Процесс оценки кредитоспособности с использованием агентного ИИ: Стратегический план

Бхушан Джоши, доктор Манас Панда, Раджа Басу

Откройте для себя лучшие новости и мероприятия в финтехе!

Подпишитесь на рассылку FinTech Weekly

Читают руководители в JP Morgan, Coinbase, Blackrock, Klarna и др.

Индустрия финансовых услуг переживает смену парадигмы: генеративный ИИ (GenAI) и агентные ИИ-системы переопределяют бизнес-процессные потоки — и кредитное скоринг-решение является одним из них. Банки сейчас внедряют ИИ-ориентированные системы, повышающие точность прогнозирования и одновременно автоматизирующие сложные рабочие процессы. Эта статья рассматривает, как GenAI и агентный ИИ можно стратегически применять в процессе оценки кредитоспособности, существенно повышая уровень эффективности и автоматизации, при этом учитывая требования к управлению, рискам и соответствию нормативам.

Преимущество GenAI: интеллектуальное обогащение данных

Данные — основа оценки кредитоспособности. Банки и финансовые организации анализируют и оценивают большие объемы элементов данных, используя логистические и эвристические модели. С появлением GenAI этот процесс перескочил на новый уровень: модели GenAI получили возможность оценивать неструктурированные данные, генерируя ценные инсайты. Генерация синтетических данных для предварительного моделирования сценариев — еще одно ключевое изменение в процессе оценки.

Модели GenAI превосходно справляются с разбором неструктурированной информации, преобразуя ее в структурированные данные. Эта возможность позволяет извлекать ключевые атрибуты, такие как согласованность дохода, несоответствия в платежах, данные о занятости, дискреционные расходы и т. п., что может дать критически важные сведения для оценки при андеррайтинге.

Генерация синтетических данных — это возможность, которую предлагают модели GenAI, и ее можно использовать для надежного моделирования и валидации. Это может помочь уменьшить дефицит данных в пограничных случаях. ИИ-модели можно применять для определения сценариев по краям, добавления более тонких критериев — буферов ликвидности, волатильности дохода и т. д. — и валидировать их синтетическими данными. Эти данные с сохранением приватности повышают обобщаемость и устойчивость моделей к рискам на “хвостах”.

Мультимодальные системы GenAI могут выявлять несоответствия — например, расхождения между заявленным доходом, налоговыми записями, банковскими выписками и т. д. — сравнивая и сопоставляя данные. Эти ручные, отнимающие время операции можно ускорить за счет улучшения соответствия нормативам: выявляются пробелы и повышается целостность данных.

Агентный ИИ: оркестрация автономных рабочих процессов

Хотя мультимодальные системы GenAI помогают обеспечивать целостность данных, создавать и валидировать предельные сценарии, агентный ИИ образует “сеть” с автономными рабочими процессами.

Агентный ИИ дополнительно продвинул процесс оценки за счет автономного принятия решений по отдельным задачам. “Сеть” агентного ИИ, включающая несколько экспертных агентов, способна одновременно выполнять множество дискретных задач. Верификация личности, извлечение и валидация документов, оценка метрик, валидация внешних данных, проверки по кредитному бюро, психометрический анализ и т. д. — некоторые из них могут выполняться параллельно специализированными агентами. Каждый агент работает с заданными целями, успешными метриками и протоколами эскалации, благодаря чему процесс становится быстрее и точнее.

Эта агентная “сетка” обеспечивает соблюдение бизнес-логики, вызывает предиктивные модели и маршрутизирует заявки на основе порогов уверенности, динамически автоматизируя рабочие процессы. Например, решения с низкой уверенностью или отмеченные аномалии автоматически эскалируются людям-андеррайтерам “в контуре” (human-in-the-loop) с уведомлениями, отправляемыми через системы обмена сообщениями, чтобы они могли действовать. Одновременно агентные системы могут проактивно мониторить заявки, выявлять противоречия и запускать механизмы устранения проблем. Аналогично, если кредитный профиль заявителя попадает в “серую зону”, она может автоматически инициировать вторичную проверку или запросить дополнительные документы либо подключить человека “в контуре”.

Пример из практики: одна крупная глобальная банковская организация недавно внедрила полностью автоматизированный процесс управления делами по электронной почте клиентов — регистрация кейсов, вызов рабочих процессов, обмен сообщениями с отслеживанием статуса и коммуникацией — сократив усилия и время обработки вдвое по сравнению с прежним.

Чтобы дополнить картину, NLP-возможности позволяют агентам вести беседу с заявителями в реальном времени, проясняя неоднозначности, собирая недостающие данные и резюмируя следующие шаги — на нескольких языках и с голосовым управлением по мере необходимости. Это снижает трение и повышает показатели завершения, особенно для недостаточно обслуживаемых колеблющихся сегментов клиентов.

Гибридная архитектура: баланс точности и объяснимости

Технологии GenAI и агентного ИИ проектируют процессные потоки и архитектуру — повышая эффективность при сохранении баланса между точностью и объяснимостью результатов. Гибридная архитектура, сочетающая агентный ИИ с моделями GenAI, усиливает прогностическую способность за счет более богатых данных и улучшенной регуляторной прозрачности. Комбинация AI-агентов также повышает надежность и обеспечивает бесшовное выполнение автоматизированных действий.

Хотя GenAI может генерировать контрфактические объяснения — сценарии “что если”, показывающие, как заявители могут улучшить свою кредитную квалификацию, — агентные системы могут собирать данные о результатах, отбирать пограничные случаи и инициировать циклы переобучения. Этот процесс адаптивного самообучения на более чистых наборах данных и правдоподобных пограничных сценариях улучшает точность оценки кредитоспособности клиентов.

Призыв к действию: создание надежных систем ИИ для более точной оценки

Оценка кредитоспособности — сложный процесс, который влияет на опыт клиента и долгосрочные отношения с бизнесом. Некоторые ключевые рекомендации, которые стоит учитывать при перестройке потока: a) архитектура human-in-the-loop, чтобы улучшить общий процесс принятия решений с прослеживаемостью и объяснимостью; b) корректно определять и сопоставлять исходы решений с соответствующими признаками, чтобы решать вопросы интерпретируемости и результаты аудита; c) внедрять ответственные ИИ-ограждения, операционные меры защиты, такие как контроль доступа на основе ролей, матрица эскалации и т. д., — это повысит устойчивость процесса.

Заключение

Процесс кредитного скоринга находится в точке перегиба: GenAI и агентный ИИ переопределяют бизнес-процессные потоки — делая кредитную экосистему более эффективной и устойчивой. Финансовые организации, которые инвестируют в продуманное проектирование, строгие механизмы управления и надежные модели данных, автоматизирующие высокорисковые сценарии использования, приведут к следующей эпохе интеллектуального андеррайтинга.