Jamie Twiss es un banquero experimentado y un científico de datos que trabaja en la intersección de la ciencia de datos, la inteligencia synthetic y los préstamos de los consumidores. Actualmente se desempeña como director ejecutivo de Carrington Labsun proveedor líder de explicadas soluciones de calificación de riesgo de crédito con AI y soluciones de préstamo. Anteriormente, él period el director de datos en un importante banco australiano. Antes de eso, trabajó en una variedad de roles en los servicios bancarios y financieros después de comenzar su carrera como consultor con McKinsey & Firm.
¿Puede explicar cómo el sistema de puntuación de riesgos con IA de Carrington Labs difiere de los métodos tradicionales de puntuación crediticia?
El enfoque de Carrington Labs para la calificación del riesgo difiere de los métodos tradicionales de puntuación crediticia de varias maneras:
Nuestra plataforma utiliza un conjunto de datos mucho más grande que los métodos anteriores. Los puntajes de crédito tradicionales dependen de la tecnología obsoleta y se basan en la pequeña cantidad de información disponible en el archivo de crédito de un cliente, principalmente antecedentes de pago, que solo brindan una instantánea limitada de un individuo, y no hay puntos de vista en todas las personas. Con el consentimiento del cliente, tomamos datos de transacciones bancarias de ítems de línea y los usamos para crear una imagen mucho más detallada y más rica de un individuo.
Luego usamos técnicas modernas de IA y aprendizaje automático para convertir estos grandes volúmenes de datos en un punto de vista agudo sobre la solvencia de un individuo, calculando cientos de variables individuales y combinándolos en una visión common integral. Los puntajes resultantes son completamente explicables y transparentes para el prestamista que los usa, a diferencia de los puntajes de crédito, que son misteriosas cajas negras. Estos puntajes también se adaptan al segmento específico de productos y al cliente de un prestamista, lo que los hace más relevantes y, por lo tanto, precisos que un puntaje de crédito, que es una puntuación genérica capacitada en una amplia gama de productos y clientes.
Finalmente, nuestra plataforma no solo puede evaluar el riesgo de un cliente de manera más efectiva que una puntuación tradicional, sino que puede usar esa puntuación para recomendar los términos de préstamo óptimos, como el límite y la duración. Como resultado de todos estos factores, la puntuación del riesgo de CL es un avance significativo en las concepts que los métodos tradicionales dan a los prestamistas.
¿Cómo integra su IA los datos de transacciones bancarias abiertas para proporcionar una imagen más completa de la solvencia de un solicitante? ¿Y cuáles son algunos de los predictores clave que identifican sus modelos de IA al evaluar el riesgo de crédito?
Nuestros modelos pueden ser capacitados en muchos tipos diferentes de datos, pero los datos de transacciones bancarios generalmente están en el núcleo. Utilizamos decenas de millones de líneas de datos de transacciones para entrenar el modelo common y luego usamos miles de transacciones para cada nuevo cliente que el modelo obtiene. La banca abierta es generalmente la mejor manera de recopilar estos datos, ya que proporciona un formato consistente, una buena seguridad y tiempos de respuesta rápidos. Podemos recolectarlo a través de otros medios, pero generalmente se prefiere la banca abierta.
Por ejemplo, podemos analizar los hábitos de retiro de efectivo para ver si alguien frecuentemente retira grandes cantidades, si siempre usa el mismo cajero automático, o si sacan efectivo varias veces al día. Podemos identificar la actividad del juego buscando transacciones frecuentes en plataformas de apuestas. Podemos ver qué tan rápido alguien gasta dinero después de recibirlo, o si ajustan sus gastos si comienzan a funcionar. También marcamos patrones financieros inesperados que pueden indicar mentalidades o comportamientos riesgosos, como boletos frecuentes de exceso de velocidad.
Nuestros modelos están entrenados en alrededor de 50,000 variables posibles, con aproximadamente 400 utilizados activamente en un modelo de riesgo típico. Este enfoque basado en datos ayuda a los prestamistas a tomar decisiones de préstamo más precisas y a adaptar préstamos al perfil de riesgo único de cada solicitante. Es importante tener en cuenta que los datos que identificamos y analizamos son anónimos, por lo que no tratamos con información de identificación private (PII).
¿Cómo se asegura de Carrington Labs de que sus modelos de IA estén libres de sesgo de género, étnico o socioeconómico en las decisiones de préstamo, y qué pasos ha tomado para mitigar el sesgo algorítmico en sus evaluaciones de riesgo de crédito?
Los modelos de Carrington Labs son significativamente menos propensos a ser sesgados que los enfoques tradicionales debido a su objetividad (sin “sensación intestinal” humana involucrada) y la amplia gama de datos que usamos para crear modelos.
Tenemos tres pilares para nuestro enfoque anti-sesgo: primero, nunca dejamos que los datos de clase protegida (raza, género, and so forth.) en cualquier lugar cerca del proceso de creación de modelos. Lo preferimos si ni siquiera nos da esos datos (a menos que desee que los usemos para pruebas de sesgo; ver más abajo). En segundo lugar, nuestros modelos son completamente explicables, por lo que revisamos todas las características utilizadas en cada modelo para posibles sesgos, variables proxy u otros problemas. Los prestamistas también tienen acceso a la lista de características y pueden realizar sus propias críticas. En tercer lugar, si el prestamista elige proporcionarnos datos de clase protegida para las pruebas (solo; mantenido lejos de la capacitación), realizaremos pruebas estadísticas sobre las salidas del modelo para determinar las tasas de aprobación y los límites y garantizar que la variación entre las clases esté claramente impulsada por factores explicables y razonables.
Como resultado, el mayor poder predictivo de los modelos de Carrington Labs y la capacidad de ajustar los límites en función del riesgo hace que sea mucho más fácil para los prestamistas aprobar más solicitantes en límites más pequeños y luego aumentarlos con el tiempo con un buen comportamiento de reembolso, lo que permite una inclusión financiera más amplia.
¿Cómo se asegura de que sus evaluaciones de riesgo de crédito impulsadas por la IA sean explicables y transparentes para los prestamistas y reguladores?
Si bien usamos IA en varios pasos en el proceso de creación de modelos, los modelos en sí mismos, la lógica actual utilizada para calcular una puntuación del cliente, se basa en matemáticas y estadísticas predecibles y controlables. Un prestamista o regulador puede revisar todas las características del modelo para asegurarse de que se sientan cómodos con cada uno, y también podemos proporcionar un desglose de la puntuación de un cliente y volver a un código de acción adversa si lo desea.
¿Cómo ayudan sus modelos de IA a democratizar los préstamos y expandir la inclusión financiera para las poblaciones desatendidas?
Muchas personas son más solventes de lo que sugieren sus puntajes de crédito tradicionales. Los métodos de calificación crediticia heredada excluyen a millones de personas que no encajan en los modelos de crédito tradicionales. Nuestro enfoque impulsado por IA ayuda a los prestamistas a reconocer a estos prestatarios, ampliando el acceso al crédito justo y responsable sin aumentar el riesgo.
Para dar un ejemplo de alguien que cae en una audiencia desatendida, piense en un inmigrante que recientemente se mudó a un nuevo país. Pueden ser financieramente responsables, trabajadores y trabajadores, pero también podrían carecer de un historial crediticio tradicional. Debido a que la Oficina de Crédito nunca ha oído hablar de ellos, carecen de la capacidad de demostrar que esta persona es elegante, lo que a su vez hace que los prestamistas sean reacios a presentarles oportunidades de préstamos.
Esos puntos de datos de transacciones no tradicionales son la clave para construir una evaluación precisa de los puntajes de riesgo de crédito para las personas con las que las oficinas de crédito no están familiarizadas. Pueden carecer de un historial crediticio tradicional o tener un historial crediticio que pueda parecer arriesgado para los prestamistas sin un contexto adecuado, pero tenemos la capacidad de mostrar a los prestamistas que estas personas son elegantes y estables al aprovechar una mayor cantidad de sus datos financieros. De hecho, nuestra plataforma es de hasta un 250% más precisa, en función de un conjunto de datos anonimizados, para identificar a los prestatarios de bajo riesgo con información de crédito limitada que los puntajes de crédito tradicionales, y eso es lo que permite a los prestamistas expandir su base de prestatarios y finalmente aumentar las aprobaciones de préstamos.
Además, debido a que muchos prestamistas solo tienen un sentido aproximado del riesgo de un cliente particular person, luchan por ajustar una oferta para reflejar las circunstancias individuales de un cliente, con frecuencia ofreciéndolos más de lo que pueden pagar, prestándolos menos de lo que necesitan, o (con mayor frecuencia de todo) rechazarlos por completo. La capacidad de establecer los límites de préstamos con precisión tiene un efecto particularmente fuerte en permitir a los prestamistas traer nuevos prestatarios al sistema financiero, desde donde pueden aumentar su capacidad de endeudamiento al mostrar un buen comportamiento de reembolso, lo que les da la primera oportunidad de demostrar que pueden trabajar de manera responsable con deuda.
¿Qué papel desempeñan los cuerpos regulatorios en la configuración de la forma en que se desarrollan y implementan soluciones de préstamos con AI?
Los reguladores son una parte esencial de la incrustación de IA en servicios financieros y en la economía en common. Los límites claros sobre dónde y cómo se puede utilizar la IA permitirá un crecimiento más rápido y nuevos casos de uso, y estamos apoyando los diversos procesos en curso para crear responsabilidad authorized y regulatoria.
Como principio common, creemos que las herramientas de IA utilizadas en los préstamos deben estar sujetas a los mismos tipos de supervisión y escrutinio que otras herramientas: deberían poder demostrar que están tratando a los clientes de manera justa, y que están haciendo que el sistema bancario sea más seguro, no más riesgoso. Nuestra solución puede demostrar claramente ambos.
¿Puede contarnos más sobre la reciente selección de Carrington Labs en el programa MasterCard Begin Path? ¿Cómo acelerará esto su expansión en los Estados Unidos?
Estamos encantados de trabajar con MasterCard en nuestros planes de expansión estadounidense y international. Tienen una experiencia incomparable en la entrega de soluciones financieras a los bancos y otros prestamistas en todo el mundo y ya han sido extremadamente útiles a medida que aumentamos nuestro compromiso con los posibles clientes estadounidenses. Esperamos que ambas partes se beneficien, con MasterCard ofreciendo consejos, presentaciones y posiblemente elementos de nuestra solución, mientras que Carrington Labs ofrece un servicio de alto valor a los clientes de MasterCard.
Antes de Pay, su marca orientada al consumidor, ha emitido más de 4 millones de préstamos. ¿Qué concepts has obtenido de esta experiencia y cómo han moldeado los modelos AI de Carrington Labs?
A través de esta experiencia, aprendimos a construir modelos de manera rápida y efectiva gracias al acceso antes que PAY nos dio a su gran laboratorio de I + D y algunos volúmenes de datos tremendamente grandes. Si tenemos una thought para un marco de modelo, arquitectura, código, and so forth. Podemos probarlo antes. La disminución precipitada de la tasa predeterminada de antes de antes de Pay también es un gran estudio de caso para mostrar qué tan bien funciona el modelo.
Ha sido una experiencia muy motivadora en common, ya que nuestros empleados tienen una gran participación en la empresa. Estamos utilizando los modelos de Carrington Labs todos los días para prestar nuestro propio dinero, por lo que se centra en la mente en asegurarse de que esos modelos funcionen.
¿Cómo se ve a la IA evolucionando en el espacio de préstamos durante la próxima década?
Los préstamos cambiarán enormemente una vez que la industria se traslade completamente a los tipos de modelos de riesgo con grandes datos que Carrington Labs está aprovechando durante la próxima década. Y lo hará, esos modelos son mucho más efectivos. Es como el papel de la electricidad en la fabricación; Es un cambio de juego y todos harán el turno o la salida.
Los modelos de datos grandes se pueden construir a mano (lo que solía hacer yo mismo, pero este proceso lleva meses o incluso años, al tiempo que también es muy costoso e incapaz de proporcionar el mejor resultado. O puede automatizar la construcción de modelos. Con IA, puede automatizar mucho más de una calidad más alta y al mismo tiempo ahorrar tiempo y hacer cosas que serían imposibles de ser imposibles de estar construyendo a mano, como generar miles de características personalizadas para un plénero mediano.
La clave es saber cómo hacerlo correctamente: si solo arroja un montón de cosas en un LLM, obtendrá un desastre gigante y soplará su presupuesto.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Carrington Labs.
