| | Kredittrisiko

Smartere og raskere avgjørelser med kunstig intelligens

Slik benytter du data om tidligere betalingsatferd til å forutsi sannsynligheten av fremtidig betalingsmislighold.

Jeg har jobbet med analyser i mange år, og mengden og kompleksiteten av tilgjengelige data har vært i konstant vekst. Dette gjør det stadig vanskeligere for en informatiker å avdekke innsikten som ligger skjult i dataene raskt nok. Den gode nyheten er: Kunstig intelligens kan bidra til å gjøre denne prosessen raskere og mer effektiv – spesielt innen områder der sporbarhet kan ha vært nedprioritert, som for eksempel innenfor forebygging av svindel.

I finansielle prosesser bruker vi eksisterende data for å forutsi fremtidens kundeatferd ved å utvikle maskinlæringsmodeller. Innen kredittrisikostyring kan data om tidligere betalingsatferd brukes til å bygge en modell som kan forutsi sannsynligheten av  fremtidig betalingsmislighold. Mangfoldet av funksjoner (som tidligere betalingsatferd målt i antall dager etter forfall, antall gangers forsinket betaling, eller tilgjengelig inntekt i husstanden) avgjør i høy grad nøyaktigheten av og suksessen ved enhver prediktiv modell.

Med stadig økende datamengder blir det mer tidkrevende og komplisert for informatikeren å vurdere alle variabler og de mulige kombinasjonene og transformasjonene når man bygger en maskinlæringsmodell. Dette gjelder spesielt når man arbeider med kundedata fra nye kilder. For å overvinne denne utfordringen bruker vi i Arvato Financial Solutions kunstig intelligens i form av automatisert funksjonsgenerering.

Ved automatisert funksjonsgenerering kombinerer programvaren automatisk alle tilgjengelige variabler og skaper enten et ubegrenset antall variabelkombinasjoner (funksjoner) eller et begrenset antall mer spesifikke funksjoner. Våre informatikere med deres forståelse av virksomheten og dataene undersøker så disse automatisk genererte funksjonene og bestemmer hvilke som er både statistisk relevante og relevante i domenet som en driver av det forutsagte målet, f.eks. sannsynligheten for mislighold innen kredittrisikostyringen.

Da er spørsmålet: Hvilke automatisk genererte funksjoner forbedrer selektiviteten til modellen, slik at det er fornuftig å inkludere dem? Automatisk funksjonsgenerering bidrar til å generere potensielle modellegenskaper i stor skala, noe som ellers ville være en tidkrevende oppgave for våre modellbyggere. Disse funksjonene kan testes for den statistiske relevansen de har, målt i funksjonenes informasjonsverdi eller Gini-koeffisienten. Våre informatikere forkaster derfor vanligvis funksjoner som ikke har noen forklarlig relevans for dette området, for å eliminere funksjoner som bare har falsk sammenheng. Deretter tester de de resterende funksjonene igjen statistisk på et validerings- eller testdatasett.

Automatisk funksjonsgenerering sparer betydelig tid i modellbyggingsprosessen ved å redusere det manuelle arbeidet til informatikerne våre. I tillegg elimineres den menneskelige subjektiviteten og ulike nivåer av erfaring fra modellbyggingsprosessen balanseres. Funksjoner som en informatiker kanskje avviser som ikke-relevant ved første blikk, eller som han ikke engang tenker på, blir nå presentert for ny gjennomgang takket være den automatiserte prosessen.

Vi i Arvato Financial Solutions har brukt automatisk funksjonsgenerering i maskinlæringsmodell mot svindel for en stor leverandør av telekommunikasjon. I dette tilfellet ble to funksjoner integrert i maskinlæringsmodellen: en funksjon som kombinerer klientens alder og antall utførte betalinger, og en funksjon som kombinerer kredittvurderingsinformasjon ved søknadstidspunktet og den eksisterende kundeindikatoren. Dette forbedret selektiviteten betydelig.

Vil du vite mer om automatisert funksjonsteknikk? Vi gleder oss til å få en e-post fra deg

Andre relevante innlegg