פיתוח מודל סיכונים - הדור הבא

בעולם השירותים הפיננסיים שבו ניהול סיכונים הוא חשיבות עליונה, כולנו ראינו בינה מלאכותית ולמידת מכונה משנים במהירות את הנוף. למעשה, לאחרונה

סקר של הבנק המרכזי של אנגליה והרשות להתנהלות פיננסית (FCA) חשף את זה
72% מהחברות הפיננסיות בבריטניה כבר משתמשות או מפתחות יישומי AI/ML, והמגמה הזו מואצת בקצב מדהים, עם
המספר החציוני של יישומי ML צפוי להרקיע שחקים פי 3.5 בשלוש השנים הקרובות. צמיחה זו אינה מפתיעה - מודלים של AI/ML טומנים בחובם את ההבטחה של פתיחת תובנות מכמויות אדירות של נתונים, מה שיאפשר לארגונים פיננסיים
לקבל החלטות חכמות ומושכלות יותר ולשפר את אסטרטגיות ניהול הסיכונים שלהם. 

ממצאי הסקר תואמים תצפיות שערכתי במהלך עבודתי עם מוסדות שירותים פיננסיים בבריטניה. למרות שגיליתי שההתקדמות לקראת מתודולוגיות AI/ML מתקדמת יותר בבנקי פינטק וצ'לנג'ר,
בניגוד ל-High Street Banks, ייתכן שלא יסבלו ממגבלות ממשיות עקב מערכות מדור קודם או מגבלות נתפסות הנוגעות למצב ה-IRB שלהם. 

Fintechs וצ'לנג'ר בנקים גייסו בדרך כלל מדעני מידע טכנולוגיים עם הבנה עמוקה של מערך הטכניקות המתקדמות האלטרנטיביות הזמינות. בינתיים, לבנקים הגדולים עדיין יש יתרון משמעותי מבחינת הניסיון
ונתונים. יש להם עשרות שנות ניסיון בבניית מודלים של אשראי, ביססו סטנדרטים לפיתוח מודלים, ויש להם הבנה מעמיקה של הנתונים הבסיסיים.  

השאלה כעת היא האם העקרונות העומדים בבסיס הפיתוח של מודלים מסורתיים נשארים רלוונטיים לחלוטין לדור החדש של מודלים מונעי בינה מלאכותית אשר נגזרים מתמטית בצורה שונה לחלוטין.  

פיתוח מודל: מסורתי VS AI/ML

פיתוח כרטיס ניקוד מסורתי דבק זה מכבר בעיצוב מדגם קפדני, ומבטיח שהיישומים במהלך חלון המדגם יהיו יציבים ומשקפים את ההצעות שהתקבלו לאחרונה. זה אופייני למדדי יציבות אוכלוסייה או מאפיינים
מדדי יציבות לחישוב ולחקירה מפורטת של כל דפוסים החורגים מעבר לציפיות הסבירות של שונות עונתית. גישה זו תלויה ברעיון של מדגם פיתוח מותאם אישית לאוכלוסייה הספציפית בה
משרת. ההרכב או התמהיל הסגמנטלי והספציפיות שלו נתפסים כגורם מפתח בהתאמת מדגם פיתוח המודל.

באופן מעניין, לעתים קרובות אנו רואים שמודלים של AI/ML מציגים מידה משמעותית של למידה צולבת. זה המקום שבו מודלים מציגים ביצועים חזקים יותר כאשר מדגם האימון מורחב כך שיכלול תצפיות נוספות שאולי לא נחשבות באופן מסורתי
רלוונטי ישירות. לדוגמה, אנו רואים ביצועים מעולים ממודלים שהוכשרו בחלון מדגם מורחב לעומת מודלים מקבילים שעברו אופטימיזציה לתקופה שפשוט מתיישרת עם מדגם הבדיקה הבלתי תלוי. לא סביר שזה יקרה באמצעות מודלים ליניאריים!

ניתן לראות ממצאים דומים כאשר מוסיפים מקטעים או קבוצות סמוכות לדגימות האימון. ואכן, מודלים של AI/ML משגשגים כאשר הם מפתחים על בסיס מערכי נתונים גדולים ומגוונים. לתופעות אלו יהיו השלכות על עיצוב המדגם ועל בחירת החרגות בתוכם
פיתוחי מודל של העתיד, שעלולים לשכתב את החוכמה הקונבנציונלית.

באופן דומה, פיתוחים רבים של כרטיסי אשראי שילבו פילוח, לפיו נבנה מודל עבור כל אחת ממספר תת-אוכלוסיות (למשל Thin File / Thick File, Clean / Dirty). היתרון של גישה זו הוא שעל ידי בניית מודלים מרובים, חלקם
ניתן לתפוס אי-לינאריות. כמובן, הבחירה בפילוח לא תמיד ברורה ולא סביר שתהיה אופטימלית, עם זאת מושגות כמה עליות ביצועים. בהתחשב בעובדה שמודלים של AI/ML נבנים בגלל היכולת שלהם ללכוד אי-לינאריות, שם
יש כאן צורך מוגבל במודלים מפולחים, אלא אם כן יש הבדלים מהותיים במבנה הנתונים. לכן, מודלים של AI/ML מורכבים יותר, יש צורך בפחות מהם.

תחום מיקוד נוסף בפיתוח כרטיס ניקוד מסורתי הוא תהליך המעבר מסיווג עדין לגס. בזאת המודליסט מבקש לחלק ביעילות נתונים רציפים למספר קבוצות סדנאות כך שהשיעור הרע הבסיסי יראה הגיוני
התקדמות ומבוססת על נפח מספיק כדי לתת תוצאה אמינה. מתודולוגיות מתקדמות בתוך מודלים של AI/ML מבטלות את הצורך בסיווג עדין עד גס מכיוון שהקיבוץ מושג על ידי המתודולוגיה הבסיסית, ויוצרת פרופילי תגובה חלקים
במקום השינויים השלבים הנראים כגבולות תכונת כרטיס ניקוד נחצים. יתר על כן, שגרות אימון רבות כוללות כעת את האפשרות להוסיף אילוצים כדי להבטיח לתכונות יש השפעה הגיונית על תחזיות המודל.

ככל שגל הפיתוח של מודל AI/ML מתגבר בשנים הקרובות, שילוב של ידע עמוק של נתוני האשראי הבסיסיים ומתודולוגיה מתקדמת הוא המפתח. בעוד אתגרים חדשים מתעוררים בדור החדש הזה של דגמים, כמו הטיה בלתי מכוונת ויכולת הסבר,
דאגות היסטוריות יהפכו פחות רלוונטיות.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs