אחד ההיבטים השמרניים ביותר של פיננסים, ההחלטה להלוואה למישהו, מתהפך על ידי דירוג האשראי המונע על ידי AI. זוהי שינוי הדרגתי עבור אנשים אשר היסטוריית האשראי שלהם עשירה והם היו עם בנקים במשך תקופה ארוכה. זה יכול להיות שינוי חיים, עם זאת, עבור הלווים עם קבצים רכים ואלה אשר בכלכלה לא רשמית. הם יכולים לבסוף לזהות בניגוד להיות בלתי נראים למערכת. מאמר זה מדבר על יישום של נתונים אלטרנטיביים כדי ליצור דירוגים אשראי מבוססי AI עבור אנשים ועסקים קטנים שאין להם דירוג אשראי מסורתי, את הסיכון של חוסר צדק ודעות קדומות כאשר נתוני המשרד אינם זמינים, ואת הדחף הרגולטורי Thin File and Informal Economy Problem הבעיה של קובץ רזה וכלכלה לא רשמית דירוגי אשראי קונבנציונליים מניחים סוג מסוים של קיום פיננסי. הם מניחים כי לאדם יש חשבון בנק, מוצרים פיננסיים פורמליים, והם השתמשו בהלוואה או בכרטיס אשראי בעבר. הם מניחים כי המעסיקים פועלים בתשלום בצורה פורמלית והסוחרים עובדים בחלק הנראה של הכלכלה - החלק המסומן. בפועל, אחוז ענקי של העולם אינו כזה. מבוגרים צעירים לעתים קרובות אין הלוואות או כרטיסים. מהגרים יכולים להיות בעלי רקע אשראי טוב במדינות המוצא שלהם ולא כלום במדינות החדשות שלהם. רוב העסקאות שלהם נעשות במזומן או בפלטפורמות דיגיטליות שאינן מדווחות למשרדים: עובדים, מוכרים ברחוב, מנהלי חנויות לא רש הלוואות אלה אינן בהכרח מסוכנות יותר; זה רק כי המערכת היא עיוורת ועיוורת לסימנים שמאפיינים למעשה את חייהם הפיננסיים. המושג הבסיסי של היישום של AI לדירוג אשראי כאן הוא פשוט. איפה סטטיסטיקות משרדיות חסרות או נמוכות מדי, לחפש במקום אחר. יש טביעות אצבעות דיגיטליות רבות בחיים המודרניים. כאשר טביעות אצבעות כאלה נאספות בצורה אחראית עם הסכמה ומהפכו לסימנים מאורגנים יותר, הם יכולים לומר הרבה על יציבותו של אדם, הפוטנציאל ההרוויח שלהם, והזדמנויות שלהם להחזיר. אחד המקורות הראשונים והיעילים ביותר הוא לעתים קרובות נתונים טלפוניים. מפעילי מקור אמין נוסף של כוח הוא מסחר אלקטרוני ונתונים מהפלטפורמות הדיגיטליות. מעט יכול להיכלל בקובץ המשרד של נהג רכיבה, אבל פלטפורמה יכולה לגשת למספר נסיעות, הכנסה בשבוע, נתוני ביטול, ביקורות הלקוחות, ואת משך הנהג. מיקרו-סוחר כמוכר בשוק משאיר מאחורי היסטוריה של הזמנות הושלמו, החזרים שנעשו, תלונות הובאו, מניות, ודפוסים של צמיחה. במקרה של עסקים לא רשמיים, נתוני הפלטפורמה ניתן להשתמש כמתאים הקרוב ביותר לדוחות פיננסיים רשמיים. לאחר מכן, יש חשבון בנק, ארנק דיגיטלי, ואפליקציה בנקאית פתוחה נתוני זרימת מזומנים. למרות הלוואה במצבים שבהם המעסיקים מחוברים לשירותי שכר, הלוואות יכולות לאשר תעסוקה, רווחים חודשיים, משך העבודה, ושינויי פיצוי. עבור אלה עם מספר עבודות במשרה חלקית, תמונה מורכבת זו תהיה הרבה יותר אינפורמטיבית מאשר משכורת אחת. לבסוף, עם השימוש הנכון, נתונים התנהגותיים ברמת המכשיר ניתן להשתמש כדי לסייע בהערכה של הונאה וסיכון. משך הזמן שאדם משתמש באותו המכשיר, תקופות המיקומים שלהם, איך הם משתמשים באפליקציה במהלך החודשים, כמו גם הזמן של היום שהם בדרך כלל עושים את העסקאות, עשוי לספק אינדיקטורים של אמיתות ויציבות. אותות אלה צריכים להיות מטופלים בזהירות כדי למנוע אפליה פרוקיסית, How AI Transforms Sloppy Signals into a Score? כיצד AI הופכת אותות קלים לתוך ציון? מקורות נתונים אחרים אלה הם צפופים ולא מובנים. המבנה של יומני תקשורת, אירועי פלטפורמה, עסקאות בנקאיות וטלמטריה של מכשירים אינו זה של דו"ח משרדי מסורתי. הם חזקים, ממדיים ומלאים דפוסים של אידיוסינקראסיה. בשלב זה, AI, במיוחד למידה מכונה מודרנית, נחוץ. מחזור החיים המשותף מתחיל עם אוסף נתונים. הלוואות יש גישה לשותפים לטלקומיים, זרימת בנקאות פתוחה, API תשלום, ושותפים פלטפורמה על תנאי חוקי הגנת נתונים והסכמת ישירה של הלקוחות. הם לספוג נתונים גלויים לסביבה מאובטחת ולנורמליזציה. פעילויות טעינה טלפונית, אשראי ארנק, והזמנות מסחר אלקטרוני מוחלפים לסדרות זמן שיש להם פורמטים קבועים. חריגים מיותרים ושניים נמחקים וערכים חסרים מעובדים. מתוך זה, תכונות נוצרות על ידי מדענים נתונים. הם יוצרים משתנים סיכום במקום פשוט להאכיל את כל העסקאות גלובליות למודל: זרימת מזומנים נקית חודשית ממוצעת; אחוז החודשים שבהם החיסכון הוא חיובי; התקופה הארוכה ביותר ברציפות של אין תשלומים לבנקים; החודשים של הכנסות נמוכות; צמיחה או התדר של רווחים בפלטפורמה; משתנה של שעות עבודה; יצי מאפיינים אלה מנסים לדחוס את חייו הכלכליים של אדם למספרים שיכולים להיות מעובדים על ידי המודל. עצי גידול גרדינט, יערות אקראיות ורשתות נוירליות הם אז אלגוריתמים למידה מכונה אשר מאומנים על נתונים היסטוריים שבהם התוצאה כבר ידועה. במקרה של דירוג אשראי, התוצאה היא בדרך כלל פטנט על ידי הלווה במשך תקופה מסוימת של זמן, לומר שישה או שתים עשרה חודשים. המודל מבין שילובים של תכונות המעידות על סיכון יותר או פחות. דפוסים שנמצאים בקרב סוחרים אנושיים לא היו מזהים על ידי הבחנה אנושית, כגון אינטראקציות קטנות בין התנודתיות של זרימי מזומנים ותחזוקה לפלטפורמה אמצעים כגון AUC, גורם גיני, וסטטיסטיקות קולמגורוב-סמירנוב משמשים כדי למדוד את עוצמת ההבדל, בעוד קווי הקליברציה מצביעים על כך אם הסיכויים הצפויים זהים לשיעורי ההלוואה האמיתיים. בנוסף לדמויות הכותרות, הלוואות צריכות להסתכל על ביצועים המבוססים על קטגוריה: חדשים להלוואה לעומת בעלי אשראי מנוסים, מקצועות שונים, אזורים, וקבוצות הכנסה. 
 
 סיפור זה פורסם על ידי סניה קפור במסגרת תוכנית הבלוגים העסקיים של HackerNoon. This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program תוכנית הבלוג העסקי של HackerNoon תוכנית הבלוג העסקי של HackerNoon

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

האודיו הזה מופק בשפת המקור של הסיפור!

דירוג האשראי המופעל על ידי AI עבור הכלכלה העמוקה והאינפורמלית

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

97 Stories To Learn About Quicknode

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/20/2024)

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/14/2024)

97 Stories To Learn About Quicknode

The TechBeat: Investigating Internet Freedom: Unseen Aspects of Our Online Existence (1/20/2024)

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/14/2024)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps