211service.com
AIを活用したクレジット方式は、ローンの取得に役立つ可能性があります
信用格付けは長い間、米国の消費者が住宅ローンからクレジットカードまでのローンを返済する可能性を測る重要な指標でした。しかし 要因 クレジットスコアを作成するFICOやその他の企業は、信用履歴やクレジットカードの残高などに依存していることが多く、すでにクレジットを持っていることに依存していることがよくあります。
近年では 、スタートアップ企業の作物 は、そのような履歴のない借り手は依然として返済する可能性が非常に高く、その可能性は大量のデータ、特に従来は信用評価の一部ではなかったデータを分析することによって判断できるという前提で立ち上げました。これらの企業は、アルゴリズムと機械学習を使用して、データ内の意味のあるパターンを見つけます。これは、借り手が信用リスクの良し悪しを示す別の兆候です。
これらの企業はまだ若いですが、今日まで、これらのアプローチが利用可能なクレジットを大幅に拡大したという明確な証拠はなく、それらを使用する貸し手はしばしば高金利を請求します。 報告する 消費者擁護団体である国立消費者法センターによる。消費者擁護者は、消費者がオンラインでどのように行動するかに関する情報や、従来は信用分析に含まれていなかった財務データなど、これらの新しいデータソースの一部が無意識のうちに結果に偏りを生じさせ、特定の借り手が不当に判断される可能性があることを懸念しています。米国では、貸し手は、貸し出しの決定において人種、性別、および宗教を考慮することを法律で禁止されています。
元GoogleCIOのダグラスメリルによって設立されたロサンゼルスを拠点とするZestFinanceは、ZAMLと呼ばれる新しいクレジットスコアリングプラットフォームでこの問題を解決したと主張しています。同社は機械学習ソフトウェアを貸し手に販売し、コンサルティングサービスも提供しています。 Zestはそれ自体にお金を貸しません。
プラットフォームは、Zestが中国の検索エンジンBaiduで作業した経験に基づいて微調整されました。中国では、人口の20％だけが既知の信用履歴を持っています。 Zestは、人々が検索する方法やWebページ間を移動する方法など、21の異なる要因を調査し、衣料品などの購入のためにそれらの顧客に少額の融資を行うかどうかを決定するために使用できるBaiduのデータのパターンを発見しました。 Zestが評価したものの中には、個人の自己申告による収入がモデル化された収入とどれだけ一致しているか、Zestが他の行動に基づいて実際に稼いだ人を計算したものがあります。報告された収入とモデル化された収入の間にどれだけの食い違いがあるかは、彼らが膨らんだ収入（つまり、モデルが実際に作っていることを意味するものよりも高い収入）を報告するときと、どれだけ膨らませたかということと同じくらい重要です、とメリルは言います。
メリル氏によると、小規模な融資事業を営むBaiduは、2か月で、融資の損失を増やすことなく、150％多い借り手を承認し、それ以来、数十万件の融資を行ってきました。
BaiduのチーフサイエンティストであるAndrewNgは、借り手のオンライン検索動作、モバイルウォレット、その他のソースからのデータを使用してクレジットモデルの「予測性」を向上させることにより、Zestのテクノロジーが消費者金融サービスへの参入を加速するのを支援したことを認めています。 Baiduは、Zestを使用して、ギャンブルなどの危険な行動をオンラインで行ったり、違法な商品を販売したりスリルを求めるイベントを販売したりするような危険なWebサイトにアクセスしたりする借り手は、ローンの不履行の統計的可能性が高いことを発見しました。
後から考えると「明らか」かもしれませんが、このような手がかりは引受実績に大きな影響を与える可能性がある、とNgは電子メールで書いています。
一部のデータは範囲外です。 Zestは使用しません ソーシャルメディアデータ その分析では、メリルが不気味と呼んでいるものであり、この種の分析ではあまり役に立たないと同社は述べています。
Zestは、2つのクレジットカード発行会社と1つの自動車貸し手とも協力してきました。クレジットカードの所有者の間で、重要なシグナルの1つは、ヘルプデスクへの電話であることが判明しました。これは、ゼストの仕事の前に貸し手が信用力に結び付けていなかったことです。結局のところ、残高の支払い期間を延長するために電話をかけた人は、支払いを遅らせても、実際には信頼できる顧客である可能性があります。直感が間違っていることがあるとメリルは言います。
同社によれば、バイアスに対する保護の1つは、借り手ごとにシステムが100,000の異なるデータポイントを評価し、1つのポイントが決定的な役割を果たすことはないという事実です。バイアスをテストするために、Zestは再び機械学習に依存します。これは、システムが独自の結果をテストするために使用します。これは、消費者金融保護局が差別をチェックするために使用するアルゴリズムを適用し、貸し手が検討することを禁じられている要因との予期しない相関関係を見つけるために他のテストも行います。
BaiduのNgは、Zestのテクノロジーを、彼が「ブラックボックス機械学習引受モデル」と呼んでいるものを説明し、明示的なバイアスと隠れたバイアスの両方を検出して修正することに焦点を当てていることを支持しました。
借り手と規制当局に信用決定を説明することは極めて重要であると、 NCLC 、特に、依存しているデータパターンが本当に予測的であり、単に相関しているだけではないかどうかを説明します。オルタナティブデータはすべてではありません、と彼女は言います。