Процесс оценки кредитоспособности с использованием агентного ИИ: Стратегический план

Бушан Джоши, доктор Манас Панда, Раджа Босу

Откройте для себя лучшие новости и события финтеха!

Подпишитесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и других компаний

Финансовая индустрия переживает парадигмальный сдвиг, поскольку генеративный ИИ (GenAI) и агентные системы ИИ переопределяют бизнес-процессы — одним из них является принятие кредитных решений. Банки сейчас внедряют системы на базе ИИ, повышающие точность прогнозов и одновременно автоматизирующие сложные рабочие процессы. В этой статье рассматривается, как стратегически использовать GenAI и агентный ИИ в процессе оценки кредитоспособности, значительно повышая эффективность и автоматизацию, а также учитывая вопросы управления, рисков и соблюдения нормативных требований.

Преимущество GenAI: интеллектуальное обогащение данных

Данные — это кровь процесса оценки кредитоспособности. Банки и финансовые учреждения анализируют и оценивают огромное количество элементов данных, используя логистические и эвристические модели. С появлением GenAI этот процесс значительно продвинулся, поскольку модели GenAI позволяют оценивать неструктурированные данные и получать ценные инсайты. Генерация синтетических данных для моделирования сценариев заранее — еще одно важное изменение в процессе оценки.

Модели GenAI отлично справляются с разбором неструктурированной информации, преобразуя её в структурированные данные. Эта возможность позволяет извлекать ключевые атрибуты, такие как стабильность доходов, несоответствия в платежах, данные о занятости, дискреционные расходы и т. д., что дает критически важные инсайты при андеррайтинге.

Генерация синтетических данных — это возможность моделей GenAI, которую можно использовать для надежного моделирования и валидации. Это помогает снизить проблему нехватки данных в крайних случаях. Модели ИИ могут использоваться для определения крайних сценариев, добавления более тонких критериев — таких как буферы ликвидности, волатильность доходов и т. д., — и их проверка с помощью синтетических данных. Такие данные, сохраняющие конфиденциальность, повышают универсальность и устойчивость модели к редким рискам.

Мультимодальные системы GenAI могут выявлять несоответствия — например, несогласованность между заявленным доходом, налоговыми декларациями, банковскими выписками и т. д., — сравнивая и противопоставляя их. Эти ручные, трудоемкие операции можно ускорить за счет повышения соответствия требованиям, выявления пробелов и повышения целостности данных.

Агентный ИИ: управление автономными рабочими потоками

В то время как мультимодальные системы GenAI обеспечивают целостность данных, создание и проверку экстремальных сценариев, агентный ИИ управляет автономным рабочим процессом.

Агентный ИИ дополнительно совершенствует процесс оценки за счет автономного принятия решений по отдельным задачам. Модель агентного ИИ, состоящая из нескольких экспертных агентов, способна выполнять одновременно множество отдельных задач. Верификация личности, получение и проверка документов, оценка метрик, проверка внешних данных, проверка кредитных бюро, психометрический анализ и другие — все это могут выполнять специализированные агенты одновременно. Каждый агент работает с четко определенными целями, успешными метриками и протоколами эскалации, что ускоряет процесс и повышает точность.

Этот агентный механизм обеспечивает соблюдение бизнес-логики, вызывает предиктивные модели и маршрутизирует заявки в зависимости от уровня доверия, автоматизируя рабочие процессы в реальном времени. Например, решения с низким уровнем уверенности или выявленные аномалии автоматически передаются человеку-эксперту для дальнейшего рассмотрения с уведомлениями через системы сообщений. Одновременно агентные системы могут проактивно отслеживать заявки, выявлять противоречия и инициировать механизмы исправления. Аналогично, если кредитный профиль заявителя попадает в «серую зону», система может автоматически запустить повторную проверку или запросить дополнительные документы, а также привлечь человека-эксперта.

Пример: крупный международный банк недавно внедрил полностью автоматизированный процесс обработки случаев на основе электронных писем клиентов — регистрация случаев, запуск рабочих процессов, отслеживание статуса и коммуникация — что сократило затраты времени и усилий вдвое.

Кроме того, возможность обработки естественного языка (NLP) позволяет агентам вести диалог с заявителями в реальном времени, уточнять неясности, собирать недостающие данные и подводить итоги — на нескольких языках и с голосовой поддержкой по необходимости. Это снижает трение и повышает уровень завершения заявок, особенно среди сегментов клиентов с низкой активностью или недоверчивых.

Гибридная архитектура: баланс между точностью и объяснимостью

Технологии GenAI и агентного ИИ разрабатывают архитектуру процессов — повышая эффективность при сохранении баланса между точностью и объяснимостью результатов.
Гибридная архитектура, сочетающая агентный ИИ с моделями GenAI, усиливает предсказательную мощь за счет более богатых данных и повышенной прозрачности с точки зрения нормативных требований. Объединение ИИ-агентов также повышает устойчивость и возможности автоматического выполнения задач.

В то время как GenAI может генерировать контрфактические объяснения — сценарии «что если», показывающие, как заявители могут повысить свою кредитоспособность, — агентные системы собирают данные о результатах, курируют крайние случаи и инициируют циклы повторного обучения. Этот процесс адаптивного самообучения с использованием более чистых наборов данных и реалистичных сценариев повышает точность оценки кредитоспособности клиентов.

Призыв к действию: создание надежных систем ИИ для более точной оценки

Оценка кредитоспособности — сложный процесс, который влияет на опыт клиента и долгосрочные бизнес-отношения. Важные рекомендации при переосмыслении этого процесса: а) архитектура с участием человека для повышения прозрачности и объяснимости решений, б) правильное определение и сопоставление результатов решений с соответствующими признаками для повышения интерпретируемости и аудита, в) внедрение ответственных рамок ИИ, операционных мер безопасности, таких как контроль доступа на основе ролей, матрицы эскалации и другие, для повышения устойчивости процесса.

Заключение

Процесс принятия кредитных решений находится на переломном этапе, поскольку GenAI и агентный ИИ переопределяют бизнес-процессы — делая кредитную экосистему более эффективной и устойчивой. Финансовые учреждения, инвестирующие в продуманный дизайн, строгий контроль и надежные модели данных для автоматизации высокорискованных кейсов, станут лидерами следующей эпохи интеллектуального андеррайтинга.