Ένας πιστωτικός τύπος τεχνητής νοημοσύνης μπορεί να σας βοηθήσει να πάρετε ένα δάνειο

Οι αξιολογήσεις πιστοληπτικής ικανότητας είναι από καιρό το βασικό μέτρο για το πόσο πιθανό είναι ένας καταναλωτής των ΗΠΑ να αποπληρώσει οποιοδήποτε δάνειο, από υποθήκες έως πιστωτικές κάρτες. Αλλά το παράγοντες στα οποία βασίζονται η FICO και άλλες εταιρείες που δημιουργούν πιστωτικά σκορ—πράγματα όπως το πιστωτικό ιστορικό και τα υπόλοιπα πιστωτικών καρτών—συχνά εξαρτώνται από το ότι έχουν ήδη πίστωση.



γυαλιά που θεραπεύουν την αχρωματοψία κόκκινο-πράσινο

Τα τελευταία χρόνια , μια σοδειά νεοφυών εταιρειών έχουν ξεκινήσει με την προϋπόθεση ότι οι δανειολήπτες χωρίς τέτοιο ιστορικό ενδέχεται να εξακολουθούν να είναι πολύ πιθανό να αποπληρώσουν και ότι η πιθανότητα να το πράξουν θα μπορούσε να προσδιοριστεί με την ανάλυση μεγάλων ποσοτήτων δεδομένων, ιδίως δεδομένων που παραδοσιακά δεν αποτελούσαν μέρος της πιστοληπτικής αξιολόγησης. Αυτές οι εταιρείες χρησιμοποιούν αλγόριθμους και μηχανική μάθηση για να βρουν ουσιαστικά μοτίβα στα δεδομένα, εναλλακτικές ενδείξεις ότι ένας οφειλέτης είναι καλός ή κακός πιστωτικός κίνδυνος.

Αυτές οι εταιρείες είναι ακόμα νέες, αλλά μέχρι σήμερα δεν υπάρχουν σαφείς αποδείξεις ότι αυτές οι προσεγγίσεις έχουν επεκτείνει σημαντικά τη διαθέσιμη πίστωση και οι δανειστές που τις χρησιμοποιούν συχνά χρεώνουν υψηλά επιτόκια, σύμφωνα με κανω ΑΝΑΦΟΡΑ από το National Consumer Law Center, μια ομάδα υπεράσπισης των καταναλωτών. Οι υποστηρικτές των καταναλωτών ανησυχούν ότι ορισμένες από αυτές τις νέες πηγές δεδομένων - όπως πληροφορίες σχετικά με το πώς συμπεριφέρονται οι καταναλωτές στο διαδίκτυο ή οικονομικά δεδομένα που δεν περιλαμβάνονται παραδοσιακά στην πιστωτική ανάλυση - θα μπορούσαν άθελά τους να προκαλέσουν μεροληψία στα αποτελέσματα, προκαλώντας την άδικη κρίση ορισμένων δανειοληπτών. Στις ΗΠΑ, οι δανειστές απαγορεύεται από το νόμο να λαμβάνουν υπόψη τη φυλή, το φύλο και τη θρησκεία σε μια απόφαση δανεισμού.





Η ZestFinance με έδρα το Λος Άντζελες, που ιδρύθηκε από τον πρώην CIO της Google, Douglas Merrill, ισχυρίζεται ότι έχει λύσει αυτό το πρόβλημα με μια νέα πλατφόρμα αξιολόγησης πιστοληπτικής ικανότητας, που ονομάζεται ZAML. Η εταιρεία πουλά το λογισμικό μηχανικής μάθησης σε δανειστές και προσφέρει επίσης συμβουλευτικές υπηρεσίες. Η Zest δεν δανείζει χρήματα από μόνη της.

Η πλατφόρμα βελτιστοποιήθηκε με βάση την εμπειρία που είχε η Zest σε συνεργασία με τη μηχανή αναζήτησης Baidu στην Κίνα, όπου μόνο το 20 τοις εκατό του πληθυσμού έχει γνωστό πιστωτικό ιστορικό. Μελετώντας 21 διαφορετικούς παράγοντες, όπως τον τρόπο αναζήτησης των ανθρώπων και τον τρόπο με τον οποίο διέρχονται μεταξύ ιστοσελίδων, η Zest ανακάλυψε μοτίβα στα δεδομένα της Baidu που θα μπορούσαν να χρησιμοποιηθούν για να αποφασίσουν εάν θα χορηγηθούν μικρά δάνεια σε αυτούς τους πελάτες για αγορές όπως ρούχα. Μεταξύ των πραγμάτων που αξιολόγησε η Zest ήταν το πόσο καλά το εισόδημα ενός ατόμου που αναφέρθηκε από τον εαυτό του αντιστοιχούσε με το εισόδημά του που είχε υποδείξει, τι υπολογίζει η Zest που κέρδισε πραγματικά αυτό το άτομο με βάση άλλη συμπεριφορά. Εξίσου σημαντικό με το πόση απόκλιση υπάρχει μεταξύ του αναφερόμενου και του μοντελοποιημένου εισοδήματος είναι όταν αναφέρουν το διογκωμένο εισόδημα (με άλλα λόγια, εισόδημα που είναι υψηλότερο από αυτό που υπονοεί το μοντέλο ότι έχουν στην πραγματικότητα) και πόσο το διογκώνουν, λέει η Merrill.

Σε δύο μήνες, η Baidu, η οποία έχει μια μικρή επιχείρηση δανεισμού, ενέκρινε 150 τοις εκατό περισσότερους δανειολήπτες χωρίς αυξημένες απώλειες στα δάνειά τους, και η εταιρεία έχει κάνει εκατοντάδες χιλιάδες δάνεια από τότε, λέει η Merrill.



Ο Andrew Ng, επικεφαλής επιστήμονας της Baidu, πιστώνει ότι η τεχνολογία του Zest βοήθησε την εταιρεία του να επιταχύνει την είσοδό της στις χρηματοοικονομικές υπηρεσίες των καταναλωτών βελτιώνοντας την «προβλεψιμότητα» των πιστωτικών μοντέλων τους χρησιμοποιώντας δεδομένα από τη συμπεριφορά διαδικτυακής αναζήτησης των δανειοληπτών, τα πορτοφόλια κινητών και άλλες πηγές. Με το Zest, η Baidu διαπίστωσε ότι οι δανειολήπτες που επιδίδονται σε επικίνδυνη συμπεριφορά στο Διαδίκτυο -όπως ο τζόγος ή επισκέπτονται επικίνδυνες ιστοσελίδες όπως αυτές που πωλούν παράνομα αγαθά ή εκδηλώσεις που αναζητούν συγκίνηση στην αγορά- έχουν υψηλότερη στατιστική πιθανότητα αθέτησης δανείου.

Αν και ίσως είναι «προφανείς» εκ των υστέρων, στοιχεία όπως αυτά μπορούν να έχουν σημαντική επίδραση στην απόδοση της αναδοχής, έγραψε ο Ng μέσω e-mail.

Ορισμένα δεδομένα είναι εκτός ορίων. Το Zest δεν χρησιμοποιεί δεδομένα μέσων κοινωνικής δικτύωσης στην ανάλυσή της, κάτι που η Merrill αποκάλεσε ανατριχιαστικό και το οποίο η εταιρεία λέει ότι δεν είναι πολύ χρήσιμο σε αυτού του είδους τις αναλύσεις.

Η Zest έχει συνεργαστεί με δύο εκδότες πιστωτικών καρτών και έναν δανειστή αυτοκινήτων επίσης. Μεταξύ των κατόχων πιστωτικών καρτών, ένα σημαντικό σήμα αποδείχτηκε ότι ήταν οι κλήσεις στο γραφείο βοήθειας, κάτι που ο δανειστής δεν συνδεόταν με την πιστοληπτική ικανότητα πριν από την εργασία του Zest. Όπως αποδεικνύεται, κάποιος που καλεί για να παρατείνει μια περίοδο πληρωμής για ένα υπόλοιπο, αν και καθυστερεί μια πληρωμή, είναι πιθανό να είναι πραγματικά αξιόπιστος πελάτης. Η διαίσθηση μερικές φορές είναι λάθος, λέει ο Merrill.



Μια προστασία έναντι της μεροληψίας, σύμφωνα με την εταιρεία, είναι το γεγονός ότι για κάθε δανειολήπτη, το σύστημα αξιολογεί 100.000 διαφορετικά σημεία δεδομένων και κανένα σημείο δεν παίζει καθοριστικό ρόλο. Για να ελέγξει για προκατάληψη, το Zest βασίζεται και πάλι στη μηχανική μάθηση, την οποία το σύστημα χρησιμοποιεί για να δοκιμάσει τα δικά του αποτελέσματα. Εφαρμόζει έναν αλγόριθμο που χρησιμοποιεί το Γραφείο Οικονομικής Προστασίας των Καταναλωτών για να ελέγξει για διακρίσεις, και επίσης κάνει άλλες δοκιμές για να βρει τυχόν απροσδόκητες συσχετίσεις με παράγοντες που απαγορεύεται να λάβουν υπόψη οι δανειστές.

Ο Ng της Baidu ενέκρινε την τεχνολογία της Zest για την ικανότητά της να εξηγεί αυτό που ονόμασε «μοντέλα αναδοχής μηχανικής μάθησης μαύρου κουτιού» και να επικεντρώνεται στον εντοπισμό και τη διόρθωση τόσο ρητών όσο και κρυφών προκαταλήψεων.

Η εξήγηση των πιστωτικών αποφάσεων σε δανειολήπτες και ρυθμιστικές αρχές θα είναι καθοριστικής σημασίας, λέει ο Chi Chi Wu, δικηγόρος στο NCLC , ειδικά εξηγώντας εάν τα μοτίβα δεδομένων στα οποία βασιζόμαστε είναι πραγματικά προγνωστικά και όχι απλώς συσχετισμένα. Τα εναλλακτικά δεδομένα δεν είναι το καλύτερο και το τέλος, λέει.

κρύβω

Πραγματικές Τεχνολογίες

Κατηγορία

Χωρίς Κατηγοριοποίηση

Τεχνολογία

Βιοτεχνολογία

Τεχνική Πολιτική

Την Αλλαγή Του Κλίματος

Άνθρωποι Και Τεχνολογία

Silicon Valley

Χρήση Υπολογιστή

Περιοδικό Mit News

Τεχνητή Νοημοσύνη

Χώρος

Έξυπνες Πόλεις

Blockchain

Feature Story

Προφίλ Αποφοίτων

Σύνδεση Αποφοίτων

Δυνατότητα Ειδήσεων Mit

1865

Η Θέα Μου

77 Mass Ave

Γνωρίστε Τον Συγγραφέα

Προφίλ Στη Γενναιοδωρία

Βλέπεται Στην Πανεπιστημιούπολη

Επιστολές Αποφοίτων

Νέα

Εκλογές 2020

Με Ευρετήριο

Κάτω Από Τον Θόλο

Πυροσβεστική Μάνικα

Άπειρες Ιστορίες

Πανδημικό Τεχνολογικό Έργο

Από Τον Πρόεδρο

Θέμα Εξώφυλλου

Φωτογραφίες

Συνιστάται