Machine learning phân tích dữ liệu để giảm rủi ro tín dụng.

Rủi ro tín dụng là một trong một trong những thách thức tài chính quan trọng nhất xuất hiện trong hệ thống ngân hàng. Cho đến nay rất nhiều người cho vay chậm trễ trong việc tận dụng Intel® Performance Libraries để dự đoán phân chia rủi ro tín dụng.  Mặc dù theo báo cáo gần đây từ McKinsey đã chỉ ra rằng machine learning có thể phân tích dữ liệu để giảm rủi ro tín dụng tới 10%, tuy nhiên hơn một nửa các nhà quản lý rủi ro nhận định ​​thời gian quyết định tín dụng sẽ giảm từ 25 đến 50%.

Điểm tín dụng truyền thống thường dễ dàng hơn để giải thích 1 khách hàng sẽ được tính điểm tín dụng như thế nào và cách quản lý mỗi khách hàng là tương tự nhau.

Machine leaning chấm điểm tín dụng.

Mô hình truyền thống có xu hướng tập trung lên tài chính của người đi vay mượn (borrowers), và phân chia khách hàng dựa trên nhân khẩu học, lịch sử thanh toán, và các yếu tố khác về kinh tế vĩ mô . Điều này khiến cho mô hình truyền thống trở nên dễ dàng hơn cho các định chế tài chính ( chính phủ, ngân hàng tư nhân) thể hiện mối quan hệ rõ ràng giữa khách hàng và chấm điểm tín dụng.

Tuy nhiên, cách mà nhiều khách hàng đang chi trả, tiết kiệm và vay mượn tài chính đang thay đổi nhanh chóng cùng công nghệ.

Sử dụng machine learning phân tích tín dụng.

Với sự phát triển của machine learning, ngân hàng và các tổ chức tài chính khác ngày càng có khả năng thực hiện công việc khoa học và chính xác hơn rất nhiều thay vì dự đoán như trước kia. Phần lớn các tổ chức tài chính sử dụng AI để phát hiện và ngăn chặn nhiều giao dịch gian lận trong vài năm.

Ví dụ, trong năm 2017 JPMogan Chase ra mắt COIN, một nền thông minh được sử dụng để xem xét 12.000 thỏa thuận tín dụng thương mại hàng năm trong vài giây. Công việc này sẽ tốn của 1 nhân viên 360,000 giờ làm việc mỗi năm để phân tích khối lượng hồ sơ tương đương.

Các mô hình machine learning chấm điểm tín dụng dựa trên AI kết hợp giữa lịch sử tín dụng của khách hàng và tiềm năng của big data. Sử dụng 1 nguồn lớn các thông tin được khai thác từ AI để cải thiện các quyết định tín dụng và mang lại sự thật ngầm hiểu ( insights) tốt hơn so với một chuyên gia phân tích là con người.

Machine learning phân tích dữ liệu bằng PoC

Mô hình Proof of concept ( PoC) chỉ ra rằng việc chạy mô hình tính điểm tín dụng dựa trên AI trên bộ xử lý Intel® Xeon® và sử dụng Intel® Performance Libraries có thể giúp các ngân hàng tăng hiệu suất của machine learning và phân tích dữ liệu.

Việc sử dụng Intel® Performance Libraries trên bộ vi xử lý Intel® Xeon® Gold 6128 giúp các ứng dụng machine learning đưa ra dự đoán nhanh hơn khi chạy thử nghiệm trên dữ liệu tín dụng của trên 1000 khoản vay tại Đức. Các bước chính bao gồm trong thiết kế mô hình PoC sẽ được show trong hình ảnh dưới đây.

Để biết thêm thông tin , bạn có thể đọc toàn bộ case study này tại đây, xem mô hình do Intel xây dựng đã giúp machine learning phân tích dữ liệu như thế nào?

Machine learning phân tích dữ liệu dựa trên mô hình PoC.
Mô hình PoC ( Proof of concept)

Phát triển tiềm năng AI trong tương lai

Tham gia cùng đội ngũ developer và khám phá thêm nhiều phần mềm free software, code sample, SDKs tại Intel® AI Academy. Nhận được quyền truy cập miễn phí từ Intel® AI DevCloud để tận dụng Intel® Performance Libraries – sản phẩm đã giành giải thưởng để tối ưu hóa mã và rút ngắn thời gian phát triển sản phẩm IT.

Theo Artificial Intelligent News

Bạn muốn trích dẫn bài này:
-----
"Machine learning phân tích dữ liệu để giảm rủi ro tín dụng.," Trí tuệ nhân tạo, Ngày xuất bản: 04/05/2019, URL: https://trituenhantao.io/tin-tuc/machine-learning-phan-tich-du%cc%83-lie%cc%a3u-de%cc%89-gia%cc%89m-ru%cc%89i-ro-tin-du%cc%a3ng/, Ngày truy cập: 30/10/2020.



, ,

Về trituenhantao.io

Trituenhantao.io là trang web chia sẻ thông tin, kiến thức, kinh nghiệm học tập và triển khai các chương trình và dự án sử dụng trí tuệ nhân tạo trên thế giới.
Xem tất cả các bài viết của trituenhantao.io →