Процес оцінки кредитоспроможності з використанням агентного ШІ: стратегічний план

Бхушан Джоші, д-р Манас Панда, Раджа Босу

Відкрийте для себе топові новини та події у фінтеху!

Підпишіться на розсилку FinTech Weekly

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

Індустрія фінансових послуг переживає зміну парадигми, оскільки генеративний ШІ (GenAI) і агентні AI-системи переосмислюють бізнес-процеси — кредитне скоринг-ухвалення є одним із них. Банки вже впроваджують AI-керовані системи, підвищуючи точність прогнозування, одночасно автоматизуючи складні робочі процеси. У цій статті розглядається, як GenAI та агентний AI можна стратегічно застосувати в процесі оцінки кредитоспроможності, суттєво підвищивши рівень ефективності й автоматизації, водночас враховуючи міркування щодо управління, ризиків і комплаєнсу.

Перевага GenAI: інтелектуальне збагачення даних

Дані — це кровоносна система для оцінки кредитів. Банки та фінансові установи оцінюють і аналізують масиви елементів даних, використовуючи логістичні та евристичні моделі. З приходом GenAI цей процес зроблено рішучий стрибок вперед, оскільки моделі GenAI надали можливість оцінювати неструктуровані дані, генеруючи цінні інсайти. Ще одна ключова зміна в процесі оцінювання — генерування синтетичних даних для моделювання сценаріїв наперед.

Моделі GenAI особливо добре справляються з розбором неструктурованої інформації, перетворюючи її на структуровані дані. Ця здатність дає змогу витягувати ключові атрибути, як-от узгодженість доходів, невідповідності платежів, дані про зайнятість, дискреційні витрати тощо, що можуть надавати критично важливі інсайти під час андеррайтингової оцінки.

Генерація синтетичних даних — це можливість, яку пропонують моделі GenAI, і яку можна використовувати для надійного моделювання та валідації. Це може допомогти зменшити проблеми дефіциту даних у крайніх випадках. AI-моделі можна застосовувати для визначення крайових сценаріїв, додавання більш нюансованих критеріїв — ліквідні буфери, волатильність доходів тощо — і перевіряти їх синтетичними даними. Такі приватність-зберігаючі дані підвищують узагальнюваність моделей і їхню стійкість до ризиків хвостового характеру.

Багатомодальні системи GenAI можуть виявляти невідповідності — наприклад, розбіжності між задекларованими доходами, податковими записами, банківськими виписками тощо — шляхом порівняння та зіставлення. Ці ручні тривалі за часом дії можна прискорити завдяки покращеному комплаєнсу, виявляючи прогалини та підвищуючи цілісність даних.

Агентний AI: оркестрація автономних робочих процесів

Хоча багатомодальні системи GenAI допомагають зберігати цілісність даних і створювати та валідовувати екстремальні сценарії, агентний AI створює автономну мережу робочих процесів.

Агентний AI додатково просунув процес оцінювання завдяки автономному ухваленню рішень для окремих завдань. Агентна мережа AI, що складається з кількох агентів-експертів, здатна виконувати кілька окремих завдань одночасно. Перевірка особи, пошук і валідація документів, оцінка метрик, валідація зовнішніх даних, перевірки в кредитних бюро, психометричний аналіз тощо — усе це, щоб назвати лише деякі приклади, може виконуватися паралельно спеціалізованими агентами. Кожен агент працює з визначеними цілями, успішними метриками та протоколами ескалації, що робить процес швидшим і підвищує точність.

Ця агентна мережа забезпечує дотримання бізнес-логіки, викликає прогностичні моделі та маршрутизує заявки на основі порогів впевненості, автоматизуючи робочі процеси динамічно. Наприклад, рішення з низькою впевненістю або виявлені аномалії автоматично ескалуються до людей-андеррайтерів-in-loop із сповіщеннями, надісланими через системи обміну повідомленнями, щоб вони могли діяти. Паралельно агентні системи можуть проактивно моніторити заявки, виявляти суперечності та ініціювати механізми усунення проблем. Аналогічно, якщо кредитний профіль заявника потрапляє в «сірю зону», це може автоматично ініціювати повторну перевірку або запросити додаткові документи чи залучити людину в контурі.

Реальний приклад: велика глобальна банк нещодавно впровадив повністю автоматизований процес ведення справ із листів клієнтів — реєстрація справ, виклик робочих процесів, повідомлення зі відстеженням статусу та комунікацією — скоротивши зусилля та час обробки вдвічі порівняно з попереднім.

Щоб підсумувати: можливість NLP дає агентам змогу спілкуватися із заявниками в режимі реального часу, уточнювати неоднозначності, збирати відсутні дані й узагальнювати наступні кроки — багатьма мовами та з голосовою підтримкою за потреби. Це зменшує тертя та підвищує показники завершення, зокрема для менш забезпечених цільових сегментів клієнтів, які вагаються.

Гібридна архітектура: баланс точності та пояснюваності

Технології GenAI та агентного AI розробляють процесні потоки й архітектуру — підвищуючи ефективність, водночас балансуючи точність і пояснюваність результатів.
Гібридна архітектура, що поєднує агентний AI з моделями GenAI, посилює прогностичну здатність завдяки більш багатим даним і покращеній регуляторній прозорості. Поєднання AI-агентів також підвищує надійність і забезпечує безперервне автоматизоване виконання.

Хоча GenAI може генерувати контрфактичні пояснення — сценарії «що-якщо», що ілюструють, як заявники можуть покращити свою придатність для отримання позики, — агентні системи можуть збирати дані про результати, формувати добірку крайових випадків і ініціювати цикли перенавчання. Цей процес адаптивного самонавчання з більш чистими наборами даних і правдоподібними крайовими сценаріями підвищує точність процесу оцінювання кредитної придатності клієнта.

Заклик до дії: створення довірених систем ШІ для точнішої оцінки

Оцінка кредитної придатності — це складний процес, який впливає на досвід клієнта та довгострокові відносини з бізнесом. Деякі ключові рекомендації, які варто тримати в увазі під час переробки потоку: a) архітектура human-in-the-loop, щоб покращити загальний процес ухвалення рішень із простежуваністю та пояснюваністю; b) належно ідентифікувати та зіставляти результати рішень із відповідними ознаками, щоб вирішити питання інтерпретованості та результати аудиту; c) впровадити відповідальні AI-обмежники (guardrails), операційні запобіжники, такі як контроль доступу на основі ролей, матриця ескалації тощо, — це підвищило б стійкість процесу.

Висновок

Процес кредитного скоринг-ухвалення перебуває на переломному етапі завдяки тому, що GenAI та агентний AI переосмислюють бізнес-процесні потоки — роблячи кредитний екосистем більш ефективною та стійкою. Фінансові установи, які інвестують у продуманий дизайн, суворе управління (governance) та надійні моделі даних для автоматизації високоризикових сценаріїв використання, стануть рушієм наступної ери інтелектуального андеррайтингу.