광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
로고

[인공지능] 인공지능이 금융 분야를 혁신하고 있다. COMMERCE'Simple의 AI는 은행 관리자의 대출 결정을 95% 이상의 정확도로 예측할 수 있다. 이제 인간 대출 관리자가 없을 때 은행이 대출을 더 빠르고 저렴하게 처리할 수 있다.

https://www.unite.ai/simple-ai-can-anticipate-bank-managers-loan-decisions-to-over-95-accuracy/

JM Kim | 기사입력 2022/02/23 [00:00]

[인공지능] 인공지능이 금융 분야를 혁신하고 있다. COMMERCE'Simple의 AI는 은행 관리자의 대출 결정을 95% 이상의 정확도로 예측할 수 있다. 이제 인간 대출 관리자가 없을 때 은행이 대출을 더 빠르고 저렴하게 처리할 수 있다.

https://www.unite.ai/simple-ai-can-anticipate-bank-managers-loan-decisions-to-over-95-accuracy/

JM Kim | 입력 : 2022/02/23 [00:00]

새로운 연구 프로젝트에 따르면 은행 관리자가 내린 재량적 결정은 머신러닝 시스템에서 95% 이상의 정확도로 복제될 수 있다.

 

권한 있는 데이터 세트에서 은행 관리자가 사용할 수 있는 동일한 데이터를 사용하여 테스트에서 가장 성능이 좋은 알고리즘은 Random Forest 구현이었다. 20년이 넘었지만 대출에 대한 최종 결정을 내리는 인간 은행 관리자의 행동을 모방하려고 할 때 여전히 신경망을 능가하는 매우 간단한 접근 방식이다.

 

 

프로젝트에서 4가지 중 하나인 Random Forest 알고리즘은 알고리즘의 상대적 단순성에도 불구하고 은행 관리자의 성과에 비해 높은 인간 동등 점수를 달성한다. 출처: 관리자 대 기계: 알고리즘은 신용 등급에서 인간의 직관을 복제할까?, https://arxiv.org/pdf/2202.04218.pdf

 

'대형 상업 은행'에서 4,414명의 고유 고객에 대한 37,449개의 대출 등급에 대한 독점 데이터 세트에 액세스한 연구원들은 사전 인쇄 문서의 여러 지점에서 관리자에게 결정을 내리기 위해 제공되는 자동화된 데이터 분석이 이제 다음이 되었다고 제안한다. 은행 관리자가 거의 벗어나지 않을 정도로 정확하여 대출 승인 프로세스에서 은행 관리자의 역할은 주로 대출 불이행 시 해고할 사람을 유지하는 것으로 구성되어 있음을 의미한다.

 

논문에서는 다음과 같이 말한다.

 

'실용적인 관점에서 우리의 결과는 매우 유사한 결과를 가진 인간 대출 관리자가 없을 때 은행이 대출을 더 빠르고 저렴하게 처리할 수 있음을 나타낼 수 있다는 점에 주목할 가치가 있다관리자는 자연스럽게 다양한 작업을 수행하지만 이 특정 작업에 필수적이라고 주장하기 어렵고 비교적 간단한 알고리즘도 마찬가지로 수행할 수 있다.

 

'추가 데이터와 계산 능력으로 이러한 알고리즘도 더욱 향상될 수 있다는 점에 주목하는 것도 중요하다'

 

이 논문의 제목은 Managers vs Machines: Do Algorithms Replicate Human Intuition in Credit Ratings?이며 UoC Irvine의 경제부 및 통계부와 브라질의 Bank of Communications BBM에서 제공한다.

 

신용 평가에서 로봇 인간 행동

 

결과는 머신러닝 시스템이 대출 및 신용 등급에 대한 결정을 내리는 데 반드시 더 우수하다는 것을 의미하는 것이 아니라, 오히려 현재 매우 '낮은 수준'으로 간주되는 알고리즘조차도 동일한 데이터에서 인간과 동일한 결론을 도출할 수 있음을 의미한다.

 

보고서는 암묵적으로 은행 관리자를 통계 및 분석 스코어카드 시스템이 제시하는 위험 점수를 높이는 것이 핵심 기능인 일종의 '미트웨어 방화벽'으로 규정한다(은행에서 '노칭'으로 알려진 관행).

 

'시간이 지남에 따라 관리자는 성과 기록표와 같은 알고리즘 수단의 향상된 성능 또는 의존성을 나타낼 수 있는 재량권을 덜 사용하는 것으로 보인다.'

 

연구원들은 또한 다음과 같이 언급했다.

 

'이 논문의 결과는 고도로 숙련된 은행 관리자가 실행하는 이 특정 작업이 실제로 비교적 간단한 알고리즘으로 쉽게 복제될 수 있음을 보여준다. 이러한 알고리즘의 성능은 산업 간 차이를 고려하여 미세 조정하여 향상될 수 있으며 물론 대출 관행에 공정성을 고려하는 것과 같은 추가 목표를 포함하거나 다른 사회적 목표를 촉진하기 위해 쉽게 확장될 수 있다.'

 

 

차이점 발견: 스코어카드(자동) 등급의 위험 평가는 작업에서 결정을 연구한 은행 관리자에 의해 통계적으로 증가('노치')된다. , 복제 가능한 절차이다.

 

데이터에 따르면 은행 관리자는 거의 알고리즘적이고 예측 가능한 방식으로 이 작업을 수행하므로 조정을 복제하는 것이 그리 어렵지 않다. 이 프로세스는 단순히 원래 스코어카드 데이터를 '추측'하고 예측 가능한 마진 내에서 위험 등급을 상향 조정한다.

 

방법 및 데이터

 

프로젝트의 명시된 의도는 현재의 대출 신청 절차 프레임워크를 대체하도록 설계된 혁신적인 대안 시스템을 개발하기보다는 은행 관리자가 사용할 수 있는 점수 시스템 및 기타 변수를 기반으로 어떤 결정을 내릴지 예측하는 것이었다.

 

프로젝트를 위해 테스트한 머신러닝 방법은 MNL-LASSO(Multinomial Logistic LASSO), 신경망, 그리고 두 가지 분류 및 회귀 트리(CART) 구현인 랜덤 포레스트 및 그라디언트 부스팅이었다.

 

이 프로젝트는 실제 신용 평가 작업에 대한 스코어카드 데이터와 데이터에 알려진 결과를 모두 고려했다. 스코어카드 등급은 제안된 대출에 대한 주요 변수가 종종 로지스틱 회귀와 같은 간단한 수단을 통해 위험 매트릭스로 계산되는 가장 오래된 알고리즘 방식 중 하나이다.

 

결과

 

MNL-LASSO는 평가된 사례에서 실제 관리자와 비교하여 대출의 53%만 성공적으로 분류하여 테스트한 알고리즘 중 가장 저조한 성능을 보였다.

 

다른 세 가지 방법(Random Forest Gradient Boosting을 포함하는 CART 포함)은 모두 정확도와 RMSE(Root Mean Square Error) 측면에서 최소 90%의 점수를 받았다.

 

그러나 Random Forest CART 구현은 거의 96%의 인상적인 점수를 얻었고 Gradient Boosting이 그 뒤를 이었다.

 

 

제거 연구(아래 표 섹션) 동안 테스트에서 스코어카드 등급이 제거된 경우에도 알고리즘은 신용 등급에 대한 인간 은행 관리자의 식별을 복제하는 데 탁월한 성능을 달성한다.

 

놀랍게도 연구원들은 구현된 신경망이 RMSE 격차가 더 넓은 상태에서 93%의 점수를 얻었으며, 이는 인간이 생성한 추정치에서 몇 단계 떨어진 위험 값을 생성한다는 것을 발견했다.

 

저자는 다음과 같이 관찰한다.

 

'[이러한] 결과는 객관적인 기본 확률과 같은 정확도의 외부 메트릭에 관한 한 한 방법이 다른 방법을 능가한다는 것을 나타내지 않는다. 예를 들어 신경망이 해당 분류 작업에 가장 적합할 수 있다.

 

'여기서 목표는 인간 관리자의 선택을 복제하는 것뿐이며 이 작업에서 Random Forest는 조사된 메트릭에서 다른 모든 방법보다 성능이 우수한 것으로 보인다.'

 

연구원에 따르면 시스템이 재생산할 수 없는 5%는 해당 산업의 이질성으로 설명된다. 저자는 관리자의 5%가 이러한 차이의 거의 모두를 설명하고 더 정교한 시스템이 궁극적으로 그러한 사용 사례를 커버하고 부족분을 메울 수 있다고 믿는다.

 

자동화하기 어려운 책임

 

후속 관련 프로젝트에서 입증된다면, 연구는 '은행 관리자' 역할이 비교 가능한 기계 시스템의 정확성이 유지되는 동안 '감시자' 지위로 축소되고 있는 한때 강력했던 권위와 분별력의 간부가 증가하는 데 추가될 수 있음을 시사한다. 장기간에 걸쳐 테스트된다. 특정 중요한 작업을 자동화할 수 없다는 일반적 입장을 훼손한다.

 

그러나 은행 관리자에게 좋은 소식은 정치적인 관점에서 신용등급 평가와 같은 중요한 사회적 프로세스에서 인적 책임의 필요성이 현재 역할을 유지할 가능성이 있다는 것이다. 머신러닝 시스템에 의해 완전히 재현 가능해야 한다.

 
인공지능, 머신러닝, 금융, 금융혁신 관련기사목록
광고
광고
광고
광고
광고
광고
광고
많이 본 기사