; Đây là lúc ảo giác hoặc đọc sai xuất hiện.
- Không nhận thấy sự biện minh phân biệt đối xử. Phê duyệt các biện minh bao gồm các đặc điểm được bảo vệ hoặc các biến thay thế như khu dân cư, độ tuổi, giới tính; rủi ro pháp lý nghiêm trọng.
- Bỏ qua dấu vết kiểm toán. Không ghi lại kết quả đã được xác minh để đưa ra quyết định; không thể được bảo vệ trong lần phản đối hoặc kiểm toán tiếp theo.
- Chia sẻ thông tin xác thực. Vào công cụ mà không ẩn danh tập tin.
Lưu ý: Khi quyết định cấp tín dụng bị từ chối, khách hàng có quyền tìm hiểu lý do và phản đối. Vì vậy, sự biện minh phải vừa chính xác, vừa có thể giải thích được và không có sự phân biệt đối xử. "Người mẫu đã cho điểm như vậy" không phải là lời biện minh.
Tóm lại
Chấm điểm tín dụng là ước tính xác suất dựa trên các dữ liệu như thu nhập, nợ nần, lịch sử tín dụng và tài sản thế chấp. Trong quá trình này, AI tạo ra việc đọc tài liệu, kiểm tra tính nhất quán, dự thảo tài khoản và dự thảo giải trình; Nhưng nó không làm thay đổi điểm số hay quyết định của bạn. Tính toán lại từng số, gán từng biện minh cho nguồn và chuyển nó qua bộ lọc phân biệt đối xử. Quyết định phân bổ tín dụng do chuyên gia có thẩm quyền ký, kèm theo lý do giải trình. Trong một câu: Trí tuệ nhân tạo chuẩn bị hồ sơ; Người có thẩm quyền quyết định cấp tín dụng.
Nhiệm vụ ứng dụng
Xác định một tệp tín dụng mẫu (ẩn danh: tuổi, nghề nghiệp, thu nhập, khoản nợ hiện tại, yêu cầu bồi thường, thời gian đáo hạn). Với mẫu 1 và 2 ở trên, trước tiên hãy kiểm tra tính nhất quán rồi tính tỷ lệ nợ/thu nhập. Tính toán lại và so sánh thủ công tỷ lệ do trí tuệ nhân tạo đưa ra. Sau đó tạo bản dự thảo biện minh với mẫu thứ 3 và kiểm tra xem có thuộc tính được bảo vệ hoặc biến thay thế trong đó hay không; Viết lại nó với các tiêu chí hợp pháp, nếu có.
danh sách kiểm tra
- [ ] Tôi đã ẩn danh tập tin; Tôi không chia sẻ bất kỳ thông tin nhận dạng nào.
- [ ] Tôi giao cho trí tuệ nhân tạo nhiệm vụ soạn thảo/kiểm soát chứ không phải quyết định.
- [ ] Tôi đã tính toán lại tỷ lệ nợ/thu nhập và các con số quan trọng bằng tay.
- [ ] Tôi cho rằng lý do căn bản là do những phát hiện đã được xác minh và trích dẫn nguồn.
- [ ] Tôi đã kiểm tra rằng không có biến thuộc tính/proxy nào được bảo vệ trong đối số.
- [ ] Tôi đã ghi lại quyết định và lý do đưa ra quyết định đó; Tôi đã chịu trách nhiệm cuối cùng.