ในโลกของบริการทางการเงินที่การบริหารความเสี่ยงเป็นสิ่งสำคัญที่สุด เราทุกคนเคยเห็นปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักรเปลี่ยนแปลงภูมิทัศน์อย่างรวดเร็ว อันที่จริงแล้วล่าสุด
การสำรวจโดยธนาคารแห่งประเทศอังกฤษและหน่วยงานกำกับดูแลทางการเงิน (เอฟซีเอ) เปิดเผยว่า
72% ของบริษัททางการเงินในสหราชอาณาจักรใช้หรือพัฒนาแอปพลิเคชัน AI/ML อยู่แล้วและกระแสนี้กำลังเร่งตัวขึ้นอย่างน่าประหลาดใจอีกด้วย
จำนวนมัธยฐานของแอปพลิเคชัน ML ที่คาดว่าจะเพิ่มขึ้น 3.5 เท่าในอีกสามปีข้างหน้า. 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.
คำถามก็คือว่าหลักการที่สนับสนุนการพัฒนาแบบจำลองแบบดั้งเดิมยังคงมีความเกี่ยวข้องทั้งหมดกับแบบจำลองที่ขับเคลื่อนด้วย AI รุ่นใหม่ซึ่งได้มาทางคณิตศาสตร์ด้วยวิธีที่แตกต่างไปจากเดิมอย่างสิ้นเชิงหรือไม่
การพัฒนาโมเดล: VS AI/ML แบบดั้งเดิม
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.
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- a
- ความสามารถ
- เร่ง
- ประสบความสำเร็จ
- ที่เกิดขึ้นจริง
- เพิ่ม
- ที่เพิ่ม
- เพิ่มเติม
- ยึดมั่น
- ติดกัน
- สูง
- ความได้เปรียบ
- ขับเคลื่อนด้วย AI
- AI / ML
- จัดแนว
- ทั้งหมด
- แล้ว
- ทางเลือก
- แม้ว่า
- เสมอ
- จำนวน
- an
- และ
- ใด
- การใช้งาน
- เข้าใกล้
- เป็น
- AREA
- เกิดขึ้น
- แถว
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่อง
- AS
- At
- ใช้ได้
- ไม่ดี
- ธนาคาร
- ธนาคารแห่งประเทศอังกฤษ
- ธนาคาร
- ตาม
- BE
- เพราะ
- กลายเป็น
- ประโยชน์
- bespoke
- เกิน
- อคติ
- ทั้งสอง
- เขตแดน
- การก่อสร้าง
- สร้าง
- by
- คำนวณ
- CAN
- จับ
- ถูกจับกุม
- ผู้ท้าชิง
- ชาเลนเจอร์ แบงค์ส
- ความท้าทาย
- ลักษณะ
- ทางเลือก
- ปลาเดยส์
- CO
- มา
- อย่างสมบูรณ์
- ซับซ้อน
- ส่วนประกอบ
- ความกังวลเกี่ยวกับ
- ความประพฤติ
- ถือว่า
- คงเส้นคงวา
- ข้อ จำกัด
- ต่อเนื่องกัน
- ตามธรรมเนียม
- หลักสูตร
- เครดิต
- ข้าม
- ข้อมูล
- ชุดข้อมูล
- ทศวรรษที่ผ่านมา
- การตัดสินใจ
- ลึก
- องศา
- ที่ได้มา
- ออกแบบ
- รายละเอียด
- พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- การพัฒนา
- ความแตกต่าง
- ต่าง
- โดยตรง
- แสดง
- หลาย
- แบ่ง
- สอง
- ในระหว่าง
- แต่ละ
- มีประสิทธิภาพ
- กำจัด
- การเปิดใช้งาน
- ประเทศอังกฤษ
- เสริม
- ทำให้มั่นใจ
- การสร้างความมั่นใจ
- เท่ากัน
- ที่จัดตั้งขึ้น
- ตัวอย่าง
- แสดง
- ขยาย
- ความคาดหวัง
- ประสบการณ์
- คำอธิบาย
- ขยายออก
- ขยาย
- ความจริง
- ปัจจัย
- FCA
- คุณสมบัติ
- น้อยลง
- เนื้อไม่มีมัน
- ทางการเงิน
- ความประพฤติทางการเงิน
- บริการทางการเงิน
- ผลการวิจัย
- ไฟน์เอ็กซ์ตร้า
- Fintech
- บริษัท
- โฟกัส
- สำหรับ
- พบ
- ราคาเริ่มต้นที่
- พื้นฐาน
- นอกจากนี้
- การผสม
- อนาคต
- การสร้าง
- รุ่น
- ให้
- กำหนด
- กลุ่ม
- การเจริญเติบโต
- เกิดขึ้น
- มี
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- จุดสูง
- บานพับ
- ทางประวัติศาสตร์
- ถือ
- อย่างไรก็ตาม
- HTTPS
- i
- ส่งผลกระทบ
- ผลกระทบ
- in
- ประกอบด้วย
- Incorporated
- อิสระ
- ดัชนี
- แจ้ง
- ข้อมูลเชิงลึก
- สถาบัน
- Intelligence
- เข้าไป
- การสอบสวน
- IT
- ITS
- jpg
- คีย์
- ปัจจัยสำคัญ
- ความรู้
- ภูมิประเทศ
- ใหญ่
- การเรียนรู้
- มรดก
- น้อยลง
- ข้อ จำกัด
- ถูก จำกัด
- ตรรกะ
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- สำคัญ
- ทำ
- การจัดการ
- หลาย
- ในทางคณิตศาสตร์
- อาจ..
- ในขณะเดียวกัน
- วิธีการ
- ระเบียบวิธี
- พิถีพิถัน
- อาจ
- ผสม
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- มากที่สุด
- การย้าย
- หลาย
- my
- จำเป็นต้อง
- ใหม่
- ถัดไป
- ความคิด
- ตอนนี้
- จำนวน
- ข้อสังเกต
- ชัดเจน
- of
- มักจะ
- on
- ดีที่สุด
- ปรับให้เหมาะสม
- ตัวเลือกเสริม (Option)
- or
- องค์กร
- ก้าว
- สำคัญยิ่ง
- รูปแบบ
- ที่รับรู้
- การปฏิบัติ
- ระยะเวลา
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- ประชากร
- ที่อาจเกิดขึ้น
- การคาดการณ์
- หลักการ
- กระบวนการ
- ดูรายละเอียด
- ในอาชีพ
- ที่คาดการณ์
- คำมั่นสัญญา
- ข้อเสนอ
- คำถาม
- อย่างรวดเร็ว
- คะแนน
- ค่อนข้าง
- เหมาะสม
- ที่ได้รับ
- เมื่อเร็ว ๆ นี้
- เมื่อเร็ว ๆ นี้
- ตรงประเด็น
- น่าเชื่อถือ
- ยังคง
- จำเป็นต้องใช้
- คำตอบ
- ผล
- เปิดเผย
- การเขียนใหม่
- ความเสี่ยง
- การบริหาจัดการความเสี่ยง
- นักวิทยาศาสตร์
- ดัชนีชี้วัด
- ตามฤดูกาล
- เห็น
- แสวงหา
- เห็น
- การแบ่งส่วน
- กลุ่ม
- ให้บริการอาหาร
- บริการ
- ชุดอุปกรณ์
- หลาย
- น่า
- แสดงให้เห็นว่า
- สำคัญ
- ง่ายดาย
- skyrocket
- อย่างชาญฉลาด
- เรียบ
- So
- บาง
- โดยเฉพาะ
- ความจำเพาะ
- Stability
- มั่นคง
- มาตรฐาน
- Status
- ยังคง
- กลยุทธ์
- ถนน
- แข็งแกร่ง
- โครงสร้าง
- อย่างเช่น
- เพียงพอ
- ความเหมาะสม
- เหนือกว่า
- กระชาก
- น่าแปลกใจ
- การสำรวจ
- ระบบ
- ปรับปรุง
- เทคนิค
- เงื่อนไขการใช้บริการ
- ทดสอบ
- กว่า
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ภูมิทัศน์
- โลก
- ของพวกเขา
- พวกเขา
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- สาม
- เจริญเติบโต
- ตลอด
- ครั้ง
- ไปยัง
- ไปทาง
- แบบดั้งเดิม
- ตามธรรมเนียม
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การเปลี่ยนแปลง
- เทรนด์
- ตามแบบฉบับ
- เป็นปกติ
- Uk
- พื้นฐาน
- หนุน
- ความเข้าใจ
- แตกต่าง
- ไม่แน่
- ปลดล็อค
- เมื่อ
- การใช้
- กว้างใหญ่
- Ve
- กับ
- ปริมาณ
- vs
- คลื่น
- ทาง..
- we
- เมื่อ
- ว่า
- ที่
- ในขณะที่
- ทั้งหมด
- จะ
- หน้าต่าง
- ภูมิปัญญา
- กับ
- ภายใน
- งาน
- โลก
- ปี
- ลมทะเล