金融の最も保守的な側面の1つ、誰かをクレジットする決定は、AI駆動のクレジットスコアリングによって変形されています。これは、金持ちのクレジット履歴を持つ個人にとって徐々に変化し、長い期間にわたって銀行と関わってきた人々にとっては人生を変える可能性があります。しかし、薄いレコードの借り手や非公式経済にいる人々にとっては、最終的には、システムに目に見えない代わりに検出することができます。この記事は、伝統的なクレジットスコアを欠いている個人や中小企業のためのAIベースのクレジットスコアを作成するための代替データの応用、オフィスデータが利用できないときに不公平さと偏見のリスク、および説明可能なAIを作成する規制の推進について議論します。 Thin File and Informal Economy Problem 薄いファイルと非公式経済の問題 従来のクレジット評価は、ある種の財政的存在を前提とします。 彼らは、個人が銀行口座、正式な金融製品を持っていると仮定し、以前は融資を借りたりクレジットカードを使用していました。 彼らは、雇用主が正式な方法で賃金を運用し、商人は経済の目に見える部分で働いています - ドキュメンタリー部分です。 実質的に、世界の巨大な割合はそうではありません。 若い大人はしばしばクレジットやカードを持っていません。 移民は、彼らの出身国で良いクレジットの背景を持っていることができ、新しいものは何もありません。 彼らの取引のほとんどは、現金やデジタルプラットフォームで行われています 事務局に報告しません:ギグストリート労働者、売り これらの借り手は必ずしもリスクが低いのではなく、システムが実際に彼らの財務生活を特徴づけるシグナルに失明し、盲目であるというだけです。AIのクレジットスコアの応用の基本的な概念はここで単純です。オフィス統計が欠けている場合、またはあまりにも希少な場合、他の場所を探します。現代生活には数多くのデジタル足跡があります。そのような足跡が責任を持って収集され、同意を得てより組織化されたシグナルに変換されるとき、彼らは、人の安定性、彼らの稼ぎの可能性、そして彼らの返済のチャンスについて多くを語ることができます。最初の最も貴重なソースの1つはしばしば電気通信データです。モバイルオペレーターは、誰かが定期的に前払 他の信頼できる電力源は電子商取引およびデジタルプラットフォームからのデータです。ドライバーのドライバーのオフィスファイルに含まれることはほとんどありませんが、プラットフォームは旅行の数、週収入、キャンセルデータ、顧客レビュー、およびドライバーの期間にアクセスできます。 市場で販売者としてのマイクロマーカーは、注文の履行、返金、苦情、ストックアウト、および成長パターンの歴史を残します。 非公式な事業の場合、プラットフォームのデータは、公式の財務報告に最も近い等価として使用することができます。 次に、銀行口座、デジタルウォレット、およびオープンバンキングAPIのキャッシュフローデータがあります。 借り手は長いクレジットの歴史を欠いているかもしれませんが 雇用主が賃金サービスに接続されている状況では、貸主は雇用、月収、雇用期間および補償の変更を確認することができます。複数のパートタイムの仕事を持つ人にとって、この複合画像は、1つの賃金スリップよりもはるかに情報を提供します。最後に、適切な使用で、行動およびデバイスレベルのデータは詐欺およびリスク評価の両方を助けるために使用することができます。個人が同じデバイスを使用してきた時間の長さ、ログイン場所の定期性、彼らが月間を通してアプリを使用する方法、および彼らが通常取引を行う日の時間は、真実性と安定性の指標を提供することができます。これらのシグナルは、彼が決して彼の指にクレジットカードを置いたことがないように注意深く扱うべきです。これらの How AI Transforms Sloppy Signals into a Score? AI は Sloppy シグナルを Score にどのように変換しますか? これらの他のデータソースは密接に人口化され、構造化されていない。 電気通信ログ、プラットフォームイベント、銀行取引、デバイステレメトリの構造は、伝統的なオフィスレポートの構造ではありません。 彼らは大きな、次元的で、独自性のパターンに満ちています。 この時点で、AI、特に現代の機械学習は必要です。 一般的なライフサイクルはデータの集計から始まります。 貸し手は、データ保護法の条件と顧客の直接の同意に従って、電気通信パートナー、オープンバンキングフィード、 payroll API、プラットフォームパートナーにアクセスできます。 彼らは安全な環境に原始データを吸収し、それを正常化します。電話の充電活動、財布のクレジット、電子商取引の注文は、規則的な形式を持つタイムシリーズに変換されます。不要な異常や複製は排除され、欠けている値が処理されます。これから、機能はデータサイエンティストによって構築されています。彼らは単にすべての原始取引をモデルに供給するのではなく、概要変数を作成します:平均月間の純現金の流れ、節約がポジティブな月間の割合、債権者への支払いなしの最も長い連続期間、収入不足の月間、プラットフォームの収益の成長または崩壊、作業時間の変動、週ごとに位置の永続性。 これらの属性は、モデルによって消化できる数値に個人の経済生活を圧迫しようとしています。グラディエント増強の木、ランダム森林、およびニューラルネットワークは、その後、歴史的なデータに基づいて訓練されている機械学習アルゴリズムです。 クレジットスコアの場合、結果は通常、指定された期間、例えば6ヶ月または12ヶ月にわたって借り手によるデフォルトです。 モデルは、リスクをより多くまたは少なく示す機能の組み合わせを知ることができます。 人間のサブスクリプトの間で見つかったパターンは、現実的で、プラットフォームの流れと保有期間の変動の間の小さな相互作用のように、人間の判断によって識別されなかったでしょう。 検証は重要です。 モデ AUC、ジーニー因子、コルモゴロフ・スミルノフの統計などの測定は、差別の強さを測定するために使用される一方で、カリブレーションプラットフォームは、予測される確率が実際のデフォルト率と同一であるかどうかを示す。ヘッドライン数に加えて、融資者はセグメントに基づいてパフォーマンスを調べる必要がある:新規融資者と経験豊富な借入者、さまざまな職業、地域、収入層。展開後、モデルは、新規申請者をランク付けし、数秒以内に回答が提供される。プロセスはそこで終わらない。統計は時間とともに変化し、プラットフォームは政策を進化し、マクロ経済は進化する。 
 
 このストーリーは、HackerNoonのBusiness Blogging Programの下でSanya Kapoorによってリリースされたものです。 This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program HackerNoonのビジネスブログ HackerNoonのビジネスブログ

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

Read My Stories

このオーディオは、ストーリーの元の言語で制作されています。

AI-Powered Credit Scoring for the Thin File and Informal Economy(AI駆動型クレジット・スコアリング)

About Author

コメント

ラベル

この記事は

Related Stories

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

ワークフローを10倍に向上させる方法: 必須アプリ17選

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

ワークフローを10倍に向上させる方法: 必須アプリ17選

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps