Uno de los aspectos más conservadores de las finanzas, la decisión de prestar a alguien, se está transformando por la puntuación de crédito impulsada por la IA. Este es un cambio gradual para las personas cuya historia de crédito es rica y que han estado con los bancos durante un largo período de tiempo. Puede ser cambiante para la vida, sin embargo, para los prestatarios de archivos finos y aquellos que se encuentran en la economía informal. Pueden finalmente ser detectados en lugar de ser invisibles al sistema. Este artículo discute la aplicación de datos alternativos para crear puntuaciones de crédito basadas en IA para individuos y pequeñas empresas que carecen de un registro de crédito tradicional, el riesgo de injusticia y prejuicios cuando los datos de la oficina no están disponibles, y el impulso regulatorio para crear IA explicable en la subscripción de poblaciones Thin File and Informal Economy Problem El problema del archivo delgado y la economía informal Las calificaciones de crédito convencionales presuponen algún tipo de existencia financiera. Asumen que un individuo tiene una cuenta bancaria, productos financieros formales, y ha tomado préstamo o utilizado una tarjeta de crédito previamente. Asumen que los empleadores operan el salario de una manera formal y los comerciantes trabajan en la parte visible de la economía - la parte documentada. Prácticamente, una proporción colossal del mundo no es así. Los jóvenes adultos a menudo no tienen préstamos o tarjetas. Los inmigrantes pueden poseer buenos antecedentes de crédito en sus países de origen y nada en sus nuevos. La mayoría de sus transacciones se hacen en efectivo o en plataformas digitales que no reportan a las oficinas: trabajadores de gig, vendedores de calle, vendedores informales, y un gran número de microempresarios Estos prestatarios no son necesariamente más arriscados; es sólo que el sistema es sordo y ciego a las señales que realmente caracterizan su vida financiera. El concepto básico de la aplicación de la IA a la puntuación de crédito aquí es sencillo. Donde las estadísticas de la oficina son deficientes o demasiado escasas, busque en otro lugar. Hay numerosas huellas digitales en la vida moderna. Cuando tales huellas son recogidas de manera responsable con consentimiento y convertidas en señales más organizadas, pueden decir mucho sobre la estabilidad de una persona, su potencial de ganancias y sus posibilidades de reembolso. Una de las primeras y más valiosas fuentes es a menudo los datos de telecomunicaciones. Los operadores móviles entienden cómo alguien llena los saldos prepagados en una base regular, si usan el mismo número Otra fuente confiable de energía es el comercio electrónico y los datos de las plataformas digitales. Poco se puede contener en el archivo de la oficina de un conductor de transporte, pero una plataforma puede acceder a cuentas de viajes, ingresos por semana, datos de cancelación, reseñas de clientes y duración del conductor. Un micro-mercante como vendedor en un mercado deja detrás de un historial de pedidos completados, reembolsos hechos, quejas presentadas, stock-outs y patrones de crecimiento. En el caso de negocios informales, los datos de la plataforma se pueden utilizar como el equivalente más cercano a los estados financieros oficiales. A continuación, hay una cuenta bancaria, billetera digital y abierto banco API datos de flujo de efectivo. Aunque un prestatario puede carecer de un largo historial de crédito, él En situaciones en las que los empleadores están conectados a los servicios de salarios, los prestamistas pueden confirmar el empleo, los ingresos mensuales, la duración del empleo y los cambios de compensación. Para aquellos con varios trabajos a tiempo parcial, esta imagen compuesta será mucho más informativa que un salario. Por último, con el uso adecuado, los datos de comportamiento y nivel de dispositivo se pueden utilizar para ayudar en la estimación del riesgo y el fraude. La duración del tiempo que un individuo ha estado utilizando el mismo dispositivo, la regularidad de sus ubicaciones de inicio de sesión, cómo utilizan la aplicación a lo largo de los meses, así como la hora del día en que normalmente realizan las transacciones, pueden proporcionar indicadores de autenticidad y estabilidad. Estas señales deben ser tratadas con cuidado para evitar la discriminación de proxy, aunque How AI Transforms Sloppy Signals into a Score? ¿Cómo transforma la IA las señales desagradables en una puntuación? Estas otras fuentes de datos son densamente pobladas y no estructuradas. La estructura de los registros de telecomunicaciones, los eventos de la plataforma, las transacciones bancarias y la telemetría de dispositivos no es la de un informe tradicional de la oficina. Son ruidosas, dimensionales y llenas de patrones de idiosincrasia. En este punto, la IA, en particular el moderno aprendizaje automático, es necesaria. El ciclo de vida común comienza con la agregación de datos. Los prestamistas tienen acceso a socios de telecomunicaciones, fuentes bancarias abiertas, API de payroll y socios de plataforma bajo la condición de leyes de protección de datos y consentimiento directo de los clientes. Absorben los datos crudos en entornos seguros y lo normalizan. Las actividades de recarga de teléfonos, los créditos de cartera y las órdenes de comercio electrónico se convierten en series de tiempo que tienen formatos regulares. Se eliminan las anomalías innecesarias y las duplicadas y se procesan los valores que faltan. De esto, las características son construidas por los científicos de datos. Crean variables de resumen en lugar de simplemente alimentar todas las transacciones crudas en un modelo: flujo de efectivo neto mensual promedio; la proporción de meses en los que los ahorros son positivos; el período más largo consecutivo de no pagos a los acreedores; los meses de ingresos bajos; el crecimiento o la decadencia de los ingresos de la plataforma; la variabilidad de las horas de Estos atributos están tratando de comprimir la vida económica de un individuo en números que pueden ser digeridos por el modelo. Los árboles de aumento de gradientes, los bosques aleatorios y las redes neuronales son entonces algoritmos de aprendizaje automático que se entrenan en datos históricos donde el resultado ya es conocido. En el caso de la puntuación de crédito, el resultado suele ser un default por el prestatario durante un período de tiempo especificado, digamos seis o doce meses. El modelo conoce combinaciones de características que indican más o menos riesgo. Los patrones encontrados entre los contratistas humanos no habrían sido identificados por el discernimiento humano, como interacciones menores entre las volatilidades de los flujos de efectivo y la tenencia de la plataforma. La validación es crítica. El modelo se aplica a los datos que no se Medidas como la AUC, el coeficiente de Gini y las estadísticas de Kolmogorov-Smirnov se utilizan para medir el poder de la discriminación, mientras que las parcelas de calibración indican si las probabilidades predichas son idénticas a las tasas de defecto reales. Además de los números de cabeza, los prestamistas necesitan mirar el rendimiento basado en el segmento: nuevos prestamistas versus prestamistas experimentados, diversas ocupaciones, regiones y bandas de ingresos. Tras la implementación, el modelo clasificará a los nuevos solicitantes en el vuelo, y una respuesta se proporcionará en unos segundos. 
 
 Esta historia fue distribuida como una publicación por Sanya Kapoor bajo el Programa de Blogging de Negocios de HackerNoon. This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program El programa de blogs de negocios de HackerNoon El programa de blogs de negocios de HackerNoon

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Este audio es producido en el idioma original de la historia!

Puntuación de crédito impulsada por IA para la economía del archivo delgado y informal

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Nómadas digitales escuchen: lo que necesitan saber sobre la nueva visa DTV de Tailandia

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps