如今，幾乎每天都有媒體提及銀行或消費(fèi)者信貸領(lǐng)域的人工智能（AI）與/或機(jī)器學(xué)習(xí)。鑒于你所閱讀文章的作者觀點(diǎn)各異，這項(xiàng)技術(shù)給人的感覺(jué)不是全球金融普惠的靈丹妙藥，就是即將成為掌控全球金融的霸主。那么，這些新技術(shù)工具在消費(fèi)者信貸方面的實(shí)際使用情況如何？近期到中期我們可以預(yù)期發(fā)生什么？哪些是宣傳的噱頭，哪些才是事實(shí)，哪些又是可以付諸實(shí)踐的部分？
消費(fèi)者信貸行業(yè)大背景
要回答這些問(wèn)題，不妨以討論全球消費(fèi)者信貸的現(xiàn)狀和行業(yè)機(jī)制為開(kāi)端。了解和管理消費(fèi)者風(fēng)險(xiǎn)是該行業(yè)的核心差異，歷來(lái)都是企業(yè)亟需解決的重點(diǎn)問(wèn)題。企業(yè)解決這一問(wèn)題的方法是，遵循可預(yù)測(cè)未來(lái)的過(guò)往消費(fèi)者行為普遍原則，并根據(jù)期望保持在定價(jià)區(qū)間內(nèi)的風(fēng)險(xiǎn)閾值進(jìn)行相應(yīng)操作。這使得銀行和監(jiān)管機(jī)構(gòu)創(chuàng)建了追蹤消費(fèi)者行為的共享數(shù)據(jù)資源。這些共享的數(shù)據(jù)存儲(chǔ)庫(kù)或“征信局”會(huì)整理消費(fèi)者信貸信息。有了這些信息以及銀行自身獲得的信息，就可以建立預(yù)測(cè)“風(fēng)險(xiǎn)”的定量信用評(píng)分。這些評(píng)分通常使用各種能顯著區(qū)分消費(fèi)者風(fēng)險(xiǎn)的變量。通過(guò)使用回歸模型得出評(píng)分，而回歸模型已成為業(yè)界的事實(shí)標(biāo)準(zhǔn)。
過(guò)去10年間消費(fèi)者信貸行業(yè)發(fā)生的變化
數(shù)據(jù)量的增長(zhǎng)和相對(duì)低廉的計(jì)算資源使得消費(fèi)者信貸行業(yè)在過(guò)去十多年內(nèi)發(fā)生了巨大變化。此外，在此期間，監(jiān)管機(jī)構(gòu)還大力推動(dòng)金融普惠。這些轉(zhuǎn)變共同為AI的運(yùn)用提供了肥沃的土壤。將這些要素納入到大背景下，以亞太地區(qū)為例，在該地區(qū)42億人口中，只有約12億人擁有借貸歷史，由此可見(jiàn)金融普惠更趨提上議程。然而，電信、電子商務(wù)和電子支付錢包的發(fā)展已經(jīng)共同造就了涵蓋約35億人口的超大數(shù)據(jù)集。與此同時(shí)，摩爾定律在過(guò)去十年間使數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)計(jì)算的成本呈指數(shù)級(jí)下降。所有這些因素都為各種AI工具提供了用武之地。
AI如何助力消費(fèi)者信貸？
AI帶來(lái)的前景，是能夠應(yīng)用其計(jì)算能力發(fā)現(xiàn)變量之間復(fù)雜而微妙的關(guān)系，從而利用這些關(guān)系建立模型，將良好信用與不良信用區(qū)分開(kāi)來(lái)。AI可以運(yùn)用“機(jī)器學(xué)習(xí)”方法，再結(jié)合額外輸入的數(shù)據(jù)，對(duì)這些模型進(jìn)行優(yōu)化，以進(jìn)一步幫助創(chuàng)建一個(gè)良性循環(huán)。AI模型與常規(guī)回歸方程的區(qū)別在于，AI模型在解釋消費(fèi)者數(shù)據(jù)方面所能實(shí)現(xiàn)的復(fù)雜程度更高。一個(gè)常規(guī)回歸方程可能會(huì)使用8-10個(gè)輸入變量來(lái)建立方程，以區(qū)分良好信用和不良信用，而AI算法往往會(huì)使用一個(gè)更豐富的變量集。它們還能夠持續(xù)觀察這些變量，并發(fā)現(xiàn)不斷變化的關(guān)系，通過(guò)這些關(guān)系可模擬人類使用附加數(shù)據(jù)制定決策的思維方式。
將機(jī)器學(xué)習(xí)應(yīng)用于消費(fèi)者信貸的方法是，讓一個(gè)以人腦為模型的“神經(jīng)元網(wǎng)絡(luò)”觀察大量數(shù)據(jù)，然后用（通常）已知的結(jié)果對(duì)其進(jìn)行訓(xùn)練。該算法對(duì)數(shù)據(jù)進(jìn)行處理，并迭代形成一個(gè)模型，由其提供區(qū)分信用表現(xiàn)優(yōu)劣的最佳界限。然后將此初始模型用于新的消費(fèi)者申請(qǐng)數(shù)據(jù)，以預(yù)測(cè)客戶信用是好是壞。這種學(xué)習(xí)模型的優(yōu)勢(shì)在于，它可以保持反饋回路的活躍性，在判斷新消費(fèi)者信用表現(xiàn)優(yōu)劣的過(guò)程中酌情采納附加數(shù)據(jù)。然后，該學(xué)習(xí)算法將增量學(xué)習(xí)整合到模型中，就像人腦建立學(xué)習(xí)的良性循環(huán)一樣。
所有這些聽(tīng)起來(lái)都相當(dāng)棒，那么這個(gè)方法有什么問(wèn)題嗎？這是否實(shí)際上只是“更好的誘餌”呢？答案仍一如既往，雖然上述場(chǎng)景在理論上表現(xiàn)出色，但AI在邁向消費(fèi)者信貸決策的實(shí)際應(yīng)用過(guò)程中，仍有一些問(wèn)題亟待解決。
可解釋性——更好詮釋決策
我們當(dāng)前看到的消費(fèi)者信貸模型經(jīng)過(guò)銀行系統(tǒng)多年打造，是一個(gè)相當(dāng)透明的體系，幾十年來(lái)消費(fèi)者都是在這個(gè)體系中接受規(guī)范的，監(jiān)管機(jī)構(gòu)也習(xí)慣于基于此模型管理系統(tǒng)風(fēng)險(xiǎn)。被納入此模型的普通消費(fèi)者通常對(duì)影響他們信用狀況的行為有所了解，也知道他們有權(quán)要求獲得銀行系統(tǒng)掌握的個(gè)人信息。同樣監(jiān)管機(jī)構(gòu)也有方法理解現(xiàn)有模型，并計(jì)算出系統(tǒng)風(fēng)險(xiǎn)以對(duì)其進(jìn)行管理。
AI模型打破了現(xiàn)有模型的秩序，使其決策過(guò)程成為一個(gè)“黑箱”，在這個(gè)黑箱中，變量及其間的相互作用令人費(fèi)解，而信貸決策便在此狀況下產(chǎn)生。因此，該模型的輸出是“不可解釋”的，這是在消費(fèi)者信貸決策領(lǐng)域使用AI所亟待解決的一個(gè)關(guān)鍵問(wèn)題。幸運(yùn)的是，這個(gè)問(wèn)題并非無(wú)解。我們可用多種方法讓這些模型可解釋。雖然這是一個(gè)方法多元的復(fù)雜領(lǐng)域，但可以肯定的是，發(fā)展模型的“可解釋性”正迅速成為AI并行研究的一個(gè)關(guān)鍵領(lǐng)域。實(shí)際上，將解釋模型的過(guò)程作為AI模型開(kāi)發(fā)活動(dòng)的關(guān)鍵部分非常有必要。不過(guò)，也可能存在一些對(duì)可解釋性不太敏感的運(yùn)用領(lǐng)域，我們將稍后對(duì)此進(jìn)行討論。
偏差
消費(fèi)者信貸模型經(jīng)過(guò)不斷演進(jìn)，已經(jīng)剔除了那些攜帶固有偏差的變量。這意味著信貸模型目前不使用諸如性別、種族等會(huì)造成系統(tǒng)偏差固化趨勢(shì)的變量。人類以直觀方式理解這些變量，并且有充分時(shí)間來(lái)發(fā)展他們對(duì)于這種偏差的理解。
例如，有鑒于男女薪酬不平等的歷史，如果我們還使用性別作為決定信貸的變量，那我們所做的一切就是在幫助延續(xù)這種不平等。因此，我們?cè)陂_(kāi)發(fā)回歸模型時(shí)一般就會(huì)剔除這些變量。但機(jī)器學(xué)習(xí)缺乏這種對(duì)歷史的“理解”。它會(huì)使用所有可用變量來(lái)區(qū)分信貸。此外，我們前面提到過(guò)“黑箱”的比喻，這意味著我們?cè)诘玫侥Ｐ徒Y(jié)果之前，很難覺(jué)察到這種偏差。因此，開(kāi)發(fā)方法來(lái)阻止這些可能帶來(lái)偏差的變量，對(duì)于信貸決策領(lǐng)域AI的發(fā)展過(guò)程非常重要。同樣，有多種方法可以解決這個(gè)問(wèn)題。一種簡(jiǎn)單的方法是引入預(yù)處理流程，以確保阻止那些帶來(lái)偏差的變量。此外，可能需要在模型實(shí)際投入使用時(shí)引入進(jìn)一步的核查。
應(yīng)用領(lǐng)域
對(duì)AI在消費(fèi)者信貸領(lǐng)域的應(yīng)用加以考量的另一種方式，是清晰界定應(yīng)用這些模型的領(lǐng)域，同時(shí)充分了解其所采用方法論的優(yōu)缺點(diǎn)。例如，可解釋性方面的問(wèn)題可能不會(huì)對(duì)欺詐檢測(cè)領(lǐng)域產(chǎn)生重大影響。作為銀行業(yè)的一個(gè)核心領(lǐng)域，欺詐檢測(cè)通常有一套非常規(guī)管理流程。該領(lǐng)域的學(xué)習(xí)算法可確保我們能夠運(yùn)用常見(jiàn)、可獲得的大量數(shù)據(jù)流。消費(fèi)者也可能更理解這種方法帶來(lái)的系統(tǒng)性得益，因?yàn)樗麄冏罱K將從更準(zhǔn)確的欺詐檢測(cè)中獲益。其他更容易被消費(fèi)者接受的應(yīng)用領(lǐng)域?yàn)轭A(yù)測(cè)消費(fèi)者生命周期事件，從而更好地開(kāi)展直接營(yíng)銷活動(dòng)。同樣地，只要重視隱私問(wèn)題，消費(fèi)者可能會(huì)對(duì)這一領(lǐng)域的AI運(yùn)用更為認(rèn)同。
綜上所述，雖然AI在消費(fèi)決策領(lǐng)域的應(yīng)用可能還會(huì)有其他問(wèn)題需要加以考慮，但上述提到的問(wèn)題是目前亟待解決的關(guān)鍵所在。鑒于AI的應(yīng)用可以通過(guò)運(yùn)用消費(fèi)者數(shù)據(jù)來(lái)解決金融普惠問(wèn)題，從而帶來(lái)不可否認(rèn)的收益，所有這些付出都值得我們投入。因此，問(wèn)題不在于AI能否用于消費(fèi)者信貸，而在于我們多久才能有效駕馭這些能力，以解決我們這個(gè)時(shí)代最大的問(wèn)題之一——金融普惠。
