Hasztagi i scoring − sztuczna inteligencja w służbie bankom

Komentarze ekspertów / Technologie i innowacje

Michał Bukowski, Head of Data Science, Kontomatik
Fot. Kontomatik

Hasztagi stały się pewnym znacznikiem naszych czasów. Dzięki nim w popularnych serwisach społecznościowych możemy praktycznie wszystko oznaczyć, skategoryzować, pogrupować, by potem odnajdywać powiązania, docierać do potrzebnych informacji.

#MichałBukowski: AI nie zastąpi klasycznej bankowej oceny, ale ta ocena wsparta metodami uczenia maszynowego zastąpi ocenę bez niej #SztucznaInteligencja #Cyfryzacja #Hasztag #Scoring #Kredyty @Kontomatik

O skuteczności hasztagów najlepiej świadczy ich popularność. Jednak media społecznościowe to nie jedyne miejsce, gdzie grupowanie, kategoryzowanie informacji sprawdza się bardzo dobrze i przynosi wymierne efekty — idea hasztagów sprawdzi się również w scoringu kredytowym.

Odnaleźć brakujący element

Nadanie etykiet, które można porównać do hasztagów z serwisów typu Instagram czy Twitter jest tylko początkiem i małym wycinkiem tego, co uczenie maszynowe może zrobić z surowymi danymi. To właśnie nowoczesne algorytmy są kluczem do tego, by w pełni wykorzystać przewagę, jakimi są dane.

Jak to wygląda w praktyce? Bazą do nadania etykiet transakcjom jest ekspercka wiedza analityków. W kolejnym kroku wkraczają algorytmy.

Jednym z prostszych zastosowań uczenia maszynowego do kategoryzacji jest automatyczne znajdowanie słów kluczowych oraz przypisywanie wag dla wybranych kategorii.

Każda transakcja jest analizowana, a następnie danemu słowu kluczowemu zostaje przypisana waga dodatnia bądź ujemna, a suma wag słów z transakcji mówi nam o tym, czy przypisać transakcję do kategorii. Dzięki temu model jest w pełni wyjaśnialny, a pełna automatyzacja pozwala łatwo go skalować.

Zobaczyć to, co niewidoczne

W czym pomoże nam uczenie maszynowe? Oczyści dane z szumu informacyjnego, usunie wszystkie zbędne i nieistotne z punktu widzenia ryzyka kredytowego elementy, pogrupuje, przypisze wyżej wspomniane etykiety, oceni znaczenie danych czynników w procesie ubiegania się o kredyt.

Dzięki temu powstanie nie tylko dowód na to, czy dana osoba ma dostateczne przychody na spłacenie pożyczki, ale dużo szerszy obraz sytuacji i zwyczajów finansowych klienta.

Można zmierzyć wszystkie trendy

Korzystając z metadanych, jakie stanowią etykiety/kategorie, możliwe jest zmierzenie trendów i wskaźników w różnych wymiarach, takich jak przychody, pożyczki, styl życia, wydatki na opiekę zdrowotną, powtarzające się zobowiązania pieniężne i wiele innych.

Identyfikacja złożonych warunków ryzyka, takich jak hazard lub wewnętrzne transfery między kontami użytkownika, staje się kwestią zwykłego „oczytania się” maszyny i oznaczenia ich czerwoną flagą.

Możliwe jest również automatycznie potwierdzanie przychodu klienta poprzez analizę kategorii takich jak “pensja” czy “zasiłek”.

Dzięki wspomaganiu maszynowemu proces przetwarzania wniosków kredytowych jest skalowalny, a zasoby ludzkie można skupić na innych zadaniach.

Brzmi jak wiele pracy i wiele potrzebnego na nią czasu — nic bardziej mylnego, gdy model jest gotowy analiza ok. 800 transakcji przez nowoczesne algorytmy uczenia maszynowego trwa ok 1s.

Dane − narzędzie do odblokowania potencjału klienta

Tak szczegółowo nasycone dodatkowymi informacjami transakcje stanowią wartościową bazę do wykonania scoringu kredytowego, a to ostatni krok od tego, by znacząco podnieść poziom trafnie przyznawanych decyzji kredytowych.

Sztuczna inteligencja nie zastąpi solidnej, klasycznej bankowej oceny, ale solidna ocena bankowa wspomagana nowoczesnymi metodami uczenia maszynowego szybko zastąpi ocenę bez niej.

A niekorzystanie z przewagi, jaką są posiadane informacje, wydaje się zwykłym marnotrawstwem.

Michał Bukowski,

Head of Data Science,

Kontomatik

Źródło: aleBank.pl
Udostępnij artykuł: