هوش مصنوعی و اعتبارسنجی

با وجود گسترش روز افزون خدمات مالی هنوز هم نزدیک به 1/5 میلیارد نفر در سراسر جهان به خدمات بانک یا موسسات مالی مشابه دسترسی ندارند که به این افراد «بدون بانک[1]» می‌گویند. از سوی دیگر نیز کمتر از نیمی از جمعیتی که به موسسات مالی دسترسی دارند واجد شرایط دریافت وام هستند. بر همین اساس برای گسترش توانایی بانک‌ها برای اعطای وام و کاهش ریسک اعتباری، راه‌حل‌های اعتبارسنجی هوشمندتری مورد نیاز است.

امروزه امتیازدهی اعتباری مبتنی بر هوش مصنوعی امیدوارکننده‌ترین راه حل برای حل مشکلات این حوزه است. امتیازدهی اعتباری ارزیابی می‌کند که مشتری بانک به چه میزان توان پرداخت بدهی دارد.

به همین منظور تصمیمات امتیازدهی اعتباری مبتنی بر هوش مصنوعی از داده‌هایی مانند اطلاعات زیر استفاده می‌کند:

• درآمد کلی
• سابقه اعتباری
• تحلیل تراکنش‌ها
• تجربه کاری
• تجزیه و تحلیل رفتار کاربر

در نتیجه، امتیازدهی با هوش مصنوعی، ارزیابی‌های نمره اعتباری را حساس‌تر کرده و افراد را بر اساس مجموعه‌ای از عوامل به سرعت مورد تجزیه و تحلیل قرار داده تا به واجدین شرایط اجازه داده شود تا به خدمات مالی دسترسی آسان‌تری داشته باشند.

چگونگی امتیازدهی اعتباری مبتنی بر هوش مصنوعی با مدل‌های سنتی متفاوت است، در اکثر مؤسسات مالی، مدل‌های امتیازدهی اعتباری همچنان بر اساس رویکرد کارت امتیازی است. یک وام‌گیرنده باید داده‌های تاریخی کافی در مورد رفتار وام‌گیری قبلی داشته باشد تا به عنوان “متقاضی قابل امتیازدهی” رتبه‌بندی شود. در مواردی که این نوع اطلاعات تاریخی در دسترس نباشد (که یک وضعیت معمولی برای مشتریان جدید بخش بانکی است)، حتی وام‌گیرندگان دارای قدرت بازپرداخت مناسب هم از دسترسی به اعتبار محروم می‌شوند.

علاوه بر این، کارت‌های امتیازی سنتی طول عمر محدودی دارند، زیرا ویژگی‌های کلیدی افراد معمولاً در طول زمان تغییر می‌کنند. این امر ممکن است با تغییر شرایط اقتصادی یا استراتژی‌های اعتباری جدید (مخاطبان هدف جدید، محصولات اعتباری جدید و …) در ارتباط باشد.

بر خلاف روش‌های سنتی امتیازدهی اعتباری که با تمرکز بر عملکرد گذشته وام گیرنده ایجاد می‌شدند، مدل‌های امتیازدهی اعتباری هوش مصنوعی نسبت به شاخص‌های زمان دریافت اعتبارحساس‌تر هستند، شاخص‌هایی مانند:

• سطح فعلی درآمد
• فرصت های شغلی
• توانایی بالقوه برای کسب درآمد و …

به عبارت دیگر، امتیازدهی اعتباری مبتنی بر هوش مصنوعی امکان پیش‌بینی دقیق‌تری را بر اساس مدل‌های مختلف فراهم می‌کند، در نتیجه مزایای روش‌های یادگیری ماشین و هوش مصنوعی برای امتیازدهی عبارتند از:

• شناسایی الگوهای پنهان و غیر آشکار
• ترکیب تجزیه و تحلیل شبکه‌های اجتماعی برای دقیق‌تر کردن مدل
• ارائه نظارت مدل برای واکنش در طول زمان
• انطباق آن با شرایط متغیر
• افزایش دقت در شناسایی وام‌گیرندگان معتبر

داده‌های تاریخی وام‌ها در کنار در نظر گرفتن عوامل اضافی به‌دست‌آمده از سایر منابع، با استفاده از روش‌های یادگیری بدون نظارت برای شناسایی الگوهای رفتار متقاضی و شناسایی موارد غیرعادی که ممکن است با رفتار متقلبانه مرتبط باشد، ریسک‌های احتمالی را کاهش می‌دهد و باعث کاهش زیان یک موسسه مالی می‌شود.

اما انتقاد اصلی به امتیازدهی اعتباری مبتنی بر هوش مصنوعی، نتایج نامشخص و تصمیمات مغرضانه است. در مورد اول، معمولاً اشاره می‌شود که درک دقیق چگونگی تصمیم‌گیری غیرممکن است زیرا مدل یک جعبه سیاه است. در مورد دوم نیز منظور از سوگیری تصمیم یعنی سوگیری مدل نسبت به یک فرد یا گروهی از افراد با ویژگی‌های خاص، که به مرور زمان و با توسعه مدل‌ها و مشخص شدن قدرت و دقت نتایج ابهامات یاد شده برای استفاده‌کنندگان از این ابزارها در حال کاهش است.

مراحل استخراج امتیاز اعتباری

در پایان آنچه که به عنوان مراحلی که اطلاعات یک فرد طی می‌کند تا در نهایت امتیاز اعتباری استخراج گردد، در شکل زیر نمایش داده شده است.

باید اشاره کرد که استفاده از اعتبارسنجی مبتنی بر هوش مصنوعی مزایای زیر را به همراه دارد:

---

اعتبارسنجی و مدیریت ریسک اعتباری ارتباطی تنگاتنگ با یکدیگر دارند و یکی از مهم‌ترین لازمه‌های کارکرد درست یک سیستم مدیریت ریسک اعتباری داشتن اعتبارسنجی درست است. همچنین، برای داشتن دیدی کلی نسبت به فرآیند اعتبارسنجی و سنجش عملکرد صحیح آن نیازمند مراجعه به اطلاعات کلان اعتبارسنجی و نکول مشتریان داریم که این امر در سامانه‌ی مدیریت ریسک اعتباری میسر می‌گردد. سامانه‌ی مدیریت ریسک اعتباری ساتراپ این امکان را در اختیار مدیران ریسک قرار می‌دهد تا با داشبوردی کامل و متمایز قادر به کنترل ابعاد مختلف اعتبارسنجی باشند و در صورت بروز مشکل سریع آن را تشخیص دهند.

---

[1] unbanked