傑米·特威斯（Jamie Twiss）是一位經驗豐富的銀行家和數據科學家，在數據科學，人工智能和消費者貸款的交集中工作。他目前是卡林頓實驗室的首席執行官，卡林頓實驗室是可解釋的AI驅動信用風險評分和貸款解決方案的領先提供商。此前，他曾是一家澳大利亞主要銀行的首席數據官。在此之前，他在麥肯錫公司（McKinsey＆Company）擔任顧問職業生涯後，在銀行和金融服務的各種角色工作。
您能解釋一下Carrington Labs的AI驅動風險評分系統與傳統信用評分方法有何不同？
卡靈頓實驗室的風險評分方法與傳統的信用評分方法不同：
我們的平台使用的數據集比以前的方法更大。傳統的信用評分依賴於過時的技術，並且基於客戶信用文件中可用的少量信息，主要是付款歷史，這些信息僅給個人的快照有限，並且在許多人中都沒有觀點。在客戶同意下，我們獲取線條項目銀行交易數據，並使用它來創建個人的更詳細和更豐富的個人圖片。
然後，我們使用現代的AI和機器學習技術將這些大量數據轉變為個人信譽的敏銳觀點，計算數百個單獨的變量，並將它們結合成全面的整體視圖。與信用評分不同，最終的分數可以完全解釋和使用它們的貸方，這是神秘的黑匣子。這些分數還針對貸方的特定產品和客戶細分市場量身定制，這使它們比信用評分更相關，因此更準確，這是在廣泛的產品和客戶範圍內訓練的通用評分。
最後，我們的平台不僅可以比傳統分數更有效地評估客戶的風險，而且可以使用該分數推薦最佳貸款術語，例如限制和持續時間。由於所有這些因素，CL風險評分是對傳統方法提供貸方的見解的重大進步。
您的AI如何整合開放式銀行交易數據以提供申請人信譽的完整圖片？在評估信用風險時，您的AI模型確定了哪些主要預測因素？
我們的模型可以在許多不同類型的數據上進行培訓，但是銀行交易數據通常是核心。我們使用數千萬行的交易數據來訓練整體模型，然後為模型得分的每個新客戶使用數千筆交易。開放銀行通常是收集此數據的最佳方法，因為它提供了一致的格式，良好的安全性和快速的響應時間。我們可以通過其他方式收集它，但通常首選開放銀行。
例如，我們可以分析現金提取習慣，以查看某人是否經常撤回大量，是否始終使用同一ATM，或者每天多次拿出現金。我們可以通過在投注平台上尋找頻繁的交易來確定賭博活動。我們可以查看某人在收到錢後花費的速度，或者如果他們開始跑低時，他們是否會調整支出。我們還標記出意外的財務模式，這些模式可能表明有風險的思維方式或行為，例如頻繁的超速罰單。
我們的模型對約50,000個可能的變量進行了培訓，在典型的風險模型中大約有400個主動使用。這種數據驅動的方法有助於貸方做出更精確的貸款決策，並為每個申請人的獨特風險狀況量身定制貸款。重要的是要注意，我們識別和分析的數據是匿名的，因此我們不處理個人身份信息（PII）。
Carrington Labs如何確保其AI模型在貸款決策中沒有性別，種族或社會經濟偏見，以及您在信用風險評估中採取了哪些步驟來減輕算法偏見？
卡靈頓實驗室的模型比傳統方法的客觀性（不涉及人類的“腸感覺”）和我們用來創建模型的廣泛數據的可能性要小得多。
我們有三個柱子的反偏見方法：首先，我們永遠不會在模型創造過程附近的任何地方讓受保護的類數據（種族，性別等）。如果您甚至不給我們數據，我們更喜歡它（除非您希望我們將其用於偏置測試；請參見下文）。其次，我們的模型是完全可以解釋的，因此我們回顧了每個模型中使用的每個功能，以了解潛在的偏差，代理變量或其他問題。貸方還可以訪問功能列表，並可以進行自己的評論。第三，如果貸方選擇為我們提供測試的保護級數據（僅；遠離培訓），我們將對模型輸出進行統計測試，以確定批准率和限制，並確保各個類別的變化顯然是由可解釋且合理的因素驅動的。
結果，Carrington Labs的模型的較高預測能力以及根據風險進行微調限制的能力，使貸方更容易批准更多申請人在較小的限制上，然後隨著時間的推移而以良好的還款行為來增加他們，從而使更廣泛的金融包容性。
您如何確保AI驅動的信用風險評估對貸方和監管機構可以解釋且透明？
當我們在模型創建過程中多個步驟中使用AI時，模型本身，用於計算客戶分數的實際邏輯 – 基於可預測且可控的數學和統計信息。貸方或監管機構可以查看模型中的每個功能，以確保它們對每個功能都感到滿意，並且我們還可以提供客戶的分數分解，並在需要的情況下將其映射到不良動作代碼中。
您的AI模型如何幫助民主化貸款並擴大服務不足人群的財務包容性？
許多人比傳統信用評分所建議的更具信譽。傳統信用評分方法不包括數百萬不適合傳統信用模型的人。我們的AI驅動方法可以幫助貸方認識這些借款人，擴大對公平和負責任的信貸的訪問而不會增加風險。
舉一個例子，說明一個陷入服務不足的聽眾的例子，請想一想一個最近搬到新國家的移民。他們可能對財務負責，勤奮和勤奮，但他們也可能缺乏傳統的信用記錄。由於信貸局從未聽說過它們，因此他們缺乏證明此人具有信譽的能力，這反過來又使貸方不願向他們提供貸款機會。
這些非傳統交易數據點是對信用局不熟悉的人進行準確評估信用風險評分的準確評估的關鍵。他們可能缺乏傳統的信用記錄，或者有信用記錄對於沒有適當背景的貸方來說似乎有風險，但是我們有能力向貸方表明這些人通過利用大量的財務數據來信譽和穩定。實際上，根據匿名數據的樣本，我們的平台高達250％的準確性，比傳統信用評分識別有限的信用信息的低風險借款人，這就是藉貸者貸款人擴大其借款人的基礎並最終增加貸款批准的原因。
此外，由於許多貸方只對個人客戶的風險有近似的感覺，因此他們很難微調以反映客戶的個人情況的要約，經常向他們提供勝於他們所能負擔的更多，貸款少於他們所需的貸款，或者（最常見的是）將他們完全拒絕。精確設定貸款限制的能力對使貸方能夠通過表現出良好的還款行為來使新借款人進入金融體系具有特別強大的影響，從那裡他們可以通過表現出良好的還款行為來提高借款能力，這是他們首次有機會表明他們可以與債務負責任地工作。
監管機構在塑造AI驅動的貸款解決方案開發和部署的方式中扮演什麼角色？
監管機構是將AI嵌入金融服務和更廣泛的經濟中的重要組成部分。在何處以及如何使用AI的情況下，界限將實現更快的增長和新用例，我們支持正在進行法律和監管責任的各種過程。
總的來說，我們認為用於貸款中使用的AI工具應受到與其他工具相同類型的監督和審查 – 他們應該能夠證明他們正在公平地處理客戶，並且使銀行系統更加安全，而不是風險更高。我們的解決方案可以清楚地證明兩者。
您能告訴我們更多有關Carrington Labs最近選擇MasterCard Start Path程序的信息嗎？這將如何加速您的美國擴張？
我們很高興與MasterCard合作在我們的美國和全球擴展計劃中。他們在向全球銀行和其他貸方提供財務解決方案方面擁有無與倫比的經驗，並且隨著我們增加與潛在的美國客戶的交往，已經非常有幫助。我們希望雙方通過萬事達卡（MasterCard）提供建議，介紹以及解決方案的要素，而Carrington Labs為萬事達卡客戶提供了高價值的服務。
面向您的面向消費者的品牌之前，已發行了超過400萬張貸款。您從這種經歷中獲得了哪些見解，它們如何塑造Carrington Labs的AI模型？
通過這次經驗，我們學會瞭如何快速有效地構建模型，這要歸功於我們對他們出色的研發實驗室的訪問以及一些大量的數據。如果我們對模型框架，體系結構，代碼等有一個想法。我們可以先在售前嘗試一下。售前默認率的急劇下降也是一個很好的案例研究，以表明該模型的工作原理。
總體而言，這是一次非常激勵的經歷，因為我們的員工在公司中擁有很大的股份。我們每天都在使用Carrington Labs的模型來借出自己的錢，因此它將注意力集中在確保這些模型工作的方面！
您如何看待未來十年中的AI在貸款空間中發展？
一旦行業完全轉向卡林頓實驗室在未來十年中利用的大型大型風險模型，貸款將大大變化。這將是 – 這些模型更加有效。這就像電力在製造中的作用；這是一個改變遊戲規則的人，每個人都會進行輪班或退出。
大數據模型可以手工構建（我曾經做過自己，但是這個過程需要數月甚至數年的時間，同時也非常昂貴，無法提供最佳的結果。或者，您可以自動化模型的建造。使用AI，您可以自動化更多的時間，而在較高的時間和執行的質量上也可以通過手工構建，也可以節省幾千千萬的定制功能，並可以為您提供不可能的時間，以生成數千的定制功能。
關鍵是知道如何正確執行此操作 – 如果您只是在LLM上扔了一堆東西，您就會陷入巨大的混亂並打擊預算。
感謝您的出色採訪，希望了解更多的讀者應該訪問Carrington Labs。
