تطوير نموذج المخاطر – الجيل القادم

في عالم الخدمات المالية حيث تعد إدارة المخاطر أمرًا بالغ الأهمية، رأينا جميعًا أن الذكاء الاصطناعي والتعلم الآلي يغيران المشهد بسرعة. في الواقع، مؤخرا

استطلاع أجراه بنك إنجلترا وهيئة السلوك المالي كشفت (FCA) ذلك
72% من الشركات المالية في المملكة المتحدة تستخدم بالفعل أو تطور تطبيقات الذكاء الاصطناعي/التعلم الآلي، وهذا الاتجاه يتسارع بوتيرة مذهلة، مع
من المتوقع أن يرتفع متوسط ​​عدد تطبيقات تعلم الآلة بمقدار 3.5 مرات في السنوات الثلاث المقبلة. هذا النمو ليس مفاجئًا - فنماذج الذكاء الاصطناعي/التعلم الآلي تحمل وعدًا بإطلاق العنان للرؤى من كميات هائلة من البيانات، وتمكين المؤسسات المالية
لاتخاذ قرارات أكثر ذكاءً واستنارة، وتعزيز استراتيجيات إدارة المخاطر الخاصة بهم. 

تتوافق نتائج الاستطلاع مع الملاحظات التي أدليت بها خلال عملي مع مؤسسات الخدمات المالية في المملكة المتحدة. على الرغم من أنني وجدت أن التقدم نحو منهجيات الذكاء الاصطناعي/تعلم الآلة أكثر تقدمًا داخل بنوك التكنولوجيا المالية وتشالنجر،
على عكس High Street Banks، قد لا تعاني من قيود فعلية بسبب الأنظمة القديمة أو القيود المتصورة المتعلقة بحالة IRB الخاصة بها. 

عادةً ما تقوم شركات التكنولوجيا المالية وبنوك تشالنجر بتوظيف علماء بيانات بارعين في التكنولوجيا ولديهم فهم عميق لمجموعة من التقنيات المتقدمة البديلة المتاحة. وفي الوقت نفسه، لا تزال البنوك الكبرى تتمتع بميزة كبيرة من حيث الخبرة
والبيانات. لديهم عقود من الخبرة في بناء نماذج الائتمان، ووضعوا معايير لتطوير النماذج، ولديهم فهم شامل للبيانات الأساسية.  

والسؤال الآن هو ما إذا كانت المبادئ التي يقوم عليها تطوير النماذج التقليدية تظل ذات صلة كاملة بالجيل الجديد من النماذج التي تعمل بالذكاء الاصطناعي والتي يتم استخلاصها رياضيا بطريقة مختلفة تماما.  

تطوير النموذج: التقليدي مقابل الذكاء الاصطناعي/تعلم الآلة

لقد التزم تطوير بطاقة الأداء التقليدية منذ فترة طويلة بتصميم العينة الدقيق، مما يضمن أن تكون الطلبات أثناء نافذة العينة مستقرة وتعكس المقترحات التي تم تلقيها مؤخرًا. وهو أمر نموذجي بالنسبة لمؤشرات أو خصائص الاستقرار السكاني
يجب حساب مؤشرات الاستقرار وإجراء تحقيق تفصيلي لأي أنماط تتجاوز التوقعات المعقولة للتغير الموسمي. يعتمد هذا النهج على فكرة وجود نموذج تطوير مخصص مصمم خصيصًا ليناسب مجموعة سكانية محددة
يخدم. يعتبر التركيب أو المزيج القطاعي وخصائصه عاملاً رئيسياً في مدى ملاءمة عينة تطوير النموذج.

ومن المثير للاهتمام أننا كثيرًا ما نرى أن نماذج الذكاء الاصطناعي/التعلم الآلي تظهر درجة كبيرة من التعلم المتبادل. هذا هو المكان الذي تعرض فيه النماذج أداءً أقوى عندما يتم توسيع عينة التدريب لتشمل ملاحظات إضافية قد لا يتم أخذها في الاعتبار تقليديًا
ذات الصلة مباشرة. على سبيل المثال، نرى أداءً فائقًا من النماذج التي تم تدريبها على نافذة عينة موسعة مقابل النماذج المكافئة التي تم تحسينها في فترة تتماشى ببساطة مع عينة الاختبار المستقلة. من غير المرجح أن يحدث هذا باستخدام النماذج الخطية!

ويمكن رؤية نتائج مماثلة عند إضافة شرائح أو مجموعات متجاورة إلى عينات التدريب. في الواقع، تزدهر نماذج الذكاء الاصطناعي/التعلم الآلي عند تطويرها بناءً على مجموعات بيانات كبيرة ومتنوعة. سيكون لهذه الظواهر آثار على تصميم العينة واختيار الاستثناءات داخلها
التطورات النموذجية للمستقبل، وربما إعادة كتابة الحكمة التقليدية.

وبالمثل، فقد أدرجت العديد من تطورات بطاقات الأداء الائتماني التجزئة، حيث يتم بناء نموذج لكل عدد من المجموعات السكانية الفرعية (على سبيل المثال، ملف رفيع / ملف سميك، نظيف / متسخ). وتتمثل فائدة هذا النهج في أنه من خلال بناء نماذج متعددة، يمكن لبعضها
يمكن التقاط اللاخطية. وبطبيعة الحال، لا يكون اختيار التجزئة واضحًا دائمًا ومن غير المرجح أن يكون الأمثل، ومع ذلك يتم تحقيق بعض التحسينات في الأداء. نظرًا لأن نماذج الذكاء الاصطناعي/التعلم الآلي مبنية على قدرتها على التقاط اللاخطية، فهناك
هناك حاجة محدودة للنماذج المجزأة هنا، ما لم تكن هناك اختلافات جوهرية في بنية البيانات. ولذلك، فإن نماذج الذكاء الاصطناعي/التعلم الآلي أكثر تعقيدًا، وينبغي أن تكون هناك حاجة لعدد أقل منها.

هناك مجال آخر يتم التركيز عليه في تطوير بطاقة الأداء التقليدية وهو عملية الانتقال من التصنيف الدقيق إلى التصنيف الخشن. بموجب هذا يسعى المصمم إلى تقسيم البيانات المستمرة بشكل فعال إلى عدة مجموعات ترتيبية بحيث يظهر المعدل السيئ الأساسي منطقيًا
التقدم ويستند إلى حجم كاف لإعطاء نتيجة موثوقة. تلغي المنهجيات المتقدمة ضمن نماذج الذكاء الاصطناعي/التعلم الآلي الحاجة إلى التصنيف الدقيق إلى الخشن حيث يتم تحقيق التجميع من خلال المنهجية الأساسية، مما يؤدي إلى إنشاء ملفات تعريف استجابة سلسة
بدلاً من أن يتم تجاوز التغييرات التدريجية التي تظهر على أنها حدود سمات بطاقة الأداء. علاوة على ذلك، تتضمن العديد من إجراءات التدريب الآن خيار إضافة قيود لضمان أن يكون للميزات تأثير منطقي على تنبؤات النموذج.

مع تصاعد موجة تطوير نماذج الذكاء الاصطناعي/التعلم الآلي في السنوات المقبلة، يعد الدمج بين المعرفة العميقة ببيانات الائتمان الأساسية والمنهجية المتقدمة أمرًا أساسيًا. وبينما تنشأ تحديات جديدة في هذا الجيل الجديد من النماذج، مثل التحيز غير المقصود وقابلية التفسير،
وسوف تصبح المخاوف التاريخية أقل أهمية.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs