Агентный ИИ в процессе оценки кредитоспособности: Стратегический план

Бхушан Джоши, д-р Манас Панда, Раджа Басу

Откройте для себя главные новости и события в сфере финтеха!

Подпишитесь на новостную рассылку FinTech Weekly

Читается руководителями JP Morgan, Coinbase, Blackrock, Klarna и других компаний

Индустрия финансовых услуг переживает смену парадигмы, поскольку генеративный ИИ (GenAI) и агентные системы ИИ переопределяют бизнес-процессы — в том числе процесс принятия кредитных решений. Банки все активнее внедряют системы на основе ИИ, повышающие точность прогнозирования и одновременно автоматизирующие сложные рабочие процессы. В этой статье рассматривается, как GenAI и агентный ИИ могут быть стратегически развернуты в процессе оценки кредитоспособности, значительно повышая уровень эффективности и автоматизации при одновременном решении вопросов управления, рисков и соответствия требованиям.

Преимущества GenAI: интеллектуальное обогащение данных

Данные — основа оценки кредитоспособности. Банки и финансовые учреждения оценивают и анализируют огромные объемы данных с помощью логистических и эвристических моделей. С появлением GenAI этот процесс совершил скачок, поскольку модели GenAI предоставили возможность оценивать неструктурированные данные, генерируя ценные идеи. Генерация синтетических данных для предварительного моделирования сценариев — еще одно ключевое изменение в процессе оценки.

Модели GenAI отлично справляются с парсингом неструктурированной информации, преобразуя ее в структурированные данные. Эта возможность позволяет извлекать ключевые атрибуты, такие как стабильность дохода, несоответствия в платежах, данные о занятости, дискреционные расходы и т. д., которые могут дать критически важные сведения при андеррайтинговой оценке.

Генерация синтетических данных — это возможность, которую предлагают модели GenAI, и ее можно использовать для надежного моделирования и валидации. Это может помочь смягчить разреженность данных в крайних случаях. Модели ИИ могут быть использованы для определения граничных сценариев, добавления более тонких критериев — буферов ликвидности, волатильности доходов и т. д. — и могут быть проверены с помощью синтетических данных. Эти данные, сохраняющие конфиденциальность, повышают обобщаемость модели и устойчивость к хвостовым рискам.

Мультимодальные системы GenAI могут выявлять несоответствия — например, расхождения между заявленным доходом, налоговыми записями, выписками по счетам и т. д. — путем сравнения и сопоставления. Эти трудоемкие ручные действия могут быть ускорены с улучшенным соблюдением требований, обнаружением пробелов и повышением целостности данных.

Агентный ИИ: оркестровка автономных рабочих процессов

В то время как мультимодальные системы GenAI обеспечивают целостность данных, создают и проверяют экстремальные сценарии, агентная сеть направляет автономные рабочие процессы.

Агентный ИИ еще больше продвинул процесс оценки с помощью автономного принятия решений по отдельным задачам. Агентная сеть, состоящая из множества экспертных агентов, способна одновременно выполнять несколько дискретных задач. Проверка личности, извлечение и проверка документов, оценка метрик, проверка внешних данных, проверка кредитных бюро, психометрический анализ и т. д. — все это может выполняться одновременно специализированными агентами. Каждый агент работает с определенными целями, успешными метриками и протоколами эскалации, что делает процесс быстрее и точнее.

Эта агентная сеть обеспечивает соблюдение бизнес-логики, вызывает прогнозные модели и направляет заявки на основе порогов уверенности, динамически автоматизируя рабочие процессы. Например, решения с низкой уверенностью или отмеченные аномалии автоматически передаются экспертам-андеррайтерам (human-in-the-loop) с отправкой уведомлений через системы обмена сообщениями для принятия мер. Одновременно агентные системы могут проактивно отслеживать заявки, обнаруживать противоречия и инициировать механизмы исправления. Аналогично, если кредитный профиль заявителя попадает в «серую зону», система может автоматически запустить повторную проверку, запросить дополнительные документы или привлечь человека.

Пример: крупный глобальный банк недавно внедрил полностью автоматизированный процесс управления обращениями на основе электронных писем клиентов — регистрация обращений, запуск рабочих процессов, обмен сообщениями с отслеживанием статуса и коммуникация — сократив трудозатраты и время обработки вдвое по сравнению с предыдущим.

Более того, возможности NLP позволяют агентам общаться с заявителями в режиме реального времени, прояснять неясности, собирать недостающие данные и обобщать следующие шаги — на нескольких языках и с голосовым управлением по мере необходимости. Это снижает трения и повышает процент завершения, особенно для нерешительных и недостаточно охваченных сегментов клиентов.

Гибридная архитектура: баланс точности и объяснимости

Технологии GenAI и агентного ИИ проектируют процессы и архитектуру, повышая эффективность при одновременном балансировании точности и объяснимости результатов.
Гибридная архитектура, сочетающая агентный ИИ с моделями GenAI, повышает прогностическую силу за счет более богатых данных и улучшенной регуляторной прозрачности. Объединение ИИ-агентов также повышает надежность и возможности бесшовного автоматического выполнения.

В то время как GenAI может генерировать контрфактические объяснения — сценарии «что, если», иллюстрирующие, как заявители могут улучшить свою кредитоспособность, агентные системы могут собирать данные о результатах, отбирать крайние случаи и инициировать циклы переобучения. Этот процесс адаптивного самообучения с более чистыми наборами данных и правдоподобными граничными сценариями повышает точность процесса оценки кредитоспособности клиентов.

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

Оценка кредитоспособности — это сложный процесс, влияющий на клиентский опыт и долгосрочные деловые отношения. Вот несколько ключевых рекомендаций, которые следует учитывать при перепроектировании процесса: a) архитектура с участием человека (human-in-the-loop) для улучшения общего процесса принятия решений с отслеживаемостью и объяснимостью; b) правильная идентификация и сопоставление результатов решений с соответствующими признаками для решения проблем интерпретируемости и результатов аудита; c) внедрение защитных механизмов ответственного ИИ, операционных мер безопасности, таких как контроль доступа на основе ролей, матрица эскалации и т. д., что повысит устойчивость процесса.

Заключение

Процесс принятия кредитных решений находится на переломном этапе: GenAI и агентный ИИ переопределяют бизнес-процессы, делая кредитную экосистему более эффективной и устойчивой. Финансовые учреждения, которые инвестируют в продуманный дизайн, строгое управление и надежные модели данных для автоматизации высокоответственных сценариев использования, возглавят следующую эру интеллектуального андеррайтинга.