Een van de meest conservatieve aspecten van financiën, de beslissing om iemand te lenen, wordt getransformeerd door AI-gedreven credit score. Dit is een geleidelijke verandering voor individuen wiens kredietgeschiedenis rijk is en die al een lange tijd bij banken zijn geweest. Het kan levensveranderend zijn, echter, voor leners met dunne dossiers en degenen die zich in de informele economie bevinden. Ze kunnen eindelijk worden gedetecteerd in tegenstelling tot onzichtbaar zijn voor het systeem. Dit artikel bespreekt de toepassing van alternatieve gegevens om AI-gebaseerde credit scores te maken voor individuen en kleine bedrijven die geen traditionele credit record hebben, het risico van oneerlijkheid en vooroordelen wanneer bureaugegevens niet beschikbaar zijn, en de regelgevende drijfveer om verklaarbare AI te Thin File and Informal Economy Problem Thin File en informele economie Conventionele kredietbeoordelingen veronderstellen een soort financiële bestaan. Ze veronderstellen dat een individu een bankrekening, formele financiële producten heeft en eerder een lening heeft geleend of een creditcard heeft gebruikt. Ze veronderstellen dat werkgevers op een formele manier payroll opereren en handelaren werken in het zichtbare deel van de economie - het gedocumenteerde deel. Praktisch gezien is een kolossale deel van de wereld niet zo. Jonge volwassenen hebben vaak geen leningen of kaarten. Migranten kunnen goede kredietachtergronden in hun landen van herkomst bezitten en niets in hun nieuwe uitsluiten. De meeste transacties worden gedaan in contanten of in digitale platforms die geen verslag uitbrengen aan bureaus: werknemers, straatverkopers, informele winkeliers en een groot aantal micro-ondernemers Deze kredietnemers zijn niet noodzakelijkerwijs risicovolle; het is alleen dat het systeem doof en blind is voor de signalen die hun financiële leven feitelijk karakteriseren. Het basisconcept van de toepassing van AI op kredietpunten is hier eenvoudig. Waar bureaustatistieken ontbreken of te schaars zijn, zoek elders. Er zijn tal van digitale voetafdrukken in het moderne leven. Wanneer dergelijke voetafdrukken op een verantwoorde manier worden verzameld met toestemming en worden omgezet in meer georganiseerde signalen, kunnen ze veel vertellen over de stabiliteit van een persoon, hun verdienstepotentieel en hun kansen op terugbetaling. Een van de eerste en meest waardevolle bronnen is vaak telecomgegevens. Mobiele operators begrijpen hoe iemand vooraf betaalde saldi op een regelmatige basis invult Een andere betrouwbare bron van energie is e-commerce en gegevens van digitale platforms. Er kan weinig worden opgenomen in het bureaubestand van een ride-hailing chauffeur, maar een platform kan toegang krijgen tot rekeningen van reizen, inkomsten per week, annuleringsgegevens, klantrecensies en de duur van de chauffeur. Een micro-handelaar als verkoper op een marktplaats laat een geschiedenis achter van bestellingen voltooid, terugbetalingen gemaakt, klachten opgeleverd, voorraad-outs en groeipatronen. In het geval van informele bedrijven, kunnen platformgegevens worden gebruikt als het dichtstbijzijnde equivalent van officiële financiële overzichten. Vervolgens is er een bankrekening, digitale portemonnee en open banking API cashflow gegevens. Hoewel een lener een lange kredietgeschiedenis In situaties waarin werkgevers zijn verbonden met payroll diensten, kredietverstrekkers zijn in staat om te bevestigen werkgelegenheid, maandelijkse inkomsten, de duur van de werkgelegenheid, en compensatie veranderingen. Voor degenen met verschillende part-time banen, deze samengestelde afbeelding zal veel meer informatief dan een loonslijp. Ten slotte, met het juiste gebruik, gedrag en apparaat-niveau gegevens kunnen worden gebruikt om te helpen bij zowel fraude en risicobeoordeling. De duur van de tijd dat een individu heeft gebruikt hetzelfde apparaat, de regelmatigheid van hun login locaties, hoe ze de app te gebruiken in de maanden, evenals de tijd van de dag ze meestal de transacties doen, kan indicatoren van echtheid en stabiliteit bieden. Deze signalen moeten zorgvuldig worden behandeld om te voor How AI Transforms Sloppy Signals into a Score? Hoe transformeert AI sloppy signalen in een score? Deze andere gegevensbronnen zijn dichtbevolkt en niet gestructureerd. De structuur van telecomlogs, platformgebeurtenissen, banktransacties en apparaattelemetrie is niet die van een traditioneel bureaurapport. Ze zijn luid, dimensionaal en gevuld met patronen van idiosyncrasie. Op dit punt is AI, in het bijzonder moderne machine learning, noodzakelijk. De gemeenschappelijke levenscyclus begint met aggregatie van gegevens. Lenders hebben toegang tot telecompartners, open bankfeeds, payroll-API's en platformpartners op voorwaarde van gegevensbeschermingswetten en directe toestemming van klanten. Ze absorberen ruwe gegevens in veilige omgevingen en normaliseren het. Telefoon oplaadactiviteiten, portefeuille krediet, en e-commerce bestellingen worden omgezet in tijdreeksen die regelmatige formaten hebben. Onnodige anomalieën en duplicaten worden geëlimineerd en ontbrekende waarden worden verwerkt. Uit dit, functies worden geconstrueerd door data wetenschappers. Ze creëren samenvattende variabelen in plaats van alleen het voeden van alle ruwe transacties in een model: gemiddelde maandelijkse netto kasstroom; het aandeel van maanden waar de besparingen positief zijn; de langste opeenvolgende periode van geen betalingen aan schuldeisers; de maanden van onderinkomsten; groei of verval van platforminkomsten; variabiliteit van Deze attributen proberen het economische leven van een individu in getallen te knijpen die door het model kunnen worden verteerd. Gradient-boosting bomen, willekeurige bossen en neurale netwerken zijn dan machine learning-algoritmen die worden getraind op historische gegevens waar het resultaat al bekend is. In het geval van credit score is het resultaat meestal een default door de lener gedurende een bepaalde periode, zeg zes of twaalf maanden. Het model krijgt combinaties van kenmerken te weten die meer of minder risico aangeven. Patronen gevonden onder menselijke onderaannemers zouden niet door menselijk onderscheidingsvermogen zijn geïdentificeerd, zoals kleine interacties tussen de volatiliteit van kasstromen en de hoedanigheid van het platform. Validatie is van cruciaal belang. Het model wordt toegepast op gegevens die niet zijn get Maatregelen zoals AUC, Gini-coëfficiënt en Kolmogorov-Smirnov-statistieken worden gebruikt om de kracht van discriminatie te meten, terwijl kalibratieplots aangeven of de voorspelde waarschijnlijkheden identiek zijn aan de werkelijke defaulttarieven. Naast de hoofdcijfers moeten kredietverstrekkers naar prestaties kijken op basis van segmenten: nieuw-to-krediet versus ervaren kredietnemers, verschillende beroepen, regio's en inkomensbanden. Na implementatie zal het model vervolgens nieuwe aanvragers op de vlucht beoordelen en een reactie binnen enkele seconden worden verstrekt. Het proces kan daar niet eindigen. 
 
 Dit verhaal werd verspreid als een release door Sanya Kapoor onder HackerNoon's Business Blogging Program. This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program Het Business Blogging Program van HackerNoon Het Business Blogging Program van HackerNoon

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

Read My Stories

Deze audio wordt geproduceerd in de originele taal van het verhaal!

AI-aangedreven credit score voor de thin file en informele economie

About Author

OPMERKINGEN

LABELS

DIT ARTIKEL WERD GEPRESENTEERD IN

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps