Процесс оценки кредитоспособности с использованием агентного ИИ: Стратегический план

Бхушан Джоши, доктор Манас Панда, Раджа Басу

Откройте для себя главные новости и события в финтехе!

Подпишитесь на рассылку FinTech Weekly

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

Индустрия финансовых услуг претерпевает смену парадигмы, поскольку генеративный ИИ (GenAI) и агентные системы ИИ переопределяют бизнес-процессы — кредитное скоринг-решение является одним из них. Банки уже внедряют ИИ-ориентированные системы, повышая точность прогнозирования и одновременно автоматизируя сложные рабочие процессы. В этой статье рассматривается, как GenAI и агентный ИИ можно стратегически задействовать в процессе оценки кредитоспособности, существенно повышая уровень эффективности и автоматизации, при этом учитывая вопросы управления, рисков и соответствия требованиям.

Преимущество GenAI: интеллектуальное обогащение данных

Данные — это источник жизни для оценки кредитоспособности. Банки и финансовые организации оценивают и анализируют нагрузки элементов данных, используя логистические и эвристические модели. Когда в игру вступает GenAI, этот процесс перескочил на новый уровень: модели GenAI дают возможность оценивать неструктурированные данные, генерируя ценные инсайты. Генерация синтетических данных для моделирования сценариев заранее — еще одно важное изменение в процессе оценки.

Модели GenAI особенно сильны в разборе неструктурированной информации, преобразуя ее в структурированные данные. Эта возможность позволяет извлекать ключевые атрибуты, такие как согласованность по доходам, несоответствия по платежам, данные о занятости, дискреционные расходы и т.д., что может дать критически важные сведения при андеррайтинговой оценке.

Генерация синтетических данных — это возможность, которую предоставляют модели GenAI; ее можно использовать для надежного моделирования и валидации. Это может помочь снизить проблему нехватки данных в пограничных случаях. Модели ИИ могут применяться для определения сценариев на краю диапазона, добавления более нюансированных критериев — буферов ликвидности, волатильности доходов и т.д. — и последующей проверки этих сценариев с использованием синтетических данных. Эти данные с сохранением приватности повышают обобщаемость моделей и устойчивость к хвостовым рискам.

Мультимодальные системы GenAI способны выявлять несоответствия — например, расхождения между заявленным доходом, налоговыми записями, банковскими выписками и т.п. — путем сопоставления и анализа. Эти трудоемкие ручные действия можно ускорить за счет улучшенного соблюдения требований: выявляются пробелы и повышается целостность данных.

Агентный ИИ: оркестрация автономных рабочих процессов

Хотя мультимодальные системы GenAI поддерживают целостность данных, создание и валидацию экстремальных сценариев, агентный ИИ обеспечивает связку с автономным рабочим процессом.

Агентный ИИ далее развивает процесс оценки за счет автономного принятия решений по дискретным задачам. Сетка агентного ИИ, состоящая из нескольких экспертных агентов, способна выполнять множество дискретных задач одновременно. Например, проверка личности, извлечение и валидация документов, оценка метрик, проверка внешних данных, запросы в кредитные бюро, психометрический анализ и т.п. — все это может 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 направляет заявки на основе порогов уверенности, динамически автоматизируя рабочие процессы. Например, решения с низкой уверенностью или отмеченные аномалии автоматически эскалируются людям-андеррайтерам-in-loop, при этом уведомления отправляются через системы обмена сообщениями для действий. Одновременно агентные системы могут проактивно отслеживать заявки, выявлять противоречия и инициировать механизмы устранения проблем (remediation). Аналогично, если кредитный профиль заявителя попадает в «серую зону», это может автоматически запустить вторичную проверку или запросить дополнительные документы, либо инициировать сценарий human-in-loop.

Пример из практики: недавно крупный глобальный банк внедрил полностью автоматизированный процесс ведения дел по электронным письмам клиентов — регистрация дел, запуск рабочих процессов, обмен сообщениями с отслеживанием статуса и коммуникацией — сократив усилия и время обработки вдвое по сравнению с предыдущим.

Чтобы завершить, возможность NLP позволяет агентам общаться с заявителями в реальном времени, проясняя неоднозначности, собирая недостающие данные и суммируя 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, одновременно балансируя точность и объяснимость результатов. Гибридная архитектура, объединяющая агентный ИИ и модели GenAI, усиливает предиктивную мощность за счет более богатых данных и улучшенной регуляторной прозрачности. Также комбинирование ИИ-агентов повышает устойчивость и возможности бесшовного автоматизированного исполнения.

Хотя GenAI способен генерировать контрфактические объяснения — сценарии «что если», показывающие, как заявители могут улучшить свою кредитную приемлемость, — агентные системы могут собирать данные о результате, подбирать пограничные случаи и запускать циклы переобучения. Этот процесс адаптивного самообучения с более чистыми наборами данных и правдоподобными пограничными сценариями повышает точность процесса оценки кредитной приемлемости клиентов.

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

Оценка кредитной приемлемости — это сложный процесс, который влияет на качество клиентского опыта и долгосрочные деловые отношения. Ниже приведены некоторые ключевые рекомендации, которые стоит держать в голове при переработке потока: a) архитектура human-in-the-loop для улучшения общего процесса принятия решений с трассируемостью и объяснимостью, b) корректно определять и сопоставлять исходы решений с соответствующими признаками, чтобы решить вопросы интерпретируемости и результаты аудита, c) внедрить ответственные AI-ограждения, операционные защитные меры, такие как контроль доступа на основе ролей, матрицу эскалации и т.д. Это повысит устойчивость процесса.

Заключение

Процесс кредитного скоринга находится на переломном этапе: GenAI & агентный ИИ заново определяют бизнес-процессы — делая кредитный экосистем более эффективной и устойчивой. Финансовые организации, которые инвестируют в продуманный дизайн, строгие механизмы управления (governance) и надежные модели данных, автоматизирующие высокорисковые сценарии использования, приведут к следующей эре интеллектуального андеррайтинга.