Возможности инструментов на основе искусственного интеллекта меняют ландшафт финансовых сервисов. Вместе с экспертами компании «Финтех-Маркет» рассмотрим эволюцию технологий в финансах и вопрос внедрения ИИ в скоринговые системы — как скоринг из инструмента предварительной проверки стал важным компонентом целой экосистемы управления рисками.
Скоринг — это оценка кредитоспособности заёмщика. В финансовых организациях скоринг прошёл путь от «визуальной» и ручной оценки к системам, которые анализируют тысячи признаков в реальном времени и помогают принимать кредитные решения почти без участия человека. Сейчас учитываются не только статические данные, но и поведение клиента, транзакционная активность, цифровые следы и многие другие факторы.
Эволюция технологий в финансах
В Вавилоне деловые дома выдавали займы ещё в VII веке до нашей эры, а греческие менялы принимали вклады в V-VI веках. Это было зарождением банковской сферы. Сотни лет назад не было централизованных систем, позволяющих получить свои деньги или перевести их в другом отделении своего же банка («Где открывали вклад, туда и идите!»). В XII веке курьеры на кораблях и лошадях могли доставить информацию о счёте клиента, на что уходили недели.
Расчёты вели вручную с использованием абака (счётов), затем счётных досок или столов — по разлинованной доске перемещали металлические жетоны. От ошибок уберегала двойная запись.
В конце XIX века специалисты начали использовать суммирующую машину Берроуза, затем — с 1920-х годов в ход пошли табуляторы, работающие на перфокартах, для автоматизации рутинных расчётов.
Герман Холерит с табулятором в 1890 году. С помощью построенных Холеритом машин провели перепись населения Российской Империи 1897 года. Созданная им компания в ходе слияний и поглощений стала основой IBM.
Во второй половине XX века началась компьютеризация, повлиявшая на все сферы жизни человека. В числе первых пользователей компьютерных технологий были самые крупные и богатые организации, в том числе банки. В 1950-х годах Bank of America внедрил компьютерные системы ERMA (Electronic Recording Machine, Accounting) для бухгалтерского учёта и обработки чеков. В тот момент в ходу были чековые книжки: владелец писал имя контрагента, ставил свою подпись, а получатель мог обналичить чек в банка или перевести деньги на свой счёт. В течение рабочего дня в отделении могло поступить несколько тысяч чеков, и для их обработки приходилось закрываться уже днём.
В 1959 году появилась первая серийная версия компьютера ERMA, после чего ей оснастили все отделения. Скорость обработки чеков, подписанных магнитными чернилами, вышла на новый уровень.
Ранний чек, демонстрирующий возможности системы ERMA. Источник.
Провода внутри ERMA. Источник.
В 1980-е годы началась новая эра — эра экспертных систем. Их начали создавать как ответвление от исследований в области искусственного интеллекта. Концепция заключается в том, что программисты используют знания реальных специалистов в конкретной области и закладывают их в базу знаний компьютера. Таким образом компьютер сам становится «экспертом» и может консультировать пользователя. Многие скептично отнеслись к этому нововведению. Системы создавали в том числе для финансового анализа и для одобрения кредитов.
Уже тогда возникла проблема с галлюцинациями ИИ: системы, работающие на основании введённых в них жёстких правил, было сложно менять, но они легко начинали выдумывать информацию, если не имели чёткого ответа на вопрос.
Журнал Popular Science. Источник.
В 2000‑е годы банки массово начали внедрять методы машинного обучения для анализа транзакций. Это стало ответом на резкий рост электронного мошенничества. Фильм «Крепкий орешек 4.0» сняли в тот же период — в 2007 году, он предвосхитил и описал возможности, которые открываются перед хакерами в связи с цифровизацией. Задачей систем на основе машинного обучения было оперативно обнаруживать аномалии, то есть поведение, не соответствующее профилю клиента.
ML и искусственный интеллект, как и многие другие технологии в банковской сфере, используют для автоматизации рутинных задач. В 2017 году американский инвестиционный банк JPMorgan Chase внедрил систему, позволяющую сэкономить юристам 360 000 рабочих часов в год – система Coin проводит анализ кредитных договоров за секунды, при этом не допускает ошибки. А в россии в 2010-х активно развивали системы противодействия отмыванию денег.
Зачем нужен скоринг
Скоринг – это оценка кредитоспособности заёмщика. Этот процесс также прошёл долгую эволюцию от ручного труда до автоматизации. В 1930-е годы, во время Великой депрессии в США, задачей банка было выдать как можно больше кредитов тем людям, которые будут платить, и свести риски неоплаты к минимуму. Профессия кредитного менеджера-аналитика высоко ценилась. После вступления страны в Вторую мировую войну часть таких специалистов уходила на фронт, оставляя свои знания в виде правил: так, чтобы любой человек мог с достаточной вероятностью определять кредитоспособность заявителя.
Первая компьютерная скоринговая модель появилась в 1950-е годы. Американская компания Fair Isaac Company (FICO) продала свою модель в 1958 году. К 2000-м подобные системы внедрили 90% всех банков мира. Они основаны на математических моделях и статистических методах, и их задача – дать прогноз вероятности возврата клиентом кредита в срок.
Скоринг использует такие данные, как:
- Личные и анкетные данные. Это возраст, семейное положение, образование, профессия, стаж, адрес проживания.
- Доход и занятость. Место работы, размер и стабильность дохода, участие в зарплатном проекте.
- Кредитная история. Были ли просрочки, как часто заявитель обращался за займами, какую кредитную нагрузку имеет.
- Внутренние банковские данные, если человек является клиентом конкретного банка (или МФО).
- Внешние источники. Сведения о налогах, алиментах, долгах по ЖКХ, информация из бюро кредитных историй.
Внедрение ИИ
Технологии машинного обучения усилили скоринг, но не заменили его. Банки продолжали использовать анкеты и кредитную историю, добавив к процессу больше факторов и частично автоматизировав его. Машинное обучение стало промежуточным этапом между классическим скорингом на основе точного списка правил и современными нейросетевыми моделями.
Изначально жёсткие правила, по которым действовали скоринговые модели (этим они похожи на экспертные системы из 1980-х) вскоре заменили динамичные модели, построенные на базе разработок в сфере искусственного интеллекта. Одним из факторов, позволивших применить новый подход, стал экспоненциальный рост транзакционных, поведенческих и внешних данных клиентов. Нейросети требуют больше данных и вычислительных ресурсов, а также квалифицированных специалистов. Алгоритм получил способность выделять значимые признаки и находить нелинейные связи, чтобы повышать точность прогноза вероятности дефолта.
Скоринговые системы не только дают прогноз по возврату займа конкретным заёмщиком, но и помогают проводить эксперименты. Такой подход использует IT-компания «Финтех-Маркет», запустившая платформу финансового программного обеспечения. При недостаточной уверенности в платёжеспособности в теории можно дать отказ, а можно предложить клиенту небольшую сумму, после чего проследить за её возвратом. При удачном результате эксперимента можно увеличить кредитный лимит или предложить больший займ или более выгодные условия.
Внедрении ИИ-скоринга проходит в несколько этапов. Первый – аудит и подготовка данных. ИТ-команда с привлечением кредитных специалистов оценивает полноту и доступность исторических данных, исправляет ошибки и перекосы. Затем подбирают алгоритм и дополняют его с помощью ИИ, способного работать не только с табличными данными, но и с неструктурированной информацией. Исторические данные используют на следующем этапе для тестирования и валидации модели. Важно сравнить, лучше ли новая модель прогнозирует платёжеспособность клиента или работает хуже уже действующей. В рамках пилотного запуска к рассмотрению берут не все заявки, поступающие в банк или МФО, а лишь часть из них – развернуть тестирование можно, к примеру, на одном регионе. После удачного пилота систему начинают интегрировать в бизнес-процесс, отслеживая результаты и, при необходимости, внося изменения.
Итог
ИИ в скоринге встроился в логику существующего подхода к данному процессу, сделав её более точной и гибкой. На смену жёстким правилам и ограниченным данным пришли системы, способные отслеживать большое количество параметров в реальном времени. Финансовые организации перешли к полноценному управлению качеством кредитного портфеля. Для клиентов это изменение привело к возможности ещё более быстро получать ответы на свои заявки.