Guru Federal Credit Union bergabung dengan tren pinjaman yang berbasis di AI

Gagasan untuk membiarkan model kecerdasan buatan membuat keputusan pinjaman pernah dianggap berisiko dan rentan terhadap kesalahan, diskriminasi, bias, kebingungan gaya “kotak hitam” dan kurangnya kemampuan menjelaskan. Tapi sekarang ini menjadi alat penting bagi pemberi pinjaman yang bersaing dengan penerbit kartu kredit dan fintech yang telah menggunakan teknologi ini selama bertahun -tahun.

Lembaga keuangan terbaru yang merangkul pinjaman berbasis AI adalah $ 9,8 miliar guru-guru federal Credit Union di Hauppauge, New York, yang memungkinkan AI menyetujui kartu kredit, pinjaman mobil, dan pinjaman pribadi.

Guru mulai bekerja dengan perangkat lunak Risk -Platforms ‘Platform Corridor. Ini meluncurkan platform di kuartal keempat. Manfaat utama untuk proses pinjaman yang baru otomatis adalah kecepatan, kata para pemimpin bank.

“Untuk anggota dan pelanggan kami di sektor perbankan, harapan terus bergeser dan mempercepat, dan mereka menuntut pengalaman yang cepat, mulus, dan dipersonalisasi,” kata CEO guru Brad Calhoun kepada American Banker. “Ada peningkatan tingkat harapan di sekitar jawaban real-time, respons waktu-nyata. Ini membutuhkan jenis investasi dalam pinjaman bertenaga AI untuk kecepatan itu, untuk dapat membalikkan keputusan yang tepat dengan manajemen risiko yang tepat.”

Kebutuhan untuk bersaing dengan bank dan fintech yang sudah memiliki teknologi ini adalah pendorong lain dari proyek ini.

“Para guru sebagai credit union ingin memastikan mereka memanfaatkan kekuatan semua data mereka dan semua pengalaman dengan anggota mereka untuk mulai menggunakan analitik paling canggih untuk memberikan harga yang tepat dan produk yang tepat atau bahkan penjualan silang,” kata CEO Corridor Platforms Manish Gupta kepada American Banker. “Bank -bank nasional telah menghabiskan banyak sumber daya untuk analisis data, pemodel, dan platform yang melakukan ini, sedangkan serikat kredit secara tradisional mengandalkan kesetiaan anggota.”

Ketika orang mengajukan kartu kredit, pinjaman pribadi dan pinjaman mobil, norma industri dan harapan pelanggan adalah bahwa mereka akan mendapatkan jawaban dan harga secara instan, kata Gupta. “Kapan saja itu manual, maka itu tidak bisa instan,” katanya.

Jika pesaing dapat memberikan jawaban langsung “saat Anda mengatakan, ‘Izinkan saya menghubungi Anda,’ lalu yang pada dasarnya terjadi adalah semua pelanggan yang baik pergi ke jawaban sesaat,” kata Gupta. Serikat kredit yang tidak dapat mengimbangi pelanggan yang tidak memenuhi syarat untuk pinjaman online instan, katanya.

“Tidak ada pilihan,” kata Gupta. “Setiap bank perlu beralih ke pengambilan keputusan instan, menggunakan semua kekuatan analitik dan AI. Guru sekarang telah mencapai itu, dan mereka dapat bersaing secara nasional dengan salah satu bank teratas.”

Platform keputusan pinjaman otomatis dapat berbasis aturan atau berbasis AI.

“AI tidak perlu membuat keputusan instan,” Craig Focardi, analis perbankan utama di Celent, sekarang menjadi bagian dari Globaldata, mengatakan kepada bankir Amerika. “Pengambilan keputusan instan real-time adalah masalah teknologi, bukan masalah analitik AI versus analitik lainnya. Banyak pemberi pinjaman terus membuat keputusan real-time hari ini dengan skor FICO atau VantageScore dalam lingkungan waktu nyata dan melakukannya dengan sangat baik.”

Dalam pandangannya, meningkatkan ke skor kredit terbaru, seperti FICO 10 T atau Vantagescore 4.0, dapat memberi bank peningkatan prediktabilitas yang sama dari default model pinjaman berbasis AI. Baik FICO 10 T dan Vantagescore mempertimbangkan data yang tren, yang mencerminkan perubahan perilaku kredit dari waktu ke waktu, di mana versi skor kredit yang lebih lama bergantung pada catatan sejarah kredit yang mewakili satu titik waktu.

Namun, bagi banyak bank, meningkatkan ke skor kredit baru di semua sistem pinjaman mereka adalah sebuah tantangan.

“Mahal untuk mengkalibrasi ulang model -model itu dan mengubah kebijakan dan sistem mereka di seluruh pinjaman, servis dan manajemen portofolio,” kata Focardi.

Alih -alih meningkatkan ke skor kredit terbaru, bank biasanya menyimpan skor lama dan baut pada model AI ke proses pinjaman untuk memasukkan perilaku konsumen baru -baru ini ke dalam keputusan mereka, kata Focardi.

Pemberi pinjaman terkemuka menggunakan kedua versi modern dari skor Biro Standar dan model AI, kata Focardi. “Mereka juga dapat menggunakan skor kustom internal yang dikembangkan secara internal atau dengan vendor pihak ketiga. Capital One Bank adalah salah satu contoh.”

Bagaimana guru mendekati pinjaman berbasis AI

Setelah Calhoun mengatakan dia ingin berinvestasi dalam pinjaman yang berbasis di AI, Suresh Renganathan, chief technology officer di guru, mulai mencari platform yang dibangun khusus untuk lembaga keuangan dengan kemampuan untuk menawarkan pinjaman secara nasional dan diselesaikan pada perangkat lunak koridor.

Selama setahun terakhir, credit union telah bergeser dari manual ke penjaminan otomatis, dengan tingkatan berisiko rendah, menengah dan tinggi. Sekarang menggunakan penjaminan otomatis untuk 80% hingga 90% pinjaman. Pelanggan mengisi pinjaman standar dan aplikasi kartu kredit di situs web guru, model pembelajaran mesin Corridor membuat keputusan pinjaman dan pakar kredit manusia memvalidasi mereka.

Calhoun berharap perangkat lunak ini akan memungkinkan staf memiliki lebih banyak waktu untuk melakukan hal-hal seperti penjualan silang dan membangun hubungan pelanggan. Dia juga berharap menggunakan AI akan memungkinkan guru untuk meningkatkan bisnis pinjamannya tanpa meningkatkan jumlah karyawan.

Peran lain untuk spesialis kredit di guru, kata Renganathan, adalah secara teratur mengkalibrasi ulang model pengambilan keputusan.

“Kami fokus pada audit pasca-keputusan,” katanya. “Kami juga mencari analisis pinjaman yang adil secara teratur dan stres menguji model kami dalam kondisi ekonomi yang berbeda. Kami tidak akan dapat melakukan itu jika masih terjadi penjaminan manual.”

Bagaimana model AI bekerja

Setiap skor kredit eksternal, seperti skor FICO, menggunakan data Biro Kredit Standar untuk mencoba memprediksi kemungkinan pembayaran peminjam. Tidak memperhitungkan data internal yang dimiliki perusahaan seperti guru tentang pelanggannya, seperti manajemen akun mereka yang bertanggung jawab (atau tidak bertanggung jawab) dan rekam jejak mereka membayar tagihan dan melakukan pembayaran sewa tepat waktu.

Model Guru menggunakan skor FICO dan data Biro Kredit dari TransUnion untuk mendapatkan pandangan risiko standar antar peminjam. Ini juga menciptakan skor eksklusif untuk setiap pelanggan dengan menganalisis data biro kredit bersama data akun pelanggan. Skor khusus ini memungkinkannya memperhitungkan wawasan khusus anggota seperti berapa lama anggota telah menjadi pelanggan, perilaku pembayaran, apakah anggota memiliki pekerjaan dan ukuran gaji anggota.

“Model -model telah dilatih tidak hanya menggunakan data kinerja pinjaman internal, tetapi juga diperkaya dengan data biro tepercaya dari TransUnion dalam kasus kami, sehingga setiap keputusan dapat dijelaskan sepenuhnya, dapat diaudit, dan selaras dengan standar pinjaman yang adil,” kata Renganathan.

Kekuatan prediktif bersih dari skor internal lebih baik daripada skor kredit standar, menurut Gupta. “Itulah sebabnya kami akan selalu mendorong bank yang lebih besar atau serikat kredit untuk mulai memasukkan data mereka sendiri, karena itulah yang Anda berhutang kepada anggota Anda, karena mereka telah mengembangkan hubungan dengan Anda, dan FICO selalu tampak terbelakang dan tidak memiliki data terbaru.”

“Ketika kami awalnya melihat ini dan melakukan semua pengujian, sangat berharga bagi saya untuk melihat bahwa orang -orang yang sebaliknya, melalui proses manual normal, akan menolak, sekarang akan direkomendasikan untuk disetujui melalui mesin otomatis,” kata Calhoun.

Untuk memastikan integritas dan keadilan model, guru melibatkan perusahaan audit eksternal untuk memvalidasi. “Mereka dengan ketat menilai model kami untuk bias, kemampuan penjelasan, stabilitas dan kepatuhan peraturan, termasuk kepatuhan terhadap standar pinjaman yang adil,” kata Reganganathan.

Bekerja melalui reservasi

Selama bertahun -tahun, bank khawatir bahwa menggunakan kecerdasan buatan dalam keputusan kredit mereka akan memicu pengawasan dari regulator, yang telah memperingatkan di masa lalu bahwa keputusan kredit tidak dapat dibuat dalam kotak hitam, mereka harus transparan dan dapat dijelaskan.

“Kekhawatiran peraturan tidak pernah hilang,” kata Focardi. “Masalah utama bagi regulator adalah risiko kredit, keadilan, pengungkapan kepada konsumen dan kemampuan menjelaskan keputusan pinjaman, apakah itu persetujuan atau penolakan.”

Untuk alasan ini, bank tidak akan merobek dan mengganti skor biro kredit standar secara massal demi pemodelan AI/ML saja, kata Focardi. “Ini tidak akan terjadi, tentu saja tidak dalam semalam. Mungkin perlu bertahun -tahun untuk berkembang lebih jauh ke arah itu karena kerangka kerja peraturan menjadi lebih menerima pemodelan AI, dan kami tidak akan pernah sampai di sana dalam hipotek, karena kami memiliki sistem penjaminan otomatis Fannie Mae dan Freddie Mac.”

Tapi hari ini, rintangan terbesar adalah kendala sumber daya, kata Focardi. Lembaga keuangan kecil “biasanya tidak memiliki sumber daya untuk melakukan pengembangan model,” katanya.

Dia melihat bank menggunakan model AI untuk kartu kredit dan asal pinjaman pribadi, “karena itu adalah jenis produk pinjaman pinjaman yang lebih rendah, lebih mudah ditrihatkan yang tidak memerlukan jaminan,” katanya.

Pinjaman otomatis, pinjaman ekuitas rumah dan pinjaman hipotek memiliki rintangan yang lebih tinggi untuk kebijakan kredit, persyaratan peraturan dan kemampuan penjelasan kepada pembuat kebijakan dan regulator bank internal. Adopsi penjaminan berbasis AI di bidang-bidang ini lebih kecil, tetapi berkembang, kata Focardi.