アルゴリズム融資は、人間による引受業務に比べて速度と精度が大幅に向上したため、現在ではすべての金融機関の 69% で使用されています。 マスターカードによると、米国のトップ銀行の1つです。今日行われる融資の圧倒的多数は、人間ではなくアルゴリズムによって決定されます。
偏ったデータは偏ったアルゴリズムを作成する
AI は過去 18 か月で過去の他のテクノロジーよりも急速に普及しましたが、最大の誤解の 1 つは、AI には本質的に偏りがないということです。ただし、AI は過去のデータと意思決定者から学習します。金融業者が今日使用しているアルゴリズムは、人間の意思決定者からのデータを使用して間接的にトレーニングされました。 1990 年代以前のもの。
基本的な選択バイアスは、現代のあらゆる融資に貫かれています。貸し手は、承認したローンのデータのみにアクセスできます。そのデータセット内で誰がデフォルトするかを正確に区別するようにアルゴリズムをトレーニングすることはできますが、アルゴリズムは承認されなかったローンのデータを決して参照しません。承認された融資データのみを対象としてトレーニングされたアルゴリズムには、同じ選択バイアスがその決定に組み込まれます。
公正な融資コンプライアンスはさておき、偏ったデータに基づいて優良な融資を拒否している可能性がある貸し手にとって、選択の偏りは財務上の巨大な懸念事項です。この潜在的な借り手の隠れた信用力のあるグループを特定することは、引受プロセスを大幅に変更することなしには不可能です。
基礎テスト
基礎テストは、貸し手が偏りの少ないデータセットを開発し、モデルを改善できる主な方法です。基礎テストでは、貸し手は既存のシステムでは通常は拒否される申請者に融資を行うことで、モデルの将来のパフォーマンスに投資します。
短期的な利益ではなく長期的な投資になることを期待して、これらの借り手に融資するための資金をプールして実験することから始めます。理想的には、貸し手はすべての申込者に融資を行うことができますが、少なくとも引受基準額を調整する必要があります。
はい、実験内では高いデフォルト率が発生しますが、組織的、不当かつ不当に融資から除外されたコホートに基づいてモデルを調整することが可能になります。
実生活で何が起こったのか
Salus での私たちの仮説は、ローン申請者の信用リスクの分析は従来の信用スコアをはるかに超えているというものでした。効果的な分析により、従来の信用スコアリングでは信用度が低いとみなされる低リスクの借り手、つまり「隠れプライム」グループが特定されます。隠れた優良借り手は、貸し手が機会を与えれば、商業的に実現可能な金利でローンを返済するでしょう。
Salus は、基礎的なテスト データセットと独自の代替信用スコアリング モデルを使用して、そのパフォーマンスをマイクロローンの従来の信用スコアと比較しました。違いはすぐに分かりました。従来のモデルでは、申請者グループ内の信用スコアが低いほどリスクが高いと関連付けられていましたが、Salus のスコアリングはそうではありませんでした。
代替リスク スコアリング モデルでは、リスクを異なる方法で割り当て、より多くの信用力のある借り手を特定しました。実際、このモデルにより、借り手のサブプライム信用スコアが高いにもかかわらず、申請者の上位 20% のデフォルト率が 75% 減少しました。
Salus の方法論では、借り手の実際のリスク階層も作成されました。テストの結果、信用スコアを使用した場合、申込者の上位 80 パーセンタイルに融資すると、申込者の 40 または 20 パーセンタイルに融資した場合と同じデフォルト率が得られることがわかりました。どちらも商業的に妥当な料金を設定していませんでした。
私たちは、人々を助け、他では手頃な援助を見つけることができない人々にサービスを提供するという信用組合の使命を強く信じています。代替信用スコアリングを使用すると、リスクをより適切に測定できると同時に、金融教育と組み合わせたマイクロローンなどの対象を絞ったサービスを信用組合の会員向けサービスに追加できます。
James Chemplavil 氏は、ノースカロライナ州シャーロットに本拠を置き、貸し手が略奪的なペイデイ ローンに代わる選択肢を提供するのを支援するフィンテック企業、Salus の共同創設者兼 CEO です。
#信用データからバイアスを取り除く方法