توسعه مدل ریسک - نسل بعدی

بازنشر افلاطون

دنبال: 0

در دنیای خدمات مالی که مدیریت ریسک در درجه اول اهمیت قرار دارد، همه ما شاهد بوده ایم که هوش مصنوعی و یادگیری ماشین به سرعت چشم انداز را تغییر داده اند. در واقع، اخیر

نظرسنجی توسط بانک انگلستان و اداره رفتار مالی (FCA) فاش کرد که
72 درصد از شرکت های مالی بریتانیا در حال حاضر از برنامه های کاربردی AI/ML استفاده می کنند یا در حال توسعه آن هستند، و این روند با سرعت شگفت انگیزی در حال شتاب است
میانگین تعداد برنامه های ML که پیش بینی می شود در سه سال آینده 3.5 برابر افزایش یابد.. این رشد تعجب‌آور نیست - مدل‌های AI/ML نوید باز کردن بینش‌ها را از حجم وسیعی از داده‌ها می‌دهند و سازمان‌های مالی را قادر می‌سازند.
برای اتخاذ تصمیمات هوشمندانه تر و آگاهانه تر و ارتقای استراتژی های مدیریت ریسک.

یافته های این نظرسنجی با مشاهداتی که من از طریق کارم با موسسات خدمات مالی بریتانیا انجام داده ام، مطابقت دارد. اگرچه، من متوجه شده ام که پیشرفت به سمت روش های AI/ML در بانک های فین تک و چلنجر پیشرفته تر است که
بر خلاف High Street Banks، ممکن است از محدودیت های واقعی ناشی از سیستم های قدیمی یا محدودیت های درک شده مربوط به وضعیت IRB خود رنج نبرد.

فین‌تک‌ها و بانک‌های چلنجر معمولاً دانشمندان داده‌ای با دانش فناوری را با درک عمیق مجموعه‌ای از تکنیک‌های پیشرفته جایگزین که در دسترس هستند، استخدام کرده‌اند. در همین حال، بانک های بزرگ هنوز از نظر تجربه دارای مزیت قابل توجهی هستند
و داده ها آنها دهه ها تجربه در ساخت مدل های اعتباری دارند، استانداردهای توسعه مدل را ایجاد کرده اند و درک کاملی از داده های اساسی دارند.

اکنون سؤال این است که آیا اصولی که توسعه مدل‌های سنتی را تشکیل می‌دهند، کاملاً به نسل جدید مدل‌های مبتنی بر هوش مصنوعی که از نظر ریاضی به روشی کاملاً متفاوت مشتق شده‌اند، مرتبط باقی می‌مانند؟

توسعه مدل: سنتی VS AI/ML

توسعه کارت امتیازی سنتی مدت‌هاست که از طراحی نمونه دقیق پیروی می‌کند، و تضمین می‌کند که برنامه‌های کاربردی در طول پنجره نمونه، هم پایدار هستند و هم منعکس کننده پیشنهادهایی هستند که اخیراً دریافت شده‌اند. برای شاخص ها یا ویژگی های پایداری جمعیت معمول است
شاخص های پایداری باید محاسبه شوند و برای بررسی دقیق هر الگویی که فراتر از انتظارات منطقی تغییرات فصلی است. این رویکرد به مفهوم یک نمونه توسعه سفارشی متناسب با جمعیت خاص آن بستگی دارد
خدمت. ترکیب یا ترکیب قطعه ای و ویژگی آن به عنوان یک عامل کلیدی در مناسب بودن نمونه توسعه مدل دیده می شود.

جالب توجه است، ما اغلب می بینیم که مدل های AI/ML درجه قابل توجهی از یادگیری متقابل را نشان می دهند. این جایی است که وقتی نمونه آموزشی برای شامل مشاهدات اضافی که ممکن است به طور سنتی در نظر گرفته نمی شوند، توسعه داده شود، مدل ها عملکرد قوی تری نشان می دهند.
مستقیما مرتبط به عنوان مثال، ما شاهد عملکرد برتر از مدل‌های آموزش‌دیده در یک پنجره نمونه توسعه‌یافته در مقابل مدل‌های معادل بهینه‌سازی شده در دوره‌ای هستیم که به سادگی با نمونه آزمایشی مستقل همسو می‌شوند. بعید است با استفاده از مدل های خطی این اتفاق بیفتد!

هنگامی که بخش ها یا گروه های مجاور به نمونه های آموزشی اضافه می شوند، یافته های مشابهی را می توان مشاهده کرد. در واقع، مدل‌های AI/ML زمانی که بر روی مجموعه داده‌های بزرگ و متنوع توسعه می‌یابند، رشد می‌کنند. این پدیده ها پیامدهایی برای طراحی نمونه و انتخاب موارد استثنا در داخل خواهند داشت
الگوی تحولات آینده، به طور بالقوه بازنویسی خرد متعارف.

به طور مشابه، بسیاری از پیشرفت‌های کارت امتیازی اعتباری دارای بخش‌بندی هستند که به موجب آن یک مدل برای هر یک از تعدادی از جمعیت‌های فرعی ساخته می‌شود (مانند فایل نازک / فایل ضخیم، پاک / کثیف). مزیت این رویکرد این است که با ساختن مدل های متعدد، برخی
غیر خطی بودن را می توان گرفت. البته، انتخاب بخش‌بندی همیشه واضح نیست و بعید به نظر می‌رسد که بهینه باشد، با این حال برخی افزایش عملکرد حاصل می‌شود. با توجه به اینکه مدل‌های AI/ML به دلیل توانایی آنها در ثبت غیرخطی بودن ساخته شده‌اند، وجود دارد
در اینجا نیاز محدودی به مدل‌های تقسیم‌بندی شده وجود دارد، مگر اینکه تفاوت‌های اساسی در ساختار داده وجود داشته باشد. بنابراین، مدل‌های AI/ML پیچیده‌تر هستند، تعداد کمتری از آنها باید مورد نیاز باشد.

یکی دیگر از حوزه‌های تمرکز در توسعه کارت امتیازی سنتی، فرآیند حرکت از طبقه‌بندی دقیق به درشت است. بدینوسیله مدلساز به دنبال تقسیم موثر داده های پیوسته به چندین گروه ترتیبی است به طوری که نرخ بد اساسی یک منطقی را نشان دهد.
پیشرفت و بر اساس حجم کافی برای ارائه یک نتیجه قابل اعتماد است. روش‌های پیشرفته در مدل‌های AI/ML نیاز به طبقه‌بندی دقیق به درشت را از بین می‌برند، زیرا گروه‌بندی با روش زیربنایی به دست می‌آید و پروفایل‌های پاسخ صاف ایجاد می‌کند.
به جای تغییرات مرحله ای که به عنوان مرزهای ویژگی کارت امتیازی دیده می شود، عبور می کند. علاوه بر این، بسیاری از روال های آموزشی اکنون شامل گزینه ای برای اضافه کردن محدودیت ها برای اطمینان از تأثیر منطقی ویژگی ها بر پیش بینی های مدل هستند.

از آنجایی که موج توسعه مدل AI/ML در سال‌های آینده افزایش می‌یابد، تلفیقی از دانش عمیق داده‌های اعتباری اساسی و روش‌شناسی پیشرفته کلیدی است. در حالی که چالش‌های جدیدی در این نسل جدید از مدل‌ها به وجود می‌آیند، مانند تعصب و توضیح ناخواسته،
نگرانی های تاریخی کمتر مرتبط خواهند شد.