Muundo wa hatari ya mkopo wa AI: Kuhuisha shughuli za hatari ya mkopo

• mwandishi:
• mwandishi jina

  Mtazamo wa Quantumrun
• Februari 27, 2023

Tatizo la kutoa mfano wa hatari ya mikopo limezikumba benki kwa miongo kadhaa. Mifumo ya kujifunza kwa mashine na akili bandia (ML/AI) hutoa mbinu mpya za kuchanganua data inayohusika na kutoa miundo thabiti na sahihi zaidi.

Muktadha wa muundo wa hatari ya mkopo wa AI

Hatari ya mkopo inarejelea hatari kwamba mkopaji atashindwa kulipa mkopo wake, na kusababisha hasara ya mtiririko wa pesa kwa mkopeshaji. Ili kutathmini na kudhibiti hatari hii, wakopeshaji lazima wakadirie vipengele kama vile uwezekano wa chaguo-msingi (PD), kukabiliwa na hali chaguomsingi (EAD), na chaguo-msingi lililopewa hasara (LGD). Miongozo ya Basel II, iliyochapishwa mwaka wa 2004 na kutekelezwa mwaka wa 2008, inatoa kanuni za kudhibiti hatari ya mikopo katika sekta ya benki. Chini ya Nguzo ya Kwanza ya Basel II, hatari ya mikopo inaweza kuhesabiwa kwa kutumia kanuni zilizosanifiwa, msingi wa ndani kulingana na ukadiriaji, au mbinu ya kina ya msingi ya ukadiriaji.

Matumizi ya uchanganuzi wa data na AI/ML yameenea sana katika muundo wa hatari za mikopo. Mbinu za kitamaduni, kama vile mbinu za takwimu na alama za mikopo, zimeongezwa kwa mbinu za hali ya juu zaidi zinazoweza kushughulikia vyema uhusiano usio na mstari na kutambua vipengele fiche katika data. Data ya ukopeshaji wa wateja, demografia, fedha, ajira na tabia zote zinaweza kujumuishwa katika miundo ili kuboresha uwezo wao wa kutabiri. Katika ukopeshaji wa biashara, ambapo hakuna alama za kawaida za mkopo, wakopeshaji wanaweza kutumia vipimo vya faida ya biashara kutathmini ubora wa mikopo. Mbinu za kujifunza mashine pia zinaweza kutumika kupunguza ukubwa ili kujenga miundo sahihi zaidi.

Athari ya usumbufu

Kwa utekelezaji wa kielelezo cha hatari ya mikopo cha AI, ukopeshaji wa watumiaji na biashara unaweza kuajiri mifano sahihi zaidi na dhabiti ya ukopeshaji. Mitindo hii huwapa wakopeshaji tathmini bora ya wakopaji wao na kuruhusu soko bora la kukopesha. Mkakati huu ni wa manufaa kwa wakopeshaji wa biashara, kwa kuwa biashara ndogo hazina kigezo cha kutathmini ubora wao wa mikopo kama vile alama za kawaida za mikopo zinavyofanya kazi kwa watumiaji.

Utumizi mmoja unaowezekana wa AI katika muundo wa hatari ya mikopo ni kutumia uchakataji wa lugha asilia (NLP) kuchanganua data ambayo haijaundwa, kama vile ripoti za kampuni na makala za habari, ili kupata taarifa muhimu na kupata uelewa wa kina wa hali ya kifedha ya mkopaji. Matumizi mengine yanayoweza kutumika ni utekelezaji wa AI inayoeleweka (XAI), ambayo inaweza kutoa maarifa katika mchakato wa kufanya maamuzi ya modeli na kuboresha uwazi na uwajibikaji. Hata hivyo, kutumia AI katika muundo wa hatari ya mikopo pia huibua wasiwasi wa kimaadili, kama vile upendeleo unaowezekana katika data inayotumiwa kufunza miundo na hitaji la kufanya maamuzi kuwajibika na kueleweka.

Mfano wa kampuni inayochunguza matumizi ya AI katika hatari ya mikopo ni Spin Analytics. Uanzishaji hutumia AI kuandika kiotomatiki ripoti za udhibiti wa mifano ya hatari ya mikopo kwa taasisi za fedha. Mfumo wa kampuni, RiskRobot, husaidia benki kujumlisha, kuunganisha, na kusafisha data kabla ya kuichakata ili kuhakikisha kwamba zinafuata kanuni katika maeneo mbalimbali, kama vile Marekani na Ulaya. Pia huandika ripoti za kina kwa wadhibiti ili kuhakikisha usahihi. Kuandika ripoti hizi kwa kawaida huchukua miezi 6-9, lakini Spin Analytics inadai inaweza kupunguza muda huo hadi chini ya wiki mbili. 

Maombi ya muundo wa hatari wa mkopo wa AI

Baadhi ya matumizi ya muundo wa hatari ya mkopo wa AI yanaweza kujumuisha:

• Benki zinazotumia AI katika modeli za hatari za mikopo ili kupunguza kwa kiasi kikubwa muda na juhudi zinazohitajika ili kutoa ripoti za kina, kuruhusu taasisi za fedha kuzindua bidhaa mpya kwa haraka zaidi na kwa gharama ya chini.
• Mifumo inayoendeshwa na AI inatumika kuchanganua idadi kubwa ya data kwa haraka na kwa usahihi zaidi kuliko wanadamu, na hivyo kusababisha tathmini sahihi zaidi za hatari.
• Watu wengi zaidi 'wasio na benki' au 'walio chini ya benki' na biashara katika ulimwengu unaoendelea wanaopata ufikiaji wa huduma za kifedha kwani zana hizi mpya za uigaji hatari za mikopo zinaweza kutumika kubainisha na kutumia alama za msingi za mikopo kwenye soko hili ambalo halijalipwa.
• Wachambuzi wa kibinadamu wakifunzwa kutumia zana zinazotegemea AI ili kupunguza hatari ya makosa.
• Mifumo ya kijasusi Bandia inatumika kugundua mifumo ya shughuli za ulaghai, kusaidia taasisi za fedha kupunguza hatari ya mikopo ya ulaghai au maombi ya mikopo.
• Kanuni za ujifunzaji wa mashine zikifunzwa kwenye data ya kihistoria ili kufanya ubashiri kuhusu hatari ya siku zijazo, kuruhusu taasisi za fedha kudhibiti kwa makini uwezekano wa kufichua hatari.

Maswali ya kutoa maoni

• Je, unaamini kuwa biashara zinapaswa kutumia kipimo gani ili kuainisha sifa zao za kustahili mikopo?
• Je, unaonaje AI ikibadilisha jukumu la wachambuzi wa hatari za mikopo ya binadamu katika siku zijazo?