Στον κόσμο των χρηματοοικονομικών υπηρεσιών όπου η διαχείριση κινδύνου είναι πρωταρχικής σημασίας, όλοι έχουμε δει την τεχνητή νοημοσύνη και τη μηχανική μάθηση να μεταμορφώνουν γρήγορα το τοπίο. Μάλιστα, ένα πρόσφατο
έρευνα από την Τράπεζα της Αγγλίας και την Αρχή Χρηματοοικονομικής Συμπεριφοράς (FCA) αποκάλυψε ότι
Το 72% των βρετανικών χρηματοπιστωτικών εταιρειών χρησιμοποιούν ήδη ή αναπτύσσουν εφαρμογές AI/ML, και αυτή η τάση επιταχύνεται με εκπληκτικό ρυθμό, με
ο διάμεσος αριθμός των εφαρμογών ML που προβλέπεται να εκτοξευθεί κατά 3.5 φορές τα επόμενα τρία χρόνια. This growth is not surprising – AI/ML models hold the promise of unlocking insights from vast amounts of data, enabling financial organisations
to make smarter, more informed decisions, and enhance their risk management strategies.
The survey’s findings are consistent with observations that I’ve made through my work with UK financial services institutions. Although, I have found that the progression towards AI/ML methodologies is more advanced within Fintech and Challenger Banks that,
unlike the High Street Banks, may not suffer from actual limitations due to legacy systems or perceived limitations relating to their IRB status.
Fintechs and Challenger Banks have typically recruited tech-savvy data scientists with deep understandings of the array of alternative advanced techniques that are available. Meanwhile, major banks still hold a significant advantage in terms of experience
and data. They have decades of experience in building credit models, have established model development standards, and have a thorough understanding of the underlying data.
Το ερώτημα τώρα είναι εάν οι αρχές που στηρίζουν την ανάπτυξη των παραδοσιακών μοντέλων παραμένουν εξ ολοκλήρου σχετικές με τη νέα γενιά μοντέλων που λειτουργούν με τεχνητή νοημοσύνη, τα οποία προέρχονται μαθηματικά με εντελώς διαφορετικό τρόπο.
Ανάπτυξη μοντέλου: Παραδοσιακό VS AI/ML
Traditional scorecard development has long adhered to meticulous sample design, ensuring that the applications during the sample window are both stable and reflective of proposals most recently received. It is typical for Population Stability Indices or Characteristics
Stability Indices to be calculated, and for a detailed investigation of any patterns that extend beyond reasonable expectations of seasonal variation. This approach hinges on the notion of a bespoke development sample tailored to the specific population it
serves. The composition or segmental mix and its specificity is seen as a key factor in the suitability of the model development sample.
Interestingly, we often see that AI/ML models exhibit a significant degree of cross-learning. This is where models display stronger performance when the training sample is extended to include additional observations that might not traditionally be considered
directly relevant. For example, we see superior performance from models trained on an expanded sample window versus equivalent models optimised on a period that simply aligns to the independent test sample. This is unlikely to happen using linear models!
Similar findings can be seen when adjacent segments or groups are added to the training samples. Indeed, AI/ML models thrive when developed upon large and diverse data sets. These phenomena will have implications for sample design and choice of exclusions within
model developments of the future, potentially rewriting conventional wisdom.
Similarly, many credit scorecard developments have incorporated segmentation, whereby a model is built for each of a number of sub-populations (eg. Thin File / Thick File, Clean / Dirty). The benefit of this approach is that, by building multiple models, some
non-linearity can be captured. Of course, the choice of segmentation is not always obvious and is unlikely to be optimal, however some performance uplifts are achieved. Given that AI/ML models are built because of their ability to capture non-linearity, there
is limited need for segmented models here, unless there are fundamental differences in data structure. Therefore, AI/ML models are more complex, fewer of them should be required.
Another area of focus within traditional scorecard development is the process of moving from fine-to-coarse classing. Hereby the modeller seeks to effectively divide continuous data into several ordinal groups so that the underlying bad rate shows a logical
progression and is based on sufficient volume to give a reliable result. Advanced methodologies within AI/ML models eliminate the need for fine-to-coarse classing as the grouping is achieved by the underlying methodology, generating smooth response profiles
rather than the step-changes seen as scorecard attribute boundaries are crossed. Furthermore, many training routines now include the option to add constraints to ensure features have a logical impact on the model predictions.
As the wave of AI/ML model development surges in the coming years, a fusion of deep knowledge of underlying credit data and advanced methodology is key. While new challenges arise in this new generation of models, such as unintended bias and explainability,
historical concerns will become less relevant.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs
- :έχει
- :είναι
- :δεν
- :που
- a
- ικανότητα
- επιταχύνοντας
- επιτευχθεί
- πραγματικός
- προσθέτω
- προστιθέμενη
- Πρόσθετος
- τηρήθηκε
- γειτονικός
- προηγμένες
- Πλεονέκτημα
- Τροφοδοτείται από AI
- AI / ML
- Ευθυγραμμίζει
- Όλα
- ήδη
- εναλλακτική λύση
- Αν και
- πάντοτε
- Ποσά
- an
- και
- κάθε
- εφαρμογές
- πλησιάζω
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- σηκώνομαι
- Παράταξη
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή Νοημοσύνη και Εκμάθηση Μηχανών
- AS
- At
- διαθέσιμος
- Κακός
- Τράπεζα
- Τράπεζα της Αγγλίας
- Τράπεζες
- βασίζονται
- BE
- επειδή
- γίνονται
- όφελος
- προπαραγγελία
- Πέρα
- προκατάληψη
- και οι δύο
- όρια
- Κτίριο
- χτισμένο
- by
- υπολογίζεται
- CAN
- πιάνω
- συλλαμβάνονται
- διεκδικητής
- Challenger Banks
- προκλήσεις
- χαρακτηριστικά
- επιλογή
- καθαρός
- CO
- ερχομός
- εντελώς
- συγκρότημα
- σύνθεση
- Πιθανά ερωτήματα
- Διεξαγωγή
- θεωρούνται
- συνεπής
- περιορισμούς
- συνεχής
- συμβατικός
- πορεία
- μονάδες
- Crossed
- ημερομηνία
- σύνολα δεδομένων
- δεκαετίες
- αποφάσεις
- βαθύς
- Πτυχίο
- Συμπληρωματικός
- Υπηρεσίες
- λεπτομερής
- αναπτύχθηκε
- ανάπτυξη
- Ανάπτυξη
- εξελίξεις
- διαφορές
- διαφορετικές
- κατευθείαν
- Display
- διάφορα
- διαιρούν
- δυο
- κατά την διάρκεια
- κάθε
- αποτελεσματικά
- την εξάλειψη
- ενεργοποίηση
- Αγγλία
- ενίσχυση
- εξασφαλίζω
- εξασφαλίζοντας
- Ισοδύναμος
- εγκατεστημένος
- παράδειγμα
- έκθεμα
- επεκτάθηκε
- προσδοκίες
- εμπειρία
- Επεξήγηση
- επεκτείνουν
- επεκτάθηκε
- γεγονός
- παράγοντας
- FCA
- Χαρακτηριστικά
- λιγότερα
- Αρχεία
- οικονομικός
- Οικονομική Συμπεριφορά
- των χρηματοπιστωτικών υπηρεσιών
- ευρήματα
- Finextra
- fintech
- επιχειρήσεις
- Συγκέντρωση
- Για
- Βρέθηκαν
- από
- θεμελιώδης
- Επί πλέον
- συγχώνευση
- μελλοντικός
- παραγωγής
- γενεά
- Δώστε
- δεδομένου
- Ομάδα
- Ανάπτυξη
- συμβαίνω
- Έχω
- εδώ
- Ψηλά
- μεντεσέδες
- ιστορικών
- κρατήστε
- Ωστόσο
- HTTPS
- i
- Επίπτωση
- επιπτώσεις
- in
- περιλαμβάνουν
- Συσσωματωμένος
- ανεξάρτητος
- Δείκτες
- ενημερώνεται
- ιδέες
- ιδρυμάτων
- Νοημοσύνη
- σε
- έρευνα
- IT
- ΤΟΥ
- jpg
- Κλειδί
- παράγοντας κλειδί
- γνώση
- τοπίο
- large
- μάθηση
- Κληροδότημα
- μείον
- περιορισμούς
- Περιωρισμένος
- λογικός
- Μακριά
- μηχανή
- μάθηση μηχανής
- που
- μεγάλες
- κάνω
- διαχείριση
- πολοί
- Μαθηματικά
- Ενδέχεται..
- Εν τω μεταξύ,
- μεθοδολογίες
- Μεθοδολογία
- λεπτολόγος
- ενδέχεται να
- μείγμα
- ML
- μοντέλο
- μοντέλα
- περισσότερο
- πλέον
- κίνηση
- πολλαπλούς
- my
- Ανάγκη
- Νέα
- επόμενη
- Εννοια
- τώρα
- αριθμός
- παρατηρήσεις
- Εμφανή
- of
- συχνά
- on
- βέλτιστη
- Βελτιστοποιημένο
- Επιλογή
- or
- Οργανισμοί
- Ειρήνη
- κυρίαρχος
- πρότυπα
- γινεται αντιληπτο
- επίδοση
- περίοδος
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- πληθυσμός
- ενδεχομένως
- Προβλέψεις
- αρχές
- διαδικασια μας
- προφίλ
- εξέλιξη
- προβλέπεται
- υπόσχεση
- Προτάσεις
- ερώτηση
- ταχέως
- Τιμή
- μάλλον
- λογικός
- έλαβε
- πρόσφατος
- πρόσφατα
- αξιόπιστος
- παραμένουν
- απαιτείται
- απάντησης
- αποτέλεσμα
- Αποκαλυφθε'ντα
- επανεγγραφή
- Κίνδυνος
- διαχείριση των κινδύνων
- επιστήμονες
- πίνακας βαθμολογίας
- εποχιακός
- δείτε
- Επιδιώκει
- δει
- κατάτμηση
- τμήματα
- εξυπηρετεί
- Υπηρεσίες
- Σέτς
- διάφοροι
- θα πρέπει να
- Δείχνει
- σημαντικός
- απλά
- υψούμαι ταχέως
- εξυπνότερα
- εξομαλύνουν
- So
- μερικοί
- συγκεκριμένες
- εξειδίκευση
- σταθερότητα
- σταθερός
- πρότυπα
- Κατάσταση
- Ακόμη
- στρατηγικές
- δρόμος
- ισχυρότερη
- δομή
- τέτοιος
- επαρκής
- επιτηδειότητα
- ανώτερος
- Υπερθέρμανση
- εκπληκτικός
- Έρευνες
- συστήματα
- επειξειργασμένος από ραπτήν
- τεχνικές
- όροι
- δοκιμή
- από
- ότι
- Η
- Το μέλλον
- Το τοπίο
- ο κόσμος
- τους
- Τους
- Εκεί.
- επομένως
- Αυτοί
- αυτοί
- αυτό
- τρία
- Ευδοκιμούν
- Μέσω
- φορές
- προς την
- προς
- παραδοσιακός
- παραδοσιακά
- εκπαιδευμένο
- Εκπαίδευση
- μετασχηματίζοντας
- τάση
- τυπικός
- συνήθως
- Uk
- υποκείμενες
- υποστηρίζω
- κατανόηση
- διαφορετικός
- απίθανος
- ξεκλειδώματος
- επάνω σε
- χρησιμοποιώντας
- Σταθερή
- Ve
- Εναντίον
- τόμος
- vs
- WAVE
- Τρόπος..
- we
- πότε
- αν
- Ποιό
- ενώ
- όλως
- θα
- παράθυρο
- σοφία
- με
- εντός
- Εργασία
- κόσμος
- χρόνια
- zephyrnet