استفاده از هوش مصنوعی در اعتبارسنجی ها

به گزارش سیتنا، مصطفی سراج، در دومین روز از همایش بانکداری نوین و نظام‌های پرداخت، در ارائه‌ای درباره به‌کارگیری هوش مصنوعی در ارزیابی ریسک اعتباری مشتریان مبتنی بر داده‌های جایگزین صحبت کرد.

سراج با اشاره به اینکه ما در موضوع اعتبارسنجی، با چند مسئله مواجهیم، گفت: «منابع داده محدود است. حدود ۲۵ تا ۳۰ درصد از مردم تاکنون به وام دسترسی داشته‌اند. در جوامع دیگر هم این وضعیت را داریم. بسیاری از مردم در کشورهای کمتر توسعه‌یافته حتی دسترسی به حساب بانکی هم ندارند. کشور ما این‌طور نیست؛ ولی در بحث وام دسترسی محدودی وجود دارند.»

او در ادامه عنوان کرد: «ما تجارب جالبی در مورد اعتبارسنجی شرکت‌هایی که در حوزه دیتای اعتباری فعالیت می‌کنند داریم. اعتبارسنجی در کشور توسط بانکداری سنتی انجام می‌شود که فرایندی طولانی است. این فرایند مبتنی بر ضامن و مدارک سخت است؛ اما تجربه ما این است که نیازی به اینها نیست و بدون آنها هم می‌توان کار کرد.»

سراج درباره نمره‌دهی اعتباری خاطرنشان کرد: «مهم‌ترین کاری که نمره‌دهی اعتباری باید انجام دهد این است که ریسک نکول را کاهش دهد. یکی از چالش‌های نمره‌دهی اعتباری این است که ممکن است در رد کردن برخی مشتریان اشتباه تشخیص دهد و ازاین‌رو، فرصت فروش از دست می‌رود. یکی از کلاهبرداری‌ها در بانکداری سنتی این است که ممکن است تبانی صورت بگیرد، اما در بانکداری مدرن و دیجیتال چنین مدلی از کلاهبرداری غیرممکن است. در مناطقی که سواد مالی پایین است، گروهی که می‌توانند وام بگیرند سوءاستفاده می‌کنند و به نام شخصی دیگر وام می‌گیرند که البته تعداد آنها کم است.»

او در ادامه بیان کرد: «مسئله کلان این است که اگر نرخ نکول بالا رود سیستم را دچار اختلال می‌کند و این موضوع مهمی است. ارزش بازار هوش مصنوعی در بانکداری جهانی حدود یک تریلیون دلار است. بر اساس شمولیت مالی برآورد می‌شود ۱.۵ میلیارد نفر در جهان به خدمات بانکی دسترسی ندارند. ما در دیجی‌کالا دسترسی به تراکنش‌های آنلاین افراد داریم. دسترسی بانک‌ها به این مورد بیشتر است. یکی از منابع قوی ارزیابی رتبه اعتباری می‌تواند این تراکنش‌ها باشد.»

سراج درباره سایر روش‌های اعتبارسنجی و تاریخچه آن گفت: «بحث کار و رفتار فرد در شبکه‌های اجتماعی در برخی کشورها برای اعتبارسنجی استفاده می‌شود (مثل چین). از ابتدا که صنعت بانکی بوده، اعتبارسنجی هم بوده است. بر اساس رفتار اعتباری افراد این کار انجام می‌شد. از سال ۱۹۵۰ به بعد روش‌های آماری مورد استفاده قرار گرفتند که از جمله کارت‌های اعتباری هستند. با آمدن کامپیوتر و بانکداری الکترونیک روش‌های آماری هم اتوماتیک شد. با آمدن اینترنت مسیر جدیدی در نمره‌دهی مطرح شد که استفاده از داده‌های جایگزین برای اعتبارسنجی بود؛ یعنی همه داده‌ها غیر از داده اعتباری افراد. روش‌های یادگیری ماشینی نیز بعدها توسعه پیدا کرد.»

او در ادامه عنوان کرد: «هوش مصنوعی بعدها آمد که می‌تواند دقت، کارایی و سرعت را بالا ببرد و در شمولیت مالی کمک کند. نسخه اولیه مدل‌های نمره‌دهی، روش کارت امتیازی است که رتبه‌بندی ایرانی‌ها هم به این شکل است. ۳۵ درصد بر اساس تاریخچه پرداخت، ۳۰ درصد بدهی، ۱۵ درصد تاریخچه اعتباری فرد، ۱۰ درصد اینکه بار اول است وام می‌گیرد یا نه و بخشی دیگر اینکه از اعتبارهای دیگر استفاده کرده یا نه تشکیل شده است.»

سراج درباره وضعیت خوش‌حساب بودن کاربران اظهار کرد: «۳۵ درصد از افراد در کشور قابلیت این را دارند که پول اعتبار دریافتی خود را پس ندهند. ما بارها این کار را در دیجی‌کالا امتحان کرده‌ایم. نرخ نکول در کشور بالاست. تنها ۶۵ درصد بدون دریافت چک، پول را برمی‌گردانند.»

او در ادامه عنوان کرد: «مسئله دیگر مربوط به رگولاتوری است. دسترسی داده‌های ما محدود است و داده‌هایی که از سمت مراکز داده دریافت می‌کنیم کم است. رگولاتور خیلی به این موضوع اهمیت نمی‌دهد که حضور سایر بازیگران می‌تواند کار را بهبود بخشد. ۳۰ درصد از اعتبارهایی که داده‌ایم در مناطق محروم بوده و این مشتریان نرخ نکول پایینی هم دارند. هر چه رگولاتور نسبت به این موضوع واقف شود که حضور بازیگران جدید در اعتبارسنجی می‌تواند به سیاست‌ها و اهداف آن هم کمک کند، به بهبود این وضعیت کمک می‌کند.»

سراج درباره استفاده از هوش مصنوعی در اعتبارسنجی گفت: «توضیح‌پذیری مدل‌های هوش مصنوعی یکی از چالش‌های ماست. یکی از قابلیت‌های استفاده از هوش مصنوعی تأیید اعتبار است. یکی دیگر از کارایی‌های آن، قیمت‌گذاری وام است که ما این مورد را در کشور نداریم. اگر با نرخ‌های مختلف وام ارائه شود، شمولیت مالی هم افزایش می‌یابد. زمانی که رگولاتور نرخ را مشخص می‌کند، به افرادی که نرخ نکول دارند وام داده نمی‌شود.»

او با اشاره به اینکه ما در دیجی‌کالا ابتدا فقط داده‌های تراکنش را داشتیم، خاطرنشان کرد: «در ابتدای راه مجبور بودیم تا حدودی نرخ نکول را تحمل کنیم. خوش‌حساب بودن مشتریان به‌مرور مشخص می‌شود. اینکه افراد از دیجی‌کالا چه چیزی می‌خرند، عادت رفتاری و زمان خرید نیز برای ما اهمیت دارد. باتوجه‌به اینکه دیجی‌پی، سوپراپلیکیشن هم داشت، به افرادی که روی آن هم فعالیت داشتند هم اعتبار دادیم.»

انتهای پیام