Новую программу для оценки кредитного скоринга физических лиц на основе нейросети запатентовали исследователи Южно-Уральского госуниверситета. Разработка впервые позволяет провести углубленный анализ кредитоспособности заемщиков и повысить точность принятия решения в выдаче займов с помощью искусственного интеллекта.
За последний период увеличился объем запросов на кредитование физических лиц, в связи с чем растет необходимость в повышении точности оценки финансовой состоятельности заемщиков, поскольку ситуация создает дополнительные риски частичного или полного невозвращения выданных средств.
Сегодня привычные финансовые системы для оценки кредитоспособности клиента учитывают стандартные характеристики, например, кредитную историю, размер зарплаты и прочие. После компьютерного анализа данных финансовый эксперт принимает взвешенное решение в отказе или в выдаче кредита, которое должно минимизировать потенциальные убытки для организации-кредитора.
?Оценка традиционных систем достаточно эффективная, но все-таки там существует значительный процент ошибочных результатов, опираясь на которые специалист рискует вынести потенциально неверное решение, – сказала профессор кафедры информационных систем и технологий ЮУрГУ Наталья Япарова. – С целью качественной минимизации таких рисков мы создали первую в своем роде нейросетевую программу для углубленного анализа финансовой истории заемщика, привлекая нестандартные параметры оценки. Отмечу, что это данные, получаемые из открытых источников, например, как часто человек заходил на определенный сайт с покупками, какие покупки совершал, и другие характеристики?.
Другим важным преимуществом авторской программы является то, что она служит для поддержки принятия итоговых решений специалистом. То есть она может дать рекомендацию: имеет ли смысл давать конкретный заём в конкретном объеме или нет; это повышает шанс на безошибочный выбор.
?В ранее предложенных подходах анализ финансового поведения заемщика осуществляется лишь в одном направлении либо на основе традиционных демографических и кредитных, либо исключительно на поведенческих транзакционных сигналах, – уточняет Наталья Япарова. – Мы предлагаем гибридный подход, объединяющий оба типа признаков, что позволяет не только повысить точность прогнозирования, но и снизить уязвимость скоринговой модели к мошенническим действиям, ошибкам самоотчета и неполноте данных. В качестве входных признаков использовались характеристики, включая текущий баланс счета, кредитную историю, сумму кредита, стаж работы, семейное положение, возраст и другие релевантные параметры, а также поведенческие и контекстуальные признаки, устойчивые к манипуляциям, – в частности, своевременная оплата коммунальных услуг или связи, наличие регулярных поступлений на счет, отсутствие просрочек по обязательствам за 90 дней и т.д. Эти сигналы повышают достоверность оценки платёжеспособности, снижают уязвимость модели к искажению анкетных данных и позволяют безопасно охватывать клиентов с ограниченной?.
Новая перспективная мультиагентная программа предусмотрена исключительно для использования юридическими лицами (финансовыми и кредитными организациями). Она не требует дополнительной закрытой информации о потенциальном заемщике, а также дополнительного запроса согласия на обработку персональных данных. Это подтверждает полную согласованность системы с текущим законодательством.