Процес оцінки кредитоспроможності, що підтримується агентним AI: Стратегічний план

Бхушан Джоші, д-р Манас Панда, Раджа Басу

Відкрийте для себе найкращі фінтех-новини та події!

Підпишіться на щотижневу розсилку FinTech Weekly

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

Індустрія фінансових послуг переживає зміну парадигми, оскільки генеративний ШІ (GenAI) і агентний штучний інтелект переосмислюють бізнес-процеси — кредитне рішення є одним із них. Банки тепер впроваджують системи на основі ШІ, підвищуючи точність прогнозування та одночасно автоматизуючи складні робочі процеси. Ця стаття досліджує, як GenAI та агентний ШІ можна стратегічно застосувати в процесі оцінки кредитоспроможності, значно підвищуючи рівень ефективності та автоматизації, одночасно вирішуючи питання управління, ризиків і відповідності.

Перевага GenAI: інтелектуальне збагачення даних

Дані є джерелом життя оцінки кредитоспроможності. Банки та фінансові установи оцінюють і аналізують величезну кількість елементів даних за допомогою логістичних та евристичних моделей. З появою GenAI цей процес зробив стрибок, оскільки моделі GenAI надали можливість оцінювати неструктуровані дані, генеруючи цінні ідеї. Генерація синтетичних даних для моделювання сценаріїв заздалегідь є ще однією ключовою зміною в процесі оцінки.

Моделі GenAI відмінно розбирають неструктуровану інформацію, перетворюючи її на структуровані дані. Ця можливість дозволяє витягувати ключові атрибути, такі як стабільність доходу, непослідовність платежів, дані про зайнятість, дискреційні витрати тощо, які можуть надати критичні ідеї для андеррайтингу.

Генерація синтетичних даних — це здатність, яку пропонують моделі GenAI, яку можна використовувати для надійного моделювання та валідації. Це може допомогти пом'якшити розрідженість даних у граничних випадках. Моделі ШІ можна використовувати для визначення граничних сценаріїв, додавання більш нюансованих критеріїв — буфери ліквідності, волатильність доходу тощо — і їх можна валідувати за допомогою синтетичних даних. Ці дані, що зберігають конфіденційність, підвищують узагальненість моделі та стійкість до хвостових ризиків.

Мультимодальні системи GenAI можуть виявляти невідповідності — наприклад, розбіжності між задекларованим доходом, податковими записами, банківськими виписками тощо — шляхом порівняння та зіставлення. Ці ручні, трудомісткі дії можна прискорити з покращеною відповідністю, виявляючи прогалини та підвищуючи цілісність даних.

Агентний ШІ: оркестрація автономних робочих процесів

У той час як мультимодальні системи GenAI сприяють цілісності даних, створюють і валідують екстремальні сценарії, агентна сітка ШІ спрямовує автономний робочий процес.

Агентний ШІ ще більше просунув процес оцінки завдяки автономному прийняттю рішень щодо окремих завдань. Агентна сітка ШІ, що складається з кількох експертних агентів, здатна одночасно виконувати декілька окремих завдань. Верифікація особи, отримання та валідація документів, оцінка показників, зовнішня валідація даних, перевірки кредитних бюро, психометричний аналіз тощо — деякі з них можуть виконуватися спеціалізованими агентами одночасно. Кожен агент працює з визначеними цілями, успішними показниками та протоколами ескалації, що робить процес швидшим із підвищеною точністю.

Ця агентна сітка застосовує бізнес-логіку, викликає прогнозні моделі та направляє заявки на основі порогів достовірності, автоматизуючи робочі процеси динамічно. Наприклад, рішення з низькою достовірністю або позначені аномалії автоматично передаються людським андеррайтерам-в-циклі зі сповіщеннями через системи обміну повідомленнями для дії. Одночасно агентні системи можуть проактивно відстежувати заявки, виявляти суперечності та ініціювати механізми виправлення. Аналогічно, якщо кредитний профіль заявника потрапляє в сіру зону, система може автоматично запустити повторну перевірку або запросити додаткові документи, або залучити людину-в-циклі.

Приклад: великий глобальний банк нещодавно впровадив повністю автоматизований процес управління випадками з електронних листів клієнтів — реєстрація випадків, запуск робочих процесів, обмін повідомленнями з відстеженням статусу та комунікацією — що скоротило зусилля та час обробки вдвічі порівняно з попереднім.

На додачу, здатність NLP дозволяє агентам спілкуватися із заявниками в реальному часі, роз'яснювати неясності, збирати відсутні дані та підсумовувати наступні кроки — кількома мовами та голосовим управлінням за потреби. Це зменшує тертя та підвищує показники завершення, особливо для недостатньо охоплених, вагаючих сегментів клієнтів.

Гібридна архітектура: баланс точності та пояснюваності

Технології GenAI та агентного ШІ проектують процеси та архітектуру — підвищуючи ефективність, зберігаючи баланс між точністю та пояснюваністю результатів.
Гібридна архітектура, що поєднує агентний ШІ з моделями GenAI, підвищує прогнозну потужність завдяки більш насиченим даним і покращеній регуляторній прозорості. Поєднання агентів ШІ також підвищує надійність і можливості безперебійного автоматизованого виконання.

У той час як GenAI може генерувати контрфактичні пояснення — сценарії «що-якщо», що ілюструють, як заявники можуть покращити свою кредитоспроможність, агентні системи можуть збирати дані про результати, курувати граничні випадки та ініціювати цикли перенавчання. Цей процес адаптивного самонавчання з чистішими наборами даних і правдоподібними граничними сценаріями підвищує точність процесу оцінки кредитоспроможності клієнта.

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

Оцінка кредитоспроможності — це складний процес, який впливає на досвід клієнта та довгострокові ділові відносини. Деякі ключові рекомендації, які слід пам'ятати під час перепроектування потоку: a) архітектура людини-в-циклі для покращення загального процесу прийняття рішень із відстежуваністю та пояснюваністю, b) правильне визначення та відображення результатів рішень на пов'язані ознаки для вирішення проблем інтерпретації та результатів аудиту, c) впровадження відповідальних запобіжників ШІ, операційних засобів захисту, таких як контроль доступу на основі ролей, матриця ескалації тощо, що підвищує стійкість процесу.

Висновок

Процес кредитного рішення перебуває в переломній точці: GenAI та агентний ШІ переосмислюють бізнес-процеси — роблячи кредитну екосистему більш ефективною та стійкою. Фінансові установи, які інвестують у продуманий дизайн, суворе управління та надійні моделі даних, автоматизуючи використання високоризикових сценаріїв, очолять наступну еру інтелектуального андеррайтингу.