Процес оцінки кредитоспроможності з використанням агентного штучного інтелекту: стратегічний план

Бушан Джоші, доктор Манас Панда, Раджа Босу

Відкрийте для себе найкращі новини та події у фінтеху!

Підписуйтеся на розсилку FinTech Weekly

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

Індустрія фінансових послуг переживає парадигмальний зсув, оскільки генеративний ШІ (GenAI) та агентські системи ШІ переосмислюють бізнес-процеси — одним із них є прийняття кредитних рішень. Банки тепер впроваджують системи на базі ШІ, що підвищують точність прогнозів і одночасно автоматизують складні робочі процеси. У цій статті розглядається, як GenAI та агентський ШІ можуть стратегічно застосовуватися у процесі оцінки кредитоспроможності, значно підвищуючи рівень ефективності та автоматизації, враховуючи питання управління, ризиків і відповідності.

Перевага GenAI: Інтелектуальне збагачення даних

Дані — це життєвий кровообіг оцінки кредитоспроможності. Банки та фінансові установи оцінюють та аналізують безліч елементів даних, використовуючи логістичні та евристичні моделі. З появою GenAI цей процес зробив крок уперед, оскільки моделі GenAI здатні оцінювати неструктуровані дані, генеруючи цінні інсайти. Створення синтетичних даних для моделювання сценаріїв заздалегідь — ще одна ключова зміна в процесі оцінки.

Моделі GenAI відмінно справляються з аналізом неструктурованої інформації, перетворюючи її у структуровані дані. Це дозволяє витягати ключові атрибути, такі як стабільність доходів, невідповідності у платежах, дані про зайнятість, дискреційні витрати тощо, що може надати критично важливі інсайти для андеррайтингу.

Генерація синтетичних даних — це можливість, яку пропонують моделі GenAI, і яку можна використовувати для надійного моделювання та валідації. Це допомагає зменшити проблему розрідженості даних у крайніх випадках. Моделі ШІ можна використовувати для визначення крайових сценаріїв, додавання більш тонких критеріїв — таких як буфери ліквідності, волатильність доходів тощо — і перевіряти їх за допомогою синтетичних даних. Такі дані, що зберігають приватність, підвищують узагальнюваність моделей і їх стійкість до ризиків на краях.

Мультимодальні системи GenAI можуть виявляти невідповідності — наприклад, розбіжності між заявленим доходом, податковими записами, банківськими виписками тощо — шляхом порівняння та аналізу. Ці ручні, що займають багато часу, процеси можна прискорити за допомогою покращеної відповідності, виявлення прогалин і підвищення цілісності даних.

Агентський ШІ: Координація автономних робочих процесів

Хоча мультимодальні системи GenAI сприяють цілісності даних, створюють і перевіряють крайові сценарії, агентський ШІ керує автономними робочими процесами.

Агентський ШІ ще більше вдосконалює процес оцінки за допомогою автономного прийняття рішень щодо окремих завдань. Мережа агентів, що складається з кількох експертних агентів, здатна виконувати кілька окремих завдань одночасно. Перевірка особистості, отримання та перевірка документів, оцінка метрик, зовнішня перевірка даних, перевірки кредитних бюро, психометричний аналіз тощо — все це може виконуватися одночасно спеціалізованими агентами. Кожен агент працює з визначеними цілями, успішними метриками та протоколами ескалації, що робить процес швидшим і точнішим.

Ця мережа агентів забезпечує дотримання бізнес-логіки, викликає прогностичні моделі та маршрутизує заявки залежно від рівня впевненості, автоматично динамічно керуючи робочими процесами. Наприклад, рішення з низькою впевненістю або виявлені аномалії автоматично передаються людині-експерту з повідомленнями через системи повідомлень для подальшого реагування. Одночасно агентські системи можуть proactively моніторити заявки, виявляти суперечності та ініціювати механізми виправлення. Аналогічно, якщо кредитний профіль заявника потрапляє у сіру зону, система може автоматично ініціювати додаткову перевірку або запитати додаткові документи, або залучити людину.

Приклад: один із великих глобальних банків нещодавно запровадив повністю автоматизований процес обробки випадків із електронною поштою клієнтів — реєстрація випадків, запуск робочих процесів, повідомлення з відстеженням статусу та комунікація — що зменшило зусилля та час обробки вдвічі.

Крім того, можливості NLP дозволяють агентам спілкуватися з заявниками у реальному часі, з’ясувати невизначеності, збирати відсутні дані та підсумовувати наступні кроки — у кількох мовах і з голосовим керуванням за потреби. Це зменшує тертя у процесі та підвищує рівень завершення процесу, особливо для сегментів клієнтів, що з обережністю ставляться до цифрових сервісів.

Гібридна архітектура: баланс між точністю та пояснюваністю

Технології GenAI та агентського ШІ проектують процеси та архітектуру — підвищуючи ефективність при балансуванні точності та пояснюваності результатів.
Гібридна архітектура, що поєднує агентський ШІ з моделями GenAI, підсилює прогностичну здатність за рахунок багатших даних і покращеної регуляторної прозорості. Поєднання агентів ШІ також підвищує надійність і безперебійність автоматизованого виконання.

Хоча GenAI може генерувати контрфактичні пояснення — сценарії “а що, якби” ілюструючи, як заявники можуть покращити свою кредитоспроможність, агентські системи можуть збирати результати, курирувати крайові випадки та ініціювати цикли повторного навчання. Цей процес адаптивного самовдосконалення з чистішими наборами даних і правдоподібними крайовими сценаріями підвищує точність оцінки кредитоспроможності клієнтів.

Заклик до дії: Створення надійних систем ШІ для більш точної оцінки

Оцінка кредитоспроможності — це складний процес, що впливає на досвід клієнта та довгострокові бізнес-відносини. Деякі ключові рекомендації для перепроектування процесу: а) архітектура з людиною в циклі для покращення загального процесу прийняття рішень із можливістю відстеження та пояснення, б) правильне визначення та картографування результатів рішень із відповідними ознаками для вирішення питань інтерпретованості та аудиту, в) впровадження відповідальних обмежень ШІ, операційних заходів безпеки, таких як контроль доступу на основі ролей, матриці ескалації тощо, що підвищить стійкість процесу.

Висновок

Процес прийняття кредитних рішень перебуває на переломному етапі з впровадженням GenAI та агентського ШІ, що переосмислюють бізнес-процеси — роблячи кредитну екосистему більш ефективною та стійкою. Фінансові установи, що інвестують у продуманий дизайн, суворе управління та надійні моделі даних для автоматизації високоризикових випадків, стануть лідерами наступної епохи інтелектуального андеррайтингу.