Temat wykorzystania sztucznej inteligencji i technologii samouczenia się maszyn (Machine Learning) jest jednym z ważnych, prognozowanych na 2018 rok kierunków rozwoju Internetu.

 

Dane, bardzo dużo danych

Ilość danych dostępnych w Internecie jest zbyt duża, aby ludzie mogli nimi zarządzać samodzielnie. Z drugiej strony właśnie ilość danych i ich dostępność oraz szybki wzrost mocy obliczeniowej urządzeń podłączonych do Internetu dają realne szanse rozwoju w dziedzinie zaawansowanej analityki.

Machine Learning (ML) coraz częściej jest wykorzystywane w tworzeniu aplikacji do modelowania ryzyka kredytowego. Opiera się na wzorcach i trendach w dużych zestawach danych historycznych i skutecznie służy do przewidywania zachowań kontrahentów.

 

Machine Learning a metody scoringowe

Do zastosowania metod scoringowych i Machine Learning w analizie ryzyka w przedsiębiorstwach prowadziła inna droga. Scoring powstawał w bankach do oceny ryzyka kredytobiorców i poprzez segmentację klientów na potrzeby marketingu został zaadaptowany do potrzeb przedsiębiorców do oceny ryzyka kredytu kupieckiego. Droga Machine Learning prowadzi od rozpoznawania obrazu przez maszynę i zastosowania tej metody w prowadzeniu samochodów autonomicznych aż do szerokich zastosowań zbierania i analizowania danych m.in. przy ocenie kontrahentów w przedsiębiorstwie.

Metody scoringowe uwzględniają małą ilość danych, bo zbyt duża ich ilość i tworzenie kolejnych wskaźników nie poprawia trafności oceny. Określone zestawy instrukcji mające na celu wykonanie konkretnego zadania są kodowane przez człowieka. Modele muszą być regularnie weryfikowane, nie uwzględniają specyfiki branży, regionu, dają odpowiedź zero-jedynkową czy kontrahent upadnie czy nie.

Natomiast Machine Learning to metoda uczenia komputerów analizowania danych, wyciągania wniosków i następnie wykorzystywania tych wniosków do określania i przewidywania przyszłych zmiennych. Maszyna jest uczona przy pomocy dużej ilości informacji i algorytmów, jak zachować się, przeanalizować jeszcze większą ilość danych i wykonać zadanie. Czyli - w przypadku modelowania ryzyka kredytowego - jak wykorzystać zmieniające się informacje do przewidywania ryzyka braku zapłaty od kontrahenta.

ML obejmuje wiele cech zarówno wewnętrznych jak i zewnętrznych działalności kontrahenta. Im więcej tym lepiej. Skuteczność modelu rośnie wraz z różnorodnością tych cech i szerszego zestawu zmiennych. Więcej zależności między zmiennymi daje dużo większą dokładność w ocenie ryzyka niewypłacalności kontrahenta.

 

Co daje Machine Learning w ocenie ryzyka?

  • Szybsze podejmowanie decyzji komu udzielić kredytu kupieckiego.

  • Precyzyjniejsza ocena ryzyka.

  • Uwzględnienie danych dotyczących otoczenia biznesowego klienta.

  • Ocena ryzyka w dowolnym momencie, weryfikacja kontrahenta nawet codziennie.

  • Maszyna daje rekomendację, a ostateczną decyzję podejmuje analityk.

  • Możliwość odkrywania trendów i wizualizowania danych w interaktywnych wykresach.

 

Machine Learning – to trudne?

Na konferencji Credit Risk 2017, której sponsorem był RiskMan i o której pisaliśmy tutaj, jednym z tematów był właśnie Machine Learning. W prezentacji Marcin Mazur i Michał Pajdak z Fabryki i3 podkreślali, że przedsiębiorca nie musi wiedzieć jak działa ML, żeby korzystać z potęgi tego rozwiązania, tak jak nie musi rozumieć działania silnika, żeby jeździć samochodem.

Prognozy przygotowane tą metodą są czasami trudne do uzasadnienia z uwagi na ich specyfikę "czarnej skrzynki". Są one również wrażliwe na wartości skrajne, nietypowe, co może dawać przewidywania sprzeczne z intuicją.

Istotne jest, żeby w celu poprawy dokładności prognoz oprócz danych finansowych i danych dotyczących płatności zasilać system w dodatkowe informacje, takie jak dane transakcyjne, dane z mediów społecznościowych, informacje geograficzne. Im informacje są bardziej zróżnicowane, niekonwencjonalne, tym bardziej przewidywania są precyzyjne.

 

Czy roboty zabiorą nam pracę?

Jest całkiem prawdopodobne, że sztuczna inteligencja, która może uczyć się na doświadczeniu, zastąpi wielu księgowych, prawników, bankierów, ubezpieczycieli, naukowców, analityków kredytowych i innych kreatywnych profesjonalistów. Inteligencja i doświadczenie nie będą już oznaczać stabilności zatrudnienia.

Według badań przeprowadzonych przez naukowców z Oxford University i Deloitte około 35% aktualnych miejsc pracy w Wielkiej Brytanii jest zagrożonych wysokim ryzykiem komputeryzacji w ciągu następnych 20 lat. Sprawdź, czy dotyczy to Ciebie:  http://www.bbc.com/news/technology-34066941

 

 

Credit Risk 2018

Temat automatyzacji i nowych technologii w zarządzaniu ryzykiem kredytowym będzie kontynuowany na drugiej konferencji Credit Risk 2018 organizowanej przez PICM przy współpracy z RiskMan. Informacje na temat tego wydarzenia i możliwość rejestracji są na stronie www.creditrisk.pl.

 

 

Ewa Krzemińska   www.rozumiemOWU.pl