Процес оцінки кредитоспроможності з використанням агентного ШІ: стратегічний план

Бхушан Джоши, д-р Манас Панда, Раджа Босу

Відкрийте для себе найкращі новини та події з фінтеху!

Підпишіться на розсилку FinTech Weekly

Читають керівники в JP Morgan, Coinbase, Blackrock, Klarna та інших

Індустрія фінансових послуг переживає зміну парадигми, коли генеративний ШІ (GenAI) та агентні AI-системи переосмислюють бізнес-процеси — і кредитне скоринг-ухвалення є одним із них. Банки вже приймають AI-керовані системи, що підвищують точність прогнозування, одночасно автоматизуючи складні робочі процеси. Ця стаття досліджує, як GenAI та агентний AI можна стратегічно застосувати в процесі кредитної оцінки, суттєво покращуючи рівень ефективності та автоматизації, а також враховуючи питання управління, ризиків і комплаєнсу.

Перевага GenAI: інтелектуальне збагачення даних

Дані — це кров для кредитної оцінки. Банки та фінансові установи оцінюють і аналізують великі обсяги елементів даних, використовуючи логістичні та евристичні моделі. З появою GenAI цей процес зробив якісний стрибок — моделі GenAI отримують можливість оцінювати неструктуровані дані, генеруючи цінні висновки. Генерація синтетичних даних для попереднього моделювання сценаріїв — ще одна ключова зміна в процесі оцінювання.

Моделі GenAI чудово справляються з розбором неструктурованої інформації, перетворюючи її на структуровані дані. Ця можливість дає змогу витягувати ключові атрибути, зокрема узгодженість доходів, невідповідності в платежах, дані про зайнятість, дискреційні витрати тощо, що може забезпечити критично важливі інсайти для оцінювання під час андеррайтингу.

Генерація синтетичних даних — це можливість, яку надають моделі GenAI, і її можна використати для надійного моделювання та валідації. Це може допомогти зменшити нестачу даних у крайових випадках. AI-моделі можуть бути використані для визначення крайових сценаріїв, додавання більш нюансованих критеріїв — буферів ліквідності, волатильності доходів тощо — і перевірки їх синтетичними даними. Такі приватність-зберігаючі дані підвищують узагальнюваність і стійкість моделей до ризиків “тильних” подій.

Багатомодальні системи GenAI можуть виявляти невідповідності — наприклад, розбіжності між заявленим доходом, податковими записами, банківськими виписками тощо — шляхом порівняння та зіставлення. Ці ручні й тривалі за часом активності можна пришвидшити завдяки покращеному комплаєнсу: вони допомагають виявляти прогалини та підвищувати цілісність даних.

Агентний AI: оркестрація автономних робочих процесів

Хоча багатомодальні системи GenAI сприяють цілісності даних, створюють і валідовують екстремальні сценарії, агентний AI “меш” поєднує автономний робочий процес із автономним виконанням.

Агентний AI додатково просунув процес оцінювання завдяки автономному ухваленню рішень щодо дискретних завдань. Агентний AI “меш”, що складається з кількох експертних агентів, здатен виконувати кілька дискретних завдань одночасно. Перевірка ідентичності, пошук і валідація документів, оцінювання метрик, валідація зовнішніх даних, перевірки в кредитних бюро, психометричний аналіз тощо — усе це, для прикладу, може виконуватися паралельно спеціалізованими агентами. Кожен агент працює з визначеними цілями, успішними метриками та протоколами ескалації, завдяки чому процес стає швидшим із підвищеною точністю.

Цей агентний “меш” забезпечує дотримання бізнес-логіки, викликає предиктивні моделі та маршрутизує заявки на основі порогів довіри, автоматизуючи робочі процеси динамічно. Наприклад, рішення з низькою впевненістю або позначені аномалії автоматично ескалюються до людей-андеррайтерів-in-loop із сповіщеннями, які надсилаються через системи обміну повідомленнями для дій. Паралельно агентні системи можуть проактивно моніторити заявки, виявляти суперечності та ініціювати механізми усунення проблем. Аналогічно, якщо кредитний профіль заявника потрапляє в “сірий” зону, це може автоматично ініціювати вторинну перевірку або запросити додаткову документацію чи залучити людину-in-loop.

Приклад із практики: великий глобальний банк нещодавно впровадив повністю автоматизований процес ведення справ із листів клієнтів — реєстрацію кейсів, виклик робочих процесів, обмін повідомленнями з відстеженням статусу та комунікацією — скорочуючи зусилля та час обробки вдвічі порівняно з попереднім.

Щоб підсумувати, можливості NLP дають агентам змогу спілкуватися із заявниками в режимі реального часу, уточнювати неоднозначності, збирати відсутні дані та підсумовувати наступні кроки — кількома мовами та з підтримкою голосу за потреби. Це зменшує тертя та підвищує показники завершення, особливо для недостатньо обслуговуваних клієнтських сегментів, які вагаються.

Гібридна архітектура: баланс точності та пояснюваності

Технології GenAI та агентного AI проєктують процесні потоки та архітектуру — підвищуючи ефективність, водночас балансуючи точність і пояснюваність результатів.
Гібридна архітектура, що поєднує агентний AI та моделі GenAI, посилює предиктивну здатність за рахунок багатших даних і покращеної регуляторної прозорості. Поєднання AI-агентів також підвищує надійність і забезпечує безперервне автоматизоване виконання.

Хоча GenAI може генерувати контрфактичні пояснення — сценарії “що-якщо”, що показують, як заявники можуть покращити свою придатність до позики, — агентні системи можуть збирати дані про результат, формувати підбірки крайових випадків і ініціювати цикли повторного навчання. Цей процес адаптивного самонавчання з більш чистими наборами даних і правдоподібними крайовими сценаріями підвищує точність процесу оцінювання придатності клієнта до позики.

Заклик до дії: створення довірених AI-систем для точнішої оцінки

Оцінювання кредитної придатності — це складний процес, який впливає на клієнтський досвід і довгострокові ділові відносини. Деякі ключові рекомендації, які варто тримати в голові під час перебудови потоку: a) архітектура human-in-the-loop для покращення загального процесу ухвалення рішень із відстежуваністю та пояснюваністю; b) коректно визначити та зіставити результати рішень із відповідними ознаками, щоб вирішити питання інтерпретованості та результати аудитів; c) впровадити відповідальні AI-запобіжники, операційні гарантії на кшталт керування доступом на основі ролей, матриці ескалації тощо — це підвищить стійкість процесу.

Висновок

Процес кредитного скоринг-ухвалення перебуває на переломному етапі: GenAI та агентний AI переосмислюють бізнес-процесні потоки — роблячи кредитний екосистемний простір ефективнішим і стійкішим. Фінансові установи, які інвестують у продуманий дизайн, суворе управління та надійні моделі даних, що автоматизують високоризикові сценарії використання, створять наступну еру інтелектуального андеррайтингу.