Evan Chrapko, Président-directeur général de Trust Science , une société d’IA basée à Edmonton qui se consacre actuellement à la refonte des stratégies modernes d’analyse de données, en particulier dans le domaine du rapport de crédit. En plus de sa technologie de notation de crédit alternative, Trust Science est en train de devenir un leader du secteur de l’IA explicable (XAI), qui a l’intention de remettre en question l’idée préconçue entourant le ML et d’accroître la présence de ses outils.
Avec une vaste expérience sur le marché du financement opérant à différents lancements, Chrapko décrit les quatre principaux avantages de l’utilisation de l’IA et de l’exécution de l’apprentissage automatique dans les prêts de crédit :
L’intelligence artificielle (IA ) est un terme générique spécifiant comment différentes machines et algorithmes imitent l’intelligence et les fonctions humaines. L’apprentissage automatique (ML), quant à lui, est un sous-ensemble de l’intelligence artificielle dans lequel les machines sont configurées pour traiter de grandes quantités d’informations (au-delà des limites humaines) et s’améliorer lentement avec le temps et l’expérience. L’IA et le ML ont tous deux modifié le paysage commercial, en particulier dans les services monétaires. Avec l’IA et le ML, les entreprises du 21e siècle fournissent à leurs clients prêteurs des calculs beaucoup plus rapides et plus précis de l’historique de crédit des clients. Le système de crédit standard a conduit à des biais, et même avec des protections et des directives substantielles, il a en fait été difficile de supprimer la prédisposition standard du système de crédit américain. La combinaison de conceptions d’IA et de ML dans la fourniture de services monétaires a le potentiel de résoudre ce problème de prédisposition en utilisant des sources de données alternatives, ce qui permet de faire des choix de financement de crédit plus précis. L’International Data Corporation a constaté qu’en 2020, le marché des solutions d’IA, qui se concentre sur l’intégration IA/ML, était évalué à 19,4 milliards de dollars, ce qui représente la section d’IA à la croissance la plus rapide au-delà des logiciels et du matériel. De même, une autre offre de prix de PricewaterhouseCoopers indique que les entreprises qui achètent de l’IA obtiendront de gros retours sur investissement et que l’IA serait en mesure d’augmenter le PIB du secteur monétaire de 10 % en moins d’une décennie. Voici les avantages cruciaux de l’utilisation des systèmes d’IA/ML pour prendre des décisions de prêt de crédit :
- Avantages pour toutes les parties prenantes
Le l’utilisation des technologies d’IA/ML peut être utilisée pour reconnaître les clients solvables qui ont en fait été généralement exclus du système de crédit en raison de l’absence de notation de crédit (individus sous-bancarisés, crédit invisible). AI/ML peut utiliser de grandes quantités de données alternatives supplémentaires (par exemple, les revenus actuels, les antécédents professionnels et/ou les données autorisées par le demandeur à partir de son téléphone portable) pour calculer le rapport de crédit des emprunteurs. De telles approches basées sur les données permettent aux emprunteurs subprime mal notés d’obtenir du crédit, augmentant le nombre et le type d’individus et d’organisations que les banques et autres institutions financières peuvent servir d’une manière hautement légale et éthique. Le système traditionnel de notation de crédit, par exemple, a identifié 50 % des Américains comme des emprunteurs moins qu’idéals. Pire encore, environ 40 % de ces personnes sont mal notées. Des systèmes incorrects ou limités diminuent la base de clientèle adressable des établissements de crédit traditionnels et entraînent des taux d’intérêt inutilement élevés ou aucun crédit pour de larges segments de la population. L’utilisation de l’IA/ML dans le calcul du rapport de crédit, néanmoins, provoque un montage de prêt remarquable, s’est en fait révélée augmenter les bénéfices du prêteur de plus de 15% et s’ajouter à un meilleur retour sur leurs biens, tout en maintenant le niveau de risque relativement constant.
2. Score dynamique
Les innovations AI/ML sont de plus en plus utilisées dans la notation de crédit pour s’adapter rapidement aux modifications écologiques, telles que les taux d’intérêt, le revenu familial moyen et d’autres aspects mesurables. Cette technique de notation dynamique permet aux prêteurs de prendre des décisions toujours précises, quels que soient les éléments au niveau macro. Les modèles de rapport de crédit traditionnels sont vraiment statiques et ne tiennent pas compte des changements extrêmes (comme la pandémie de covid-19). Avec l’utilisation de technologies AI/ML hébergées dans des installations spécialement conçues, les modèles de notation peuvent être recyclés très rapidement pour tenir compte des changements dans le macro-environnement et dans le comportement des clients. De cette façon, la volatilité et le chaos (qui sont dangereux pour les méthodes de scorecarding conventionnelles et même les méthodes de modélisation informatisées basées sur la régression) peuvent être exploités et transformés en propriétés : l’IA/ML aide à se débarrasser du « brouillard de la modification » et évalue correctement la solvabilité des clients même dans des conditions de marché extrêmement volatiles.
3. L’IA/ML peut réduire les dangers
Contrairement aux systèmes de notation de crédit traditionnels, l’IA/ML a la capacité de traiter et de traiter très rapidement de grandes quantités de données. Les entreprises utilisent des systèmes AI/ML pour créer des modèles de données traditionnels et alternatifs. En tirant parti de la puissance de traitement de ces modèles générés par ML, les organisations, telles que les prêteurs, peuvent faire des prévisions basées sur une personne ou un scénario spécifique, comme l’évaluation d’une application client novice. Cependant, la coordination de ces systèmes pour les fonctions de notation dynamique peut être assez difficile sans la plate-forme idéale pour opérationnaliser ces conceptions basées sur l’IA/ML.
Le meilleur danger pour tout prêteur est sans doute d’accorder un prêt. à un client qui ne peut pas le rembourser. Le meilleur moyen d’éliminer cette menace consiste à quantifier la menace de chaque client ou emprunteur et à identifier non seulement sa solvabilité, mais également les montants du prêt auxquels la personne est la plus susceptible de rembourser le principal et ses intérêts. L’examen du niveau de risque d’un emprunteur est la clé d’une organisation de financement performante. Avec une technique précise d’examen des menaces, les banques peuvent augmenter la variété des prêts accordés aux clients solvables et minimiser le nombre de prêts accordés à des clients peu fiables. L’IA/ML peut exploiter d’énormes quantités de données pour aider à produire des modèles hautement notifiés et extrêmement polyvalents. Dont le succès, néanmoins, est limité par l’ensemble de données que vous l’alimentez.
Les conceptions construites par AI/ML sont des éléments des données qui ont été utilisées pour les développer. Les paramètres et les méthodes d’examen sont directement informés par ce que l’IA a réellement appris. En introduisant de grands ensembles de données alternatifs, vous fournissez essentiellement à l’IA/ML une photo plus complète du client et de son profil. En fournissant davantage de données à l’IA/ML, vous pouvez augmenter la quantité d’informations dont dispose le modèle pour produire des examens de crédit holistiques, raisonnables et précis. Avec un processus de notation et de prise de décision amélioré, les prêteurs peuvent éviter de refuser d’excellents candidats et d’éviter d’approuver de mauvais candidats.
Même si l’on utilise une grande quantité de données pour notifier leur IA/ML, ne garantit pas, néanmoins, que ces examens d’emprunteur seront dénués de prédisposition. L’inclusion d’éléments interdits et d’ensembles de données restreints peut fausser une procédure par ailleurs objective.
4. Conformité
Les données traditionnelles utilisées pour déterminer le crédit rapport peut porter préjudice aux populations minoritaires ou à d’autres groupes historiquement marginalisés, constitués de parents isolés ou de groupes à faible revenu. S’ils ne sont pas traités correctement, les systèmes d’IA/ML peuvent également recréer ces biais dans leur évaluation. Les algorithmes AI/ML doivent être modélisés efficacement et entièrement surveillés. Une formation sur les principes des données doit être offerte aux chercheurs en information pour garantir que les informations utilisées respectent les politiques qui garantissent l’équité (comme le Fair Credit Reporting Act) pour empêcher carrément – et pas simplement minimiser – l’utilisation de facteurs interdits.
Reconnaître les interdits déclarés n’est pas toujours aussi simple. Selon la doctrine juridique Impacts Check, même si des éléments restreints ne sont pas utilisés, les algorithmes et les processus d’évaluation peuvent naturellement perpétuer des biais basés sur des aspects interdits, qui sont clairement non conformes à l’Equal Credit Chance Act (ECOA), à la politique B et à d’autres directives comparables. Les entreprises fournissant ce type de services de notation automatisés devraient participer et passer régulièrement des contrôles de conformité réguliers et volontaires, qui examinent de manière approfondie les facteurs et les résultats biaisés. Non seulement cela améliorera la qualité et la taille de leur base de financement, mais cela leur évitera également d’encourir d’énormes amendes de la part de régulateurs tels que la Commission fédérale du commerce (FTC).
Utiliser l’IA et le ML pour générer une notation de crédit juste et équitable
Le marché du crédit se développe rapidement, et l’utilisation de l’IA/ML dans les systèmes de notation de crédit peut se traduire par des résultats plus efficaces et plus précis. les décisions. Le potentiel de l’IA/ML est énorme et, s’il est correctement exploité, peut créer un secteur de financement du crédit plus juste et plus inclusif. Et sinon, cela peut conduire à une large utilisation abusive des données individuelles et monétaires des consommateurs, recréer des biais supplémentaires et marginaliser davantage certaines populations.
Par conséquent, une entreprise utilisant des services financiers doit se concentrer sur ses politiques de confidentialité, sa conformité politiques et prendre des mesures pour l’inclusion financière. La bonne entreprise développera ou achètera ses systèmes d’IA/ML de manière à exploiter véritablement les informations autorisées et autorisées pour améliorer la précision et l’efficacité de leurs prêts.
Se débarrasser des politiques d’historique de crédit inéquitables n’est pas aussi simple, cependant, que de simplement identifier des éléments interdits ou d’incorporer des conceptions construites par ML. Les enseignements juridiques tels que l’Impacts Check prouvent que, comme les gens, les préjugés internes sont plus profonds que le jugement de surface. Les systèmes conventionnels accentuent inconsciemment les préjugés et les inégalités qui peuvent se manifester par une notation de crédit faussée, qui n’est pas conforme. Atteindre la conformité signifie utiliser des plateformes d’information et de notation alternatives pour évaluer tout le monde de manière équitable, précise et inclusive et donc acquérir la confiance de vos consommateurs, parties prenantes et régulateurs concernés.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur
