Quy trình đánh giá tín dụng được hỗ trợ bởi AI tác nhân: Một bản thiết kế chiến lược

Bhushan Joshi, Dr Manas Panda, Raja Basu

Khám phá những tin tức và sự kiện công nghệ tài chính hàng đầu!

Đăng ký nhận bản tin hàng tuần của FinTech Weekly

Được đọc bởi các giám đốc điều hành tại JP Morgan, Coinbase, Blackrock, Klarna và nhiều hơn nữa

Ngành dịch vụ tài chính đang trải qua một sự chuyển đổi mô hình khi AI tạo sinh (GenAI) và hệ thống AI tác nhân đang định nghĩa lại các luồng quy trình kinh doanh - trong đó có quyết định tín dụng. Các ngân hàng hiện đang áp dụng các hệ thống dựa trên AI nhằm tăng cường độ chính xác dự báo đồng thời tự động hóa các quy trình làm việc phức tạp. Bài viết này khám phá cách GenAI và AI tác nhân có thể được triển khai một cách chiến lược trong quy trình đánh giá tín dụng, cải thiện đáng kể mức độ hiệu quả và tự động hóa, đồng thời giải quyết các cân nhắc về quản trị, rủi ro và tuân thủ.

Lợi thế của GenAI: Làm giàu dữ liệu thông minh

Dữ liệu là huyết mạch của đánh giá tín dụng. Các ngân hàng và tổ chức tài chính đánh giá và thẩm định hàng loạt yếu tố dữ liệu bằng các mô hình logistic và heuristic. Với sự xuất hiện của GenAI, quy trình này đã có bước nhảy vọt, khi các mô hình GenAI cung cấp khả năng đánh giá dữ liệu phi cấu trúc, tạo ra những hiểu biết có giá trị. Việc tạo ra dữ liệu tổng hợp để mô phỏng các kịch bản trước là một thay đổi quan trọng khác trong quy trình đánh giá.

Các mô hình GenAI vượt trội trong việc phân tích thông tin phi cấu trúc, chuyển đổi chúng thành dữ liệu có cấu trúc. Khả năng này cho phép trích xuất các thuộc tính chính như tính nhất quán thu nhập, sự bất thường thanh toán, dữ liệu việc làm, chi tiêu tùy ý, v.v., có thể cung cấp những hiểu biết quan trọng trong đánh giá bảo lãnh phát hành.

Tạo dữ liệu tổng hợp là một khả năng mà các mô hình GenAI cung cấp, có thể được tận dụng cho mục đích mô hình hóa và xác thực mạnh mẽ. Điều này có thể giúp giảm thiểu tình trạng dữ liệu thưa thớt trong các trường hợp ngoại lệ. Các mô hình AI có thể được sử dụng để xác định kịch bản ngoại lệ, thêm các tiêu chí chi tiết hơn - bộ đệm thanh khoản, biến động thu nhập, v.v. - và có thể được xác thực bằng dữ liệu tổng hợp. Những dữ liệu bảo vệ quyền riêng tư này tăng cường tính tổng quát hóa của mô hình và khả năng phục hồi trước các rủi ro đuôi.

Các hệ thống GenAI đa phương thức có thể gắn cờ các điểm bất thường—chẳng hạn như sự không khớp giữa thu nhập khai báo, hồ sơ thuế, sao kê ngân hàng, v.v. bằng cách so sánh và đối chiếu. Những hoạt động thủ công tốn thời gian này có thể được tăng tốc với sự tuân thủ được cải thiện, phát hiện khoảng trống và nâng cao tính toàn vẹn dữ liệu.

AI tác nhân: Điều phối các quy trình làm việc tự động

Trong khi các hệ thống GenAI đa phương thức tạo điều kiện cho tính toàn vẹn dữ liệu, tạo và xác thực các kịch bản cực đoan, thì lưới AI tác nhân dẫn dắt với quy trình làm việc tự động.

AI tác nhân tiếp tục nâng cao quy trình đánh giá với khả năng ra quyết định tự động cho các tác vụ rời rạc. Lưới AI tác nhân, bao gồm nhiều tác nhân chuyên gia, có khả năng thực hiện đồng thời nhiều tác vụ rời rạc. Xác minh danh tính, truy xuất & xác thực tài liệu, đánh giá chỉ số, xác thực dữ liệu bên ngoài, kiểm tra CIC, phân tích tâm lý, v.v. có thể được thực hiện đồng thời bởi các tác nhân chuyên biệt. Mỗi tác nhân hoạt động với các mục tiêu xác định, chỉ số thành công và quy trình leo thang, giúp quy trình nhanh hơn với độ chính xác tăng lên.

Lưới tác nhân này thực thi logic kinh doanh, gọi các mô hình dự báo và điều hướng các đơn đăng ký dựa trên ngưỡng tin cậy, tự động hóa các quy trình làm việc một cách linh hoạt. Ví dụ, các quyết định có độ tin cậy thấp hoặc bất thường được gắn cờ sẽ tự động được chuyển lên cho các nhân viên bảo lãnh phát hành (với sự can thiệp của con người) kèm theo thông báo qua hệ thống nhắn tin để xử lý. Đồng thời, các hệ thống tác nhân có thể chủ động giám sát các đơn đăng ký, phát hiện mâu thuẫn và khởi xướng các cơ chế khắc phục. Tương tự, nếu hồ sơ tín dụng của người nộp đơn rơi vào vùng xám, nó có thể tự động kích hoạt đánh giá thứ cấp hoặc yêu cầu tài liệu bổ sung hoặc đưa con người vào quy trình.

Ví dụ điển hình: Một ngân hàng toàn cầu lớn gần đây đã triển khai một quy trình hoàn toàn tự động để quản lý vụ việc từ email khách hàng — đăng ký vụ việc, gọi quy trình làm việc, nhắn tin với theo dõi trạng thái và giao tiếp — giảm một nửa công sức và thời gian xử lý so với trước đây.

Để làm tăng thêm, khả năng NLP cho phép các tác nhân trò chuyện với người nộp đơn trong thời gian thực, làm rõ các điểm mơ hồ, thu thập dữ liệu còn thiếu và tóm tắt các bước tiếp theo – bằng nhiều ngôn ngữ và có hỗ trợ giọng nói khi cần. Điều này giảm ma sát và cải thiện tỷ lệ hoàn thành, đặc biệt đối với các phân khúc khách hàng khó tiếp cận và do dự.

Kiến trúc lai: Cân bằng độ chính xác và khả năng giải thích

Các công nghệ GenAI và AI tác nhân đang thiết kế các luồng quy trình và kiến trúc - cải thiện hiệu quả đồng thời cân bằng độ chính xác và khả năng giải thích của kết quả.
Một kiến trúc lai kết hợp AI tác nhân với các mô hình GenAI tăng cường sức mạnh dự báo với dữ liệu phong phú hơn và tính minh bạch về quy định được cải thiện. Kết hợp các tác nhân AI cũng làm tăng độ mạnh mẽ và khả năng thực thi tự động liền mạch.

Trong khi GenAI có thể tạo ra các giải thích phản thực tế - các kịch bản "nếu-thì" minh họa cách người nộp đơn có thể cải thiện khả năng vay vốn, thì các hệ thống tác nhân có thể thu thập dữ liệu kết quả, quản lý các trường hợp ngoại lệ và khởi xướng các chu kỳ đào tạo lại. Quy trình tự học thích ứng này với các bộ dữ liệu sạch hơn và các kịch bản ngoại lệ khả thi giúp cải thiện độ chính xác của quy trình đánh giá khả năng vay vốn của khách hàng.

Lời kêu gọi hành động: Xây dựng hệ thống AI đáng tin cậy để đánh giá chính xác hơn

Đánh giá khả năng vay vốn là một quy trình phức tạp, tác động đến trải nghiệm khách hàng và mối quan hệ kinh doanh lâu dài. Một số khuyến nghị chính cần ghi nhớ khi thiết kế lại luồng quy trình: a) Kiến trúc có sự can thiệp của con người để cải thiện quy trình ra quyết định tổng thể với khả năng truy xuất nguồn gốc và giải thích, b) Xác định và lập bản đồ các kết quả quyết định với các đặc điểm liên quan để giải quyết các mối quan ngại về khả năng diễn giải và phát hiện kiểm toán, c) Triển khai các rào cản AI có trách nhiệm, các biện pháp bảo vệ hoạt động như kiểm soát truy cập dựa trên vai trò, ma trận leo thang, v.v. sẽ cải thiện khả năng phục hồi của quy trình.

Kết luận

Quy trình quyết định tín dụng đang ở điểm bước ngoặt với GenAI & AI tác nhân định nghĩa lại các luồng quy trình kinh doanh – làm cho hệ sinh thái cho vay hiệu quả và phục hồi hơn. Các tổ chức tài chính đầu tư vào thiết kế chu đáo, quản trị chặt chẽ và mô hình dữ liệu mạnh mẽ để tự động hóa các trường hợp sử dụng có rủi ro cao sẽ dẫn đầu kỷ nguyên tiếp theo của bảo lãnh phát hành thông minh.