Кланаванне 120-вольтных акумулятараў: недарагі спосаб павысіць эфектыўнасць андеррайтингу

Як вызначыць і прапанаваць крэдыт патрэбным пазычальнікам? Як вы можаце дапамагчы вашым андеррайтерам ўхваляць больш добрых пазычальнікаў і менш дрэнных?

Нядаўна мы абмеркавалі з адным з сусветных банкаў, што каманда андеррайтеров банка з 25 членаў мае каля 3 старэйшых андеррайтеров, якія разглядаюць кваліфікаваныя заяўкі, якім патрэбны іх вопыт для інтэнсіўнай ацэнкі. Наадварот, праца па ліквідацыі дрэнных патэнцыйных кліентаў і перадачы кваліфікаваных заявак старэйшым андеррайтерам ляжыць на астатніх 22 членах каманды малодшых андеррайтеров.

Банк не мае ніякіх сумневаў з такім падыходам, паколькі механізм правілаў, які ў іх зараз ёсць, працуе для іх добра. Каманда малодшых андеррайтеров выконвае бізнес-правілы і робіць добрую працу па выяўленні добрых заявак. Але кожны дзень паступае 400 запытаў на крэдыт, таму яны шукаюць спосабы павялічыць колькасць «добрых» пазычальнікаў і ліквідаваць дрэнных.

Ці дапамагаюць Rule Engines працэсу крэдытавання быць больш хуткім і менш затратным?

Вышэйпрыведзены сцэнар з’яўляецца агульным для любой фінансавай установы, напрыклад, крэдытных саюзаў, спецыяльных крэдытораў або кампаній, якія займаюцца выдачай наяўнымі, якія займаюцца крэдытаваннем. Большасць з гэтых устаноў сёння выкарыстоўваюць механізмы правілаў, якія былі старанна створаны з улікам патрэб іх крэдытнага рынку, і яны працуюць добра. Тым не менш, мэта складаецца ў тым, каб убачыць павелічэнне колькасці “добрых” пазычальнікаў, якія могуць быць пастаяннымі кліентамі, крыніцай даходу, якая прыводзіць да іх існавання і росту. Як яны могуць іх ідэнтыфікаваць?

Ці варта ім працягваць дадаваць у каманду больш андеррайтеров, якія могуць прытрымлівацца механізму правілаў і вызначаць новых пазычальнікаў? «Чалавечае цела выпрацоўвае больш біяэлектрычнасці, чым 120-вольтавая батарэя, і больш за 25 000 BTU цяпла цела» са шкадаваннем заўважае Марфеус у навукова-фантастычным фільме “Матрыца”, які выйшаў 20 гадоў таму, і працягвае тлумачыць жудаснае рашэнне (выкарыстанне чалавечай сілы), да якога звярнуліся машыны, каб выжыць.

Незалежна ад таго, ці з’яўляецца гэта міфам, які трэба развянчаць, ці праўдай, якую трэба чакаць і сачыць, справа ў тым, што ў гэтым удзельнічае «чалавечая сіла». Напрыклад, у вышэйзгаданым сцэнары банка, пабудова сістэмы, якая «эмулюе» тое, што каманда андеррайтеров можа дапамагчы дасягнуць мэты. Калі сістэма «імітацыі» пачынае прапаноўваць новых пазычальнікаў, усё, што павінны зрабіць андеррайтеры, якія не займаюць высокага рангу, гэта праверыць і праверыць, ці ўхвалілі б яны іх пры адсутнасці сістэмы.

Сістэмы машыннага навучання для пабудовы матрыцы прыняцця рашэнняў

Цяпер, як мы пабудуем такую сістэму? Сістэма “кантраляванага” машыннага навучання (падгрупа штучнага інтэлекту) з’яўляецца добрым падыходам для стварэння такіх сістэм. Як тут можа дапамагчы сістэма машыннага навучання пад наглядам? Памятаеце фільм «Гульня ў імітацыю», дзе Алан Цьюрынг стварае машыну для ўзлому кодаў?

Джэк Інгліш—© 2014 The Weinstein Company. Усе правы ахоўваюцца.

ШІ дорага?

І, як думае большасць з нас, выкарыстанне штучнага інтэлекту ў такім сцэнары, пра які мы гаворым, не будзе вельмі дарагім. Фактычна выкарыстанне інструмента працоўнага працэсу, заснаванага на правілах, можа быць дарагім у камерцыйным плане і ў доўгатэрміновай перспектыве па наступных прычынах:

• Сістэмы, заснаваныя на правілах, пабудаваны на наборы фактаў аб сітуацыі і наборы правілаў, як абыходзіцца з гэтымі фактамі.
• Сістэмы, заснаваныя на правілах, з’яўляюцца дэтэрмінаванымі сістэмамі, і адсутнасць правільных правілаў можа быць складанай задачай
• Па меры таго, як правілаў дадаецца ўсё больш і больш, заснаваныя на правілах сістэмы могуць стаць грувасткімі.

З іншага боку, у адрозненне ад сістэм, заснаваных на правілах, машыннае навучанне з’яўляецца імавернасным і выкарыстоўвае статыстычныя метады, а не дэтэрмінаваныя правілы. Як згадвалася вышэй, гістарычны кантэкст адыгрывае вырашальную ролю ў тым, што машыннае навучанне кажа пра будучыя вынікі.

Нягледзячы на тое, што сістэмы штучнага інтэлекту могуць павысіць эфектыўнасць, якой жадаюць крэдытныя ўстановы і дырэктары па даходах, і празрыстасць, якую патрабуюць спажыўцы, такія людзі, як андеррайтеры, заўсёды будуць гуляць вырашальную ролю ў прыняцці рашэнняў.

Чытаць далей:

Каб зразумець, чаму традыцыйнага крэдытнага скорынгу недастаткова для крэдытавання прадпрыемстваў; праблемы, звязаныя з прыняццем ML, як іх пераадолець і як падобныя ўстановы, як ваша, выкарыстоўваюць штучны інтэлект / ML для павышэння рэнтабельнасці інвестыцый і зніжэння ўзроўню дэфолту, спампаваць нашу тэхнічную кнігу на “Прымяненне Data Science да фінансавага крэдытавання. ”