AI کریڈٹ رسک ماڈلنگ: کریڈٹ رسک آپریشنز کو ہموار کرنا

• مصنف:
• مصنف کا نام

  Quantumrun دور اندیشی
• فروری ۲۰۱۹،۲۶

کریڈٹ رسک ماڈلنگ کا مسئلہ کئی دہائیوں سے بینکوں کو پریشان کر رہا ہے۔ مشین لرننگ اور مصنوعی ذہانت (ML/AI) سسٹمز شامل ڈیٹا کا تجزیہ کرنے اور زیادہ متحرک، زیادہ درست ماڈل فراہم کرنے کے لیے نئے طریقے پیش کرتے ہیں۔

AI کریڈٹ رسک ماڈلنگ سیاق و سباق

کریڈٹ رسک سے مراد وہ خطرہ ہے جو قرض لینے والا اپنے قرض کی ادائیگیوں میں ڈیفالٹ کرے گا، جس کے نتیجے میں قرض دہندہ کے لیے نقدی کے بہاؤ کا نقصان ہو گا۔ اس خطرے کا اندازہ لگانے اور اس کا انتظام کرنے کے لیے، قرض دہندگان کو پہلے سے طے شدہ امکان (PD)، پہلے سے طے شدہ نمائش (EAD)، اور خسارے میں دیا گیا ڈیفالٹ (LGD) جیسے عوامل کا اندازہ لگانا چاہیے۔ بیسل II کے رہنما خطوط، جو 2004 میں شائع ہوئے اور 2008 میں نافذ ہوئے، بینکنگ انڈسٹری میں کریڈٹ رسک کے انتظام کے لیے ضابطے فراہم کرتے ہیں۔ باسل II کے پہلے ستون کے تحت، کریڈٹ رسک کا حساب معیاری، اندرونی بنیادوں کی درجہ بندی پر مبنی، یا اعلی درجے کی داخلی درجہ بندی پر مبنی نقطہ نظر کا استعمال کرتے ہوئے کیا جا سکتا ہے۔

کریڈٹ رسک ماڈلنگ میں ڈیٹا اینالیٹکس اور AI/ML کا استعمال تیزی سے رائج ہو گیا ہے۔ روایتی نقطہ نظر، جیسے شماریاتی طریقے اور کریڈٹ سکور، کو مزید جدید تکنیکوں کے ذریعے پورا کیا گیا ہے جو غیر لکیری تعلقات کو بہتر طریقے سے سنبھال سکتی ہیں اور ڈیٹا میں موجود خفیہ خصوصیات کی شناخت کر سکتی ہیں۔ صارفین کے قرضے، آبادیاتی، مالی، روزگار، اور طرز عمل کے اعداد و شمار کو ان کی پیشن گوئی کی صلاحیت کو بہتر بنانے کے لیے ماڈلز میں شامل کیا جا سکتا ہے۔ کاروباری قرضے میں، جہاں کوئی معیاری کریڈٹ سکور نہیں ہے، قرض دہندگان کریڈٹ کی اہلیت کا اندازہ لگانے کے لیے کاروباری منافع کی پیمائش کا استعمال کر سکتے ہیں۔ مزید درست ماڈلز بنانے کے لیے مشین لرننگ کے طریقوں کو جہت میں کمی کے لیے بھی استعمال کیا جا سکتا ہے۔

خلل ڈالنے والا اثر

AI کریڈٹ رسک ماڈلنگ کے نفاذ کے ساتھ، صارفین اور کاروباری قرضے زیادہ درست اور متحرک قرض دینے والے ماڈلز کو ملازمت دے سکتے ہیں۔ یہ ماڈل قرض دہندگان کو اپنے قرض دہندگان کا بہتر اندازہ دیتے ہیں اور ایک صحت مند قرضے کی مارکیٹ کی اجازت دیتے ہیں۔ یہ حکمت عملی کاروباری قرض دہندگان کے لیے فائدہ مند ہے، کیونکہ چھوٹے کاروباری اداروں کے پاس اپنی ساکھ کی اہلیت کا اندازہ لگانے کا کوئی معیار نہیں ہے جس طرح صارفین کے لیے معیاری کریڈٹ سکور کام کرتے ہیں۔

کریڈٹ رسک ماڈلنگ میں AI کی ایک ممکنہ ایپلی کیشن نیچرل لینگویج پروسیسنگ (NLP) کا استعمال کر رہی ہے غیر ساختہ ڈیٹا کا تجزیہ کرنے کے لیے، جیسے کمپنی کی رپورٹس اور نیوز آرٹیکلز، متعلقہ معلومات کو نکالنے اور قرض لینے والے کی مالی صورتحال کی گہری سمجھ حاصل کرنے کے لیے۔ ایک اور ممکنہ استعمال قابل وضاحت AI (XAI) کا نفاذ ہے، جو ماڈل کے فیصلہ سازی کے عمل میں بصیرت فراہم کر سکتا ہے اور شفافیت اور جوابدہی کو بہتر بنا سکتا ہے۔ تاہم، کریڈٹ رسک ماڈلنگ میں AI کا استعمال اخلاقی خدشات کو بھی جنم دیتا ہے، جیسے کہ ماڈلز کو تربیت دینے کے لیے استعمال ہونے والے ڈیٹا میں ممکنہ تعصب اور ذمہ دارانہ اور قابل وضاحت فیصلہ سازی کی ضرورت۔

کریڈٹ رسک میں AI کے استعمال کی تلاش کرنے والی کمپنی کی ایک مثال Spin Analytics ہے۔ اسٹارٹ اپ مالیاتی اداروں کے لیے کریڈٹ رسک ماڈلنگ ریگولیشن رپورٹس کو خود بخود لکھنے کے لیے AI کا استعمال کرتا ہے۔ کمپنی کا پلیٹ فارم، RiskRobot، مختلف خطوں، جیسے کہ امریکہ اور یورپ میں ضوابط کی تعمیل کو یقینی بنانے کے لیے ڈیٹا کو پروسیس کرنے سے پہلے جمع کرنے، انضمام کرنے اور اسے صاف کرنے میں بینکوں کی مدد کرتا ہے۔ یہ درستگی کو یقینی بنانے کے لیے ریگولیٹرز کے لیے تفصیلی رپورٹس بھی لکھتا ہے۔ ان رپورٹس کو لکھنے میں عام طور پر 6-9 مہینے لگتے ہیں، لیکن Spin Analytics کا دعویٰ ہے کہ وہ اس وقت کو دو ہفتوں سے بھی کم کر سکتا ہے۔ 

AI کریڈٹ رسک ماڈلنگ کی درخواستیں۔

AI کریڈٹ رسک ماڈلنگ کی کچھ ایپلی کیشنز میں شامل ہو سکتے ہیں:

• تفصیلی رپورٹس تیار کرنے کے لیے درکار وقت اور محنت کو نمایاں طور پر کم کرنے کے لیے کریڈٹ رسک ماڈلنگ میں AI کا استعمال کرتے ہوئے بینک، مالیاتی اداروں کو زیادہ تیزی اور کم قیمت پر نئی مصنوعات لانچ کرنے کی اجازت دیتے ہیں۔
• AI سے چلنے والے سسٹمز کو انسانوں کے مقابلے زیادہ تیزی سے اور درست طریقے سے ڈیٹا کی بڑی مقدار کا تجزیہ کرنے کے لیے استعمال کیا جا رہا ہے، جو ممکنہ طور پر زیادہ درست خطرے کی تشخیص کا باعث بنتا ہے۔
• ترقی پذیر دنیا میں زیادہ 'غیر بینک شدہ' یا 'کم بینک والے' لوگ اور کاروبار مالیاتی خدمات تک رسائی حاصل کر رہے ہیں کیونکہ یہ نئے کریڈٹ رسک ماڈلنگ ٹولز کا استعمال اس غیر محفوظ مارکیٹ میں بنیادی کریڈٹ سکور کو سمجھنے اور لاگو کیا جا سکتا ہے۔
• انسانی تجزیہ کاروں کو غلطیوں کے خطرے کو کم کرنے کے لیے AI پر مبنی ٹولز استعمال کرنے کی تربیت دی جا رہی ہے۔
• مصنوعی ذہانت کے نظام کو دھوکہ دہی کی سرگرمیوں کے نمونوں کا پتہ لگانے کے لیے استعمال کیا جا رہا ہے، جس سے مالیاتی اداروں کو دھوکہ دہی والے قرضوں یا کریڈٹ درخواستوں کے خطرے کو کم کرنے میں مدد ملتی ہے۔
• مستقبل کے خطرے کے بارے میں پیشین گوئیاں کرنے کے لیے مشین لرننگ الگورتھم کو تاریخی اعداد و شمار پر تربیت دی جا رہی ہے، جس سے مالیاتی اداروں کو ممکنہ خطرے کی نمائش کا فعال طور پر انتظام کرنے کی اجازت ملتی ہے۔

تبصرہ کرنے کے لیے سوالات

• آپ کے خیال میں کاروبار کو اپنی ساکھ کی اہلیت کے معیار کے لیے کون سا میٹرک استعمال کرنا چاہیے؟
• آپ مستقبل میں انسانی کریڈٹ رسک تجزیہ کاروں کے کردار کو تبدیل کرنے والے AI کا تصور کیسے کرتے ہیں؟