当我二十出头的时候，我申请了一笔小额个人贷款，但由于信用评分不佳，我被拒绝了. 当我询问时，信用评分机构说我没有历史记录是原因. 令人沮丧的是，我没有债务记录, 不是我的月收入和健康的银行存款, 是决定性因素.
当个人对个人(P2P)贷款在2000年代中期出现时，我很兴奋, 因为我可以看到，它有可能摆脱僵化的信用评分系统，让更多的人获得信贷. 早期的批评人士表示，如果没有中介机构进行尽职调查，P2P将太容易受到欺诈的影响. 当然，有一些问题，但它现在是一个经过验证的系统，与 P2P支付每年超过1万亿美元, 到2024年，这些贷款的收入预计将增长到近9000亿美元.
为了实现这种增长，P2P贷款机构不得不追逐更“有风险”的客户——就信用评分而言, 但, 最重要的是, 就违约可能性而言，风险并不大. 有趣的是，一些P2P贷款机构正在使用人工智能和机器学习(AI-ML)来帮助更好地理解风险，并在此过程中建立成功的贷款业务.
银行可以从P2P AI-ML应用中学到什么?
P2P贷款机构Upstart声称，AI-ML帮助他们减少了欺诈, 解锁传统贷款机构忽视的新的可行贷款机会, 并自动化贷款审批流程，以更低的成本获得更好的客户体验.
像Upstart这样的P2P贷款机构会辩称，银行过于依赖个人的信用评分. 相比之下，他们必须尽可能多地收集有关贷款申请人的数据(例如.g. 教育, 工作经历, 他们如何与应用程序交互)，然后应用AI-ML技术来分析数据，以准确地建模风险并做出更明智的贷款决策. 他们的模型通过观察贷款的表现来不断学习，以告知下一笔贷款的价格. AI-ML还用于检测欺诈和欺诈行为 自动化60%的应用程序. 在这样做的过程中，他们取得了成就 违约率降低75% 与同等批准率的大银行相比.
银行已经掌握了大部分数据, 有时更多, 那么是什么阻碍了采用AI-ML来释放这些机会呢?
银行有严格的风险管理措施，这是有充分理由的. AI-ML将为信用风险团队带来新的见解. 他们如何适应和应对将是关键. 这将需要从董事会层面对信用风险实践的变化进行仔细的教育, 一直到信用风险管理人员. 谁领导和推动这些变化往往是不清楚的. 正是在这片充满不确定性的迷雾海洋中，银行才能快速灵活地适应这些变化.
还有一种担忧是，监管机构可能会认为这削弱了该行防范金融犯罪的能力.
同时我们发现监管机构对新技术的谨慎是可以理解的, 他们清楚地认识到AI-ML是改善信贷渠道和打击金融犯罪的一种手段. P2P贷款机构已经证明，适当的保障措施可以应用于他们的贷款技术, 导致他们 批准 继续沿着这条路走下去.
银行如何安全地加速将AI-ML应用于贷款申请流程?
对于那些认识到将AI-ML见解应用于贷款审批流程的价值的银行人员来说，他们遇到了挑战:从将数据导入云中, 将这些见解应用到贷款审批流程中.
而不是建立自己的AI-ML贷款模型, 一些较小的银行正在使用P2P提供商的“贷款即服务”平台. 然而, 一级和二级银行希望建立自己的平台，并利用自己掌握的大量客户数据. 实现统一的数据策略是一个不太方便的先兆, 哪些是不小的事业. 银行应该优先考虑他们的数据沿袭项目，这样他们就可以识别和有效地处理可以集成到贷款决策过程中的大量数据点.
我为P2P贷款机构试图通过AI-ML应用实现的目标感到自豪. 我相信银行可以享受到这些好处, 甚至更多, 当他们在贷款业务中实施AI-ML时. 毫不奇怪，这需要比贷款业务更广泛的领域. 信息过载和系统复杂性是巨大的挑战. 在某种程度上，大数据已经成为问题所在. AI-ML就是答案. 它是唯一一种能够将所有非结构化数据转化为有用知识的智能形式. 在整个银行实施AI-ML之前，大数据仍将是一个锁着的保险箱.
