Процесс оценки кредитоспособности с использованием агентного ИИ: Стратегический план

Бушан Джоши, доктор Манас Панда, Раджа Босу

Откройте для себя лучшие новости и события финтеха!

Подпишитесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и других

Индустрия финансовых услуг переживает парадигмальный сдвиг, поскольку генеративный ИИ (GenAI) и агентные системы ИИ переопределяют бизнес-процессы — одним из них является принятие кредитных решений. Банки теперь внедряют системы на базе ИИ, повышающие точность прогнозов и одновременно автоматизирующие сложные рабочие процессы. В этой статье рассматривается, как GenAI и агентный ИИ могут стратегически применяться в процессе оценки кредитоспособности, значительно повышая уровень эффективности и автоматизации, при этом учитывая вопросы управления, рисков и соблюдения нормативных требований.

Преимущество GenAI: интеллектуальное обогащение данных

Данные — это жизненная сила оценки кредитоспособности. Банки и финансовые учреждения оценивают и анализируют множество элементов данных, используя логистические и эвристические модели. С появлением GenAI этот процесс значительно продвинулся, поскольку модели GenAI позволяют оценивать неструктурированные данные, генерируя ценные инсайты. Генерация синтетических данных для моделирования сценариев заранее — еще одно важное изменение в процессе оценки.

Модели GenAI отлично справляются с разбором неструктурированной информации, преобразуя её в структурированные данные. Эта способность позволяет извлекать ключевые атрибуты, такие как стабильность доходов, несоответствия в платежах, данные о занятости, дискреционные расходы и т.д., что может дать критически важные инсайты при андеррайтинге.

Генерация синтетических данных — это возможность моделей GenAI, которую можно использовать для надежного моделирования и валидации. Это помогает снизить проблему разреженности данных в крайних случаях. Модели ИИ могут использоваться для определения крайних сценариев, добавления более тонких критериев — таких как буферы ликвидности, волатильность доходов и т.п., и могут быть проверены с помощью синтетических данных. Такие данные, сохраняющие конфиденциальность, повышают универсальность модели и её устойчивость к редким рискам.

Мультимодальные системы GenAI могут выявлять несоответствия — например, несоответствия между заявленным доходом, налоговыми декларациями, банковскими выписками и т.д., путём сравнения и анализа. Эти ручные, трудоёмкие операции можно ускорить за счет улучшенной соблюдаемости требований, выявления пробелов и повышения целостности данных.

Агентный ИИ: управление автономными рабочими потоками

В то время как мультимодальные системы GenAI обеспечивают целостность данных, создание и проверку экстремальных сценариев, агентный ИИ управляет автономным рабочим процессом.

Агентный ИИ дополнительно совершенствует процесс оценки за счет автономного принятия решений по отдельным задачам. Модель агентного ИИ, состоящая из нескольких экспертных агентов, способна выполнять одновременно множество отдельных задач. Верификация личности, получение и проверка документов, оценка метрик, проверка внешних данных, проверки кредитных бюро, психометрический анализ и др. — все это могут выполнять специализированные агенты. Каждый агент работает с четко определенными целями, успешными метриками и протоколами эскалации, что делает процесс быстрее и точнее.

Этот агентный механизм обеспечивает выполнение бизнес-логики, вызывает предиктивные модели и маршрутизирует заявки в зависимости от уровня доверия, автоматизируя рабочие процессы в реальном времени. Например, решения с низким уровнем доверия или выявленные аномалии автоматически передаются на эскалацию человеку-эксперту с уведомлениями через системы сообщений для дальнейших действий. Одновременно агентные системы могут проактивно отслеживать заявки, выявлять противоречия и инициировать механизмы исправления. Аналогично, если кредитный профиль заявителя попадает в «серую зону», система может автоматически инициировать повторную проверку или запросить дополнительные документы, а также подключить человека к процессу.

Пример: крупный глобальный банк недавно внедрил полностью автоматизированный процесс обработки кейсов — от регистрации обращений клиентов, вызова рабочих процессов, отправки сообщений с отслеживанием статуса и коммуникацией — что сократило затраты и время обработки вдвое.

Кроме того, возможность обработки естественного языка (NLP) позволяет агентам вести диалог с заявителями в реальном времени, уточнять неясности, собирать недостающие данные и подводить итоги — на нескольких языках и с голосовой поддержкой по необходимости. Это снижает трение и повышает показатели завершения процессов, особенно среди сегментов клиентов с низкой активностью или недоверчивых.

Гибридная архитектура: баланс между точностью и объяснимостью

Технологии GenAI и агентного ИИ проектируют бизнес-процессы и архитектуру — повышая эффективность при сохранении баланса между точностью и объяснимостью результатов.
Гибридная архитектура, сочетающая агентный ИИ с моделями GenAI, усиливает предсказательную мощь за счет более богатых данных и повышенной прозрачности с точки зрения регуляторов. Объединение ИИ-агентов также повышает устойчивость и возможности автоматического выполнения задач.

В то время как GenAI может генерировать контрфактические объяснения — сценарии «что если», показывающие, как заявители могут улучшить свою кредитную пригодность, — агентные системы собирают данные о результатах, курируют крайние случаи и инициируют циклы повторного обучения. Этот процесс адаптивного самообучения с использованием более чистых наборов данных и реалистичных сценариев повышает точность оценки кредитоспособности клиента.

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

Оценка кредитоспособности — сложный процесс, который влияет на клиентский опыт и долгосрочные бизнес-отношения. Некоторые ключевые рекомендации при переосмыслении этого процесса: а) архитектура с участием человека в цепочке принятия решений для повышения прослеживаемости и объяснимости, б) правильное определение и сопоставление результатов решений с соответствующими признаками для решения вопросов интерпретируемости и аудита, в) внедрение ответственных рамок ИИ, операционных мер предосторожности, таких как контроль доступа на основе ролей, матрицы эскалации и др., что повысит устойчивость процесса.

Заключение

Процесс принятия кредитных решений находится на переломном этапе, поскольку GenAI и агентный ИИ переопределяют бизнес-процессы — делая кредитную экосистему более эффективной и устойчивой. Финансовые учреждения, инвестирующие в продуманный дизайн, строгий контроль и надежные модели данных для автоматизации высокорискованных кейсов, станут лидерами следующей эпохи интеллектуального андеррайтинга.