Een van die mees konserwatiewe aspekte van finansiering, die besluit om iemand te krediet, word omskep deur AI-gedrewe kredietskoersing. Dit is 'n geleidelike verandering vir individue wie se kredietverhaal ryk is en wat vir 'n lang tyd met banke was. Dit kan lewensveranderend wees, egter, vir dunlêerleners en diegene wat in die informele ekonomie is. Hulle kan uiteindelik gedetekteer word in teenstelling met om onsienbaar te wees vir die stelsel. Hierdie artikel bespreek die toepassing van alternatiewe data om AI-gebaseerde kredietskoersing te skep vir individue en klein besighede wat 'n tradisionele kredietverslag ontbreek, die risiko van onregverdigheid en vooroordeel wanneer kantoordata nie beskikbaar is nie, en die regulatoriese dryf om Thin File and Informal Economy Problem Thin File en informele ekonomie probleem Konvensionele kredietbeoordeling veronderstel 'n soort finansiële bestaan. Hulle veronderstel dat 'n individu het 'n bankrekening, formele finansiële produkte, en het 'n lening of gebruik 'n kredietkaart voorheen. Hulle veronderstel werkgewers werk payroll op 'n formele manier en handelaars werk in die sigbare deel van die ekonomie - die gedokumenteerde deel. Prakties, 'n kolossale deel van die wêreld is nie so nie. Jong volwassenes het dikwels geen lenings of kaarte. Migrante kan 'n goeie krediet agtergrond in hul land van herkomst en niks in hul nuwe uitsluit. Die meeste van hul transaksie word gedoen in kontant of in digitale platforms wat nie rapporteer aan bureaus: gig straat werkers, verkopers, informele winkeliers, en ' Hierdie skuldgebruikers is nie noodwendig meer risiko nie; dit is net dat die stelsel doof en blind is vir die signale wat eintlik hul finansiële lewens kenmerk. Die basiese konsep van die toepassing van AI op kredietpunte hier is eenvoudig. Waar bureaustatistikke ontbreek of te skaars is, soek elders. Daar is baie digitale voetafdrukke in die moderne lewe. Wanneer sulke voetafdrukke op 'n verantwoordelike manier met toestemming versamel word en omskep word in meer georganiseerde signale, kan hulle baie vertel oor die stabiliteit van 'n persoon, hul verdienpotensiaal, en hul kans om terug te betaal. Een van die eerste en mees waardevolle bronne is dikwels telecom data. Mobiele bedieners verstaan hoe iemand voorafbetaalde salde op 'n gereelde basis vul, of hulle dieselfde aantal Nog 'n betroubare bron van krag is e-handel en data van digitale platforms. Klein kan in die kantoor lêer van 'n rit-hailing bestuurder ingesluit word, maar 'n platform kan toegang tot getalle van reise, inkomste per week, annuleringsdata, kliënte beoordelings, en duur van die bestuurder. 'n mikro-handelaar as 'n verkoper in 'n markplek laat agter 'n geskiedenis van bestellings voltooi, terugbetalings gemaak, klae opgetree, voorraad-outs, en groeipatroon. In die geval van informele besighede, platform data kan gebruik word as die naaste ekwivalent aan amptelike finansiële verslae. Volgende, daar is 'n bankrekening, digitale portefeulje, en oop bank API kasstroom data. Alhoewel 'n In situasies waar werkgewers verbind word met payroll dienste, kan leners werk, maandelikse inkomste, die duur van werk, en vergoeding veranderinge bevestig. Vir diegene met verskeie part-time werk, hierdie samestelde beeld sal baie meer informerend wees as een sal slaan. Ten slotte, met behoorlike gebruik, gedrag en toestel vlak data kan gebruik word om te help in beide bedrog en risiko raming. Die duur van die tyd wat 'n individu het gebruik dieselfde toestel, die gereeldheid van hul login plekke, hoe hulle gebruik die app oor die maande, sowel as die tyd van die dag wat hulle gewoonlik doen die transaksie, kan aanwysers van die opregtheid en stabielheid verskaf. Hierdie signale moet versigtig behandel word om te voorkom dat proxy diskriminasie, hoewel hulle nuttig How AI Transforms Sloppy Signals into a Score? Hoe omskep AI sloppy signale in 'n score? Hierdie ander bronne van data is dichtbevolkte en ongestructureerde. Die struktuur van telekommunikasie logboeke, platform gebeure, banktransaksie en toestel telemetrie is nie wat van 'n tradisionele bureau verslag. Hulle is luid, dimensionaal, en gevul met patrone van idiosinkrasie. Op hierdie punt, AI, veral moderne masjien leer, is nodig. Die gemeenskaplike lewenscyklus begin met die aggregering van data. Lenders het toegang tot telekommunikasie vennote, oop bankfeeds, payroll API's, en platform vennote op die toestand van data beskerming wette en direkte toestemming van die kliënte. Hulle absorbeer ruwe data in veilige omgewings en normaliseer dit. Telefoon oplaaiaktiwiteite, portemonnee krediet, en e-handel bestellings word omskep in tydreeks wat gereelde formate het. Onnodige anomalies en dubbele word geëlimineer en ontbrekende waardes word verwerk. Uit hierdie, kenmerke word deur data wetenskaplikes gebou. Hulle skep opsommende variabele eerder as om net al die ruwe transaksie in 'n model te voed: gemiddelde maandelikse netto kasstroom; die aandeel van maande waar die spaargeld positief is; die langste opeenvolgende tydperk van geen betalings aan kredietwaarders; die maande van onderinkomste; groei of afbraak van platforminkomste; variabiliteit van werks Hierdie eienskappe probeer om die ekonomiese lewe van 'n individu in getalle te druk wat deur die model verteer kan word. Gradient boosting bome, ewekansige woude en neurale netwerke is dan masjienleringsalgoritme wat op historiese data opgelei word waar die uitkoms reeds bekend is. In die geval van kredietpunte, is die resultaat gewoonlik 'n default deur die kredietnemer oor 'n spesifieke tydperk, sê ses of twaalf maande. Die model word gekombineer met funksies wat meer of minder risiko aanwys. Patronne wat onder menslike onderhandelaars gevind word, sou nie deur menslike onderskeid geïdentifiseer word nie, soos klein interaksies tussen die wisselvalligheid van kasstrome en platformbesit. Validasie is kritiek. Die model word toegepas op data wat Maatreëls soos AUC, Gini-koeficiënt en Kolmogorov-Smirnov-statistieke word gebruik om die krag van diskriminasie te meet, terwyl kalibrasieplotte wys of die voorspelde waarskynlikheid dieselfde is as die werklike standaardtariewe. Benewens hoofcijfers moet kredietverleners na prestasie kyk wat gebaseer is op segment: nuwe kredietverleners versus ervare kredietverleners, verskillende beroepe, streke en inkomstegroepe. Na invoering sal die model dan nuwe aanvragers op die vlieg beoordeel, en 'n reaksie sal binne 'n paar sekondes verskaf word. Die proses kan nie daar eindig nie. Statistieke verander met tyd, platforms ontwikkel hul beleid, en makro-ekonomiese evolusie. 
 
 Hierdie storie is versprei as 'n vrylating deur Sanya Kapoor onder HackerNoon se Business Blogging Program. This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program HackerNoon se Business Blogging Program HackerNoon se Business Blogging Program

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

Read My Stories

Hierdie oudio word in die oorspronklike taal van die storie vervaardig!

AI-aangedrewe krediet score vir die dun lêer en informele ekonomie

About Author

KOMMENTAAR

HANG TAGS

HIERDIE ARTIKEL IS AANGEBIED IN

Related Stories

Thinking for the 21st century

HackerNoon and the Time We Took the 16 Personalities Test

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

The AI Writing Contest by Bright Data & HackerNoon: Results Announcement 🎉

Thinking for the 21st century

HackerNoon and the Time We Took the 16 Personalities Test

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

The AI Writing Contest by Bright Data & HackerNoon: Results Announcement 🎉

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps