Процесс оценки кредитоспособности с использованием агентного ИИ: Стратегический план

Бхушан Джоши, доктор Манас Панда, Раджа Басу

Откройте для себя главные новости и мероприятия в финтехе!

Подпишитесь на рассылку FinTech Weekly

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

Финансовая отрасль переживает смену парадигмы: генеративный ИИ (GenAI) и агентные ИИ-системы пересматривают цепочки бизнес-процессов — кредитное скоринг/принятие кредитных решений является одним из примеров. Банки теперь внедряют AI-ориентированные системы, повышающие точность прогнозирования, одновременно автоматизируя сложные рабочие процессы. В этой статье рассматривается, как GenAI и агентный ИИ можно стратегически задействовать в процессе кредитной оценки, существенно повышая уровень эффективности и автоматизации, при этом учитывая вопросы управления, рисков и комплаенса.

Преимущество GenAI: интеллектуальное обогащение данных

Данные — это основа кредитной оценки. Банки и финансовые организации анализируют и оценивают большие массивы элементов данных с помощью логистических и эвристических моделей. С появлением GenAI этот процесс перескочил на новый уровень: модели GenAI получили возможность анализировать неструктурированные данные, генерируя ценные инсайты. Генерация синтетических данных для моделирования сценариев заранее — еще одно ключевое 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 доходов, несоответствия по платежам, данные о занятости, дискреционные расходы и т.д., что может дать критически важные сведения при оценке в андеррайтинге.

Генерация синтетических данных — это функция, которую предоставляют модели GenAI, и ее можно использовать для надежного моделирования и валидации. Это может помочь снизить дефицит данных в пограничных случаях. AI-модели можно применять для определения сценариев на границе, добавления более тонких критериев — буферов ликвидности, волатильности доходов и т.д. — и валидировать их синтетическими данными. Такие данные, сохраняющие приватность, повышают обобщаемость и устойчивость моделей к рискам хвостового характера.

Мультимодальные системы GenAI могут выявлять несоответствия — например, расхождения между заявленным доходом, налоговыми записями, банковскими выписками и т.д., сравнивая и сопоставляя данные. Эти трудоемкие ручные действия можно ускорить за счет улучшенного комплаенса: выявлять пробелы и повышать целостность данных.

Агентный ИИ: оркестрация автономных рабочих процессов

Хотя мультимодальные системы GenAI помогают обеспечивать целостность данных, создавать и валидировать экстремальные сценарии, агентный ИИ сочетается с автономным рабочим процессом.

Агентный ИИ дополнительно продвинул процесс оценки за счет автономного принятия решений по дискретным задачам. Агентная «сетка» ИИ, состоящая из нескольких агентов-экспертов, способна выполнять несколько дискретных задач одновременно. Проверка личности, извлечение и валидация документов, оценка метрик, проверка внешних данных, запросы в бюро кредитных историй, 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» закрепляет бизнес-логику, вызывает предиктивные модели и направляет заявки на основе порогов уверенности, динамически автоматизируя рабочие процессы. Например, решения с низкой уверенностью или отмеченные аномалии автоматически эскалируются к андеррайтерам — с включенным человеком в контур (human-in-the-loop) — при этом уведомления отправляются через системы обмена сообщениями, чтобы инициировать действия. Одновременно агентные системы могут проактивно мониторить заявки, выявлять противоречия и запускать механизмы ремедиации. Аналогично, если кредитный профиль заявителя попадает в «серую зону», это может автоматически инициировать вторичную проверку либо запрос дополнительных документов, либо подключение сценария с человеком в контуре.

Поучительный пример: крупный глобальный банк недавно внедрил полностью автоматизированный процесс ведения дел на основе клиентских email-сообщений — регистрацию кейсов, вызов рабочих процессов, обмен сообщениями с отслеживанием статуса и коммуникацией — сократив усилия и время обработки вдвое по сравнению с более ранним подходом.

Чтобы дополнить: возможность NLP позволяет агентам общаться с заявителями в реальном времени, проясняя неоднозначности, собирая недостающие данные и формируя сводку следующих шагов — на нескольких языках и с голосовой поддержкой, как требуется. Это снижает трение и повышает конверсию завершения, особенно для недостаточно обслуживаемых категорий клиентов, которые сомневаются.

Гибридная архитектура: баланс точности и объяснимости

Технологии GenAI и агентного ИИ проектируют цепочки процессов и архитектуру — повышая эффективность при сохранении баланса между точностью и объяснимостью результатов. Гибридная архитектура, сочетающая агентный ИИ с моделями GenAI, усиливает предиктивную мощность за счет более богатых данных и улучшенной регуляторной прозрачности. Комбинация ИИ-агентов также повышает устойчивость и обеспечивает бесшовное выполнение автоматизированных задач.

Хотя GenAI может генерировать контрфактические объяснения — сценарии «что если», показывающие, как заявители могут улучшить свою кредитную пригодность, — агентные системы могут собирать данные о результатах, отбирать пограничные случаи и инициировать циклы повторного обучения. Этот процесс адаптивного самообучения с более чистыми наборами данных и правдоподобными пограничными сценариями улучшает точность оценки кредитной пригодности клиентов.

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

Оценка кредитной пригодности — сложный процесс, который влияет на качество клиентского опыта и долгосрочные отношения с бизнесом. Некоторые ключевые рекомендации, которые стоит держать в уме при переработке потока: a) архитектура с человеком в контуре для улучшения общего процесса принятия решений с прослеживаемостью и объяснимостью, b) корректно идентифицировать и сопоставлять исходы решений с соответствующими признаками, чтобы учесть вопросы интерпретируемости и результаты аудита, c) внедрить ответственные ИИ-ограждения, операционные меры безопасности, такие как ролевой контроль доступа, матрица эскалации и т.д., — это повысит устойчивость процесса.

Заключение

Процесс кредитного скоринга/принятия кредитных решений находится в точке перелома, когда GenAI и агентный ИИ переопределяют цепочки бизнес-процессов — делая кредитный экосистем более эффективной и устойчивой. Финансовые учреждения, которые инвестируют в продуманный дизайн, строгий контур управления и надежные модели данных, автоматизирующие высокорисковые сценарии использования, приведут к следующей эре интеллектуального андеррайтинга.