211service.com
Kredīta formula, kas balstīta uz mākslīgo intelektu, var palīdzēt saņemt aizdevumu
Kredītreitingi jau sen ir bijis galvenais rādītājs, kas nosaka, cik liela ir iespēja, ka ASV patērētājs atmaksās jebkuru aizdevumu, sākot no hipotēkas līdz kredītkartēm. Bet faktoriem uz kuriem FICO un citi uzņēmumi, kas veido kredītreitingu, paļaujas, piemēram, kredītvēsture un kredītkaršu atlikumi, bieži vien ir atkarīgi no tā, vai viņiem jau ir kredīts.
Pēdējos gados , jaunuzņēmumu raža ir uzsākuši pieņēmumu, ka aizņēmēji bez šādas vēstures, iespējams, joprojām varētu atmaksāt un ka viņu iespējamību to varētu noteikt, analizējot lielu datu apjomu, īpaši tos, kas tradicionāli nav bijuši kredīta novērtējumā. Šie uzņēmumi izmanto algoritmus un mašīnmācīšanos, lai datos atrastu nozīmīgus modeļus, alternatīvas pazīmes, kas liecina, ka aizņēmējam ir labs vai slikts kredītrisks.
Saskaņā ar Ziņot Nacionālais patērētāju tiesību centrs, patērētāju tiesību aizsardzības grupa. Patērētāju aizstāvji uztraucas, ka daži no šiem jaunajiem datu avotiem, piemēram, informācija par to, kā patērētāji uzvedas tiešsaistē, vai finanšu dati, kas tradicionāli nav iekļauti kredīta analīzē, var neapzināti ietekmēt rezultātus, izraisot noteiktu aizņēmēju netaisnīgu vērtējumu. ASV aizdevējiem ar likumu ir aizliegts, pieņemot lēmumu par aizdevumu, ņemt vērā rasi, dzimumu un reliģiju.
Losandželosā bāzētais ZestFinance, ko dibināja bijušais Google CIO Duglass Merils, apgalvo, ka ir atrisinājis šo problēmu, izmantojot jaunu kredītpunktu noteikšanas platformu, ko sauc par ZAML. Uzņēmums pārdod mašīnmācības programmatūru aizdevējiem, kā arī piedāvā konsultāciju pakalpojumus. Zest pats naudu neaizdod.
Platforma tika precizēta, pamatojoties uz Zest pieredzi, strādājot ar meklētājprogrammu Baidu Ķīnā, kur tikai 20 procentiem iedzīvotāju ir zināma kredītvēsture. Pētot 21 dažādu faktoru, piemēram, to, kā cilvēki meklē un kā viņi pārvietojas starp tīmekļa lapām, Zest atklāja Baidu datu modeļus, ko varētu izmantot, lai izlemtu, vai piešķirt šiem klientiem nelielus aizdevumus tādu pirkumu iegādei kā apģērbs. Starp Zest novērtētajām lietām bija tas, cik labi personas uzrādītie ienākumi atbilst viņu modelētajiem ienākumiem, ko Zest aprēķina, pamatojoties uz citu uzvedību. Tikpat svarīgi, cik liela ir neatbilstība starp uzrādītajiem un modelētajiem ienākumiem, kad viņi ziņo par palielinātajiem ienākumiem (citiem vārdiem sakot, ienākumi, kas ir lielāki par to, ko viņi faktiski gūst pēc modeļa) un cik daudz viņi tos palielinājuši, saka Merrills.
Divu mēnešu laikā Baidu, kuram ir neliels kreditēšanas bizness, apstiprināja par 150 procentiem vairāk aizņēmēju, nepalielinot aizdevumu zaudējumus, un kopš tā laika uzņēmums ir izsniedzis simtiem tūkstošu aizdevumu, saka Merrill.
Endrjū Ngs, Baidu galvenais zinātnieks, atzīst Zest tehnoloģiju, palīdzot viņa uzņēmumam paātrināt tā ienākšanu patērētāju finanšu pakalpojumu jomā, uzlabojot viņu kredītu modeļu “prognozējamību”, izmantojot datus no aizņēmēju tiešsaistes meklēšanas darbībām, mobilajiem makiem un citiem avotiem. Izmantojot Zest, Baidu atklāja, ka aizņēmējiem, kuri tiešsaistē iesaistās riskantās darbībās, piemēram, spēlē azartspēles vai apmeklē riskantas vietnes, piemēram, tās, kurās tiek pārdotas nelegālas preces, vai tirgus aizraujošus pasākumus, ir lielāka statistiskā iespējamība, ka viņi nepildīs aizdevumu.
Lai gan, iespējams, ir 'acīmredzami' vēlāk, šādi norādījumi var būtiski ietekmēt parakstīšanas darbību, Ng rakstīja e-pastā.
Daži dati ir ārpus robežām. Zest neizmanto sociālo mediju dati savā analīzē kaut ko Merrill ir nosaucis par rāpojošu, un tas, pēc uzņēmuma domām, nav īpaši noderīgs šāda veida analīzēs.
Zest ir strādājis arī ar diviem kredītkaršu izsniedzējiem un automašīnu aizdevēju. Kredītkaršu īpašnieku vidū viens svarīgs signāls izrādījās palīdzības dienesta izsaukums, ko aizdevējs pirms Zest darba nebija savienojis ar kredītspēju. Kā izrādās, kāds, kurš zvana, lai pagarinātu atlikuma maksājuma periodu, kaut arī kavē maksājumu, visticamāk, ir uzticams klients. Intuīcija dažreiz ir nepareiza, saka Merils.
Viena aizsardzība pret aizspriedumiem, pēc uzņēmuma domām, ir fakts, ka katram aizņēmējam sistēma novērtē 100 000 dažādu datu punktu, un neviens punkts nespēlē noteicošo lomu. Lai pārbaudītu neobjektivitāti, Zest atkal paļaujas uz mašīnmācīšanos, ko sistēma izmanto, lai pārbaudītu savus rezultātus. Tas izmanto algoritmu, ko Patērētāju finanšu aizsardzības birojs izmanto, lai pārbaudītu, vai nav diskriminācijas, un veic arī citas pārbaudes, lai atrastu neparedzētas korelācijas ar faktoriem, kurus aizdevējiem ir aizliegts ņemt vērā.
Baidu's Ng atbalstīja Zest tehnoloģiju, jo tā spēj izskaidrot tā dēvētos 'melnās kastes mašīnmācīšanās parakstīšanas modeļus' un koncentrēties uz atklātu un slēptu aizspriedumu atklāšanu un labošanu.
Izšķiroša nozīme būs kredīta lēmumu izskaidrošanai aizņēmējiem un regulatoriem, saka Či Či Vu, biroja advokāts. NCLC , jo īpaši paskaidrojot, vai datu modeļi, uz kuriem paļaujas, patiešām ir paredzami, nevis tikai korelēti. Viņa saka, ka alternatīvie dati nav viss un beigas.