Введение: эволюция кредитного скоринга в США

Кредитный скоринг — процесс оценки кредитоспособности потенциальных заемщиков — является одним из ключевых элементов финансовой системы США. На протяжении десятилетий эта область эволюционировала от простых ручных оценок до сложных автоматизированных систем, а сегодня переживает новую трансформацию благодаря внедрению искусственного интеллекта и машинного обучения.

Традиционные системы кредитного скоринга, такие как FICO Score (разработанный компанией Fair Isaac Corporation в 1989 году), основаны на относительно простых статистических моделях, учитывающих ограниченный набор факторов: историю платежей, текущую задолженность, длительность кредитной истории, новые кредиты и типы используемых кредитов. Эти модели доказали свою эффективность, но имеют существенные ограничения.

В последние годы финансовые учреждения США начали активно внедрять системы скоринга нового поколения, использующие методы искусственного интеллекта (ИИ) и машинного обучения (МО). По данным исследования Cornerstone Advisors, к 2023 году около 78% крупных и 45% средних банков США внедрили или планируют внедрить ИИ-решения для кредитного скоринга.

Эта технологическая трансформация несет значительные преимущества, но одновременно создает серьезные этические, правовые и социальные вызовы. В данной статье мы рассмотрим, как американские банки применяют ИИ в кредитном скоринге, какие проблемы при этом возникают и как регуляторы и сама индустрия пытаются их решить.

Технологические основы ИИ-скоринга

От традиционных моделей к машинному обучению

Традиционные модели кредитного скоринга обычно основаны на логистической регрессии и других параметрических методах статистики. Эти модели имеют несколько ключевых ограничений:

• Они могут учитывать только заранее определенный набор переменных
• Предполагают линейные или простые нелинейные зависимости между переменными
• Не способны автоматически адаптироваться к изменяющимся условиям
• Ограничены в способности обрабатывать неструктурированные данные

Современные системы скоринга на основе ИИ преодолевают эти ограничения благодаря использованию различных методов машинного обучения:

Основные типы алгоритмов, используемых в ИИ-скоринге

Ансамблевые методы

Особенно популярны алгоритмы Random Forest и Gradient Boosting, которые объединяют множество "слабых" моделей для получения более точного прогноза. JP Morgan Chase использует ансамблевые методы для оценки кредитных заявок малого бизнеса, что позволило сократить время принятия решения с нескольких дней до нескольких часов.

Нейронные сети

Глубокие нейронные сети способны выявлять сложные нелинейные зависимости в данных. Bank of America разработал систему на основе нейронных сетей, которая анализирует историю транзакций клиентов для более точной оценки кредитного риска.

Методы обработки естественного языка (NLP)

Эти алгоритмы позволяют анализировать текстовую информацию, включая записи в социальных сетях, обзоры и отзывы. Компания Upstart, партнер нескольких американских банков, использует NLP для анализа образовательной и профессиональной информации заемщиков.

Методы обучения с подкреплением

Эти алгоритмы могут адаптивно улучшать свои решения на основе обратной связи. Goldman Sachs экспериментирует с методами обучения с подкреплением для динамической корректировки кредитных лимитов.

Расширенные источники данных

Одно из ключевых преимуществ ИИ-скоринга — способность обрабатывать и анализировать гораздо более широкий спектр данных, чем традиционные модели. Современные системы могут учитывать:

• Данные о транзакциях: Детальная история покупок, шаблоны расходов, периодичность доходов. Wells Fargo анализирует транзакционные данные для выявления финансовых привычек клиентов.
• Телекоммуникационные и коммунальные платежи: История оплаты счетов за телефон, интернет, электричество и другие услуги. Experian Boost позволяет потребителям добавлять эту информацию в свои кредитные отчеты.
• Данные о занятости и образовании: Стабильность работы, перспективы карьерного роста, уровень образования. SoFi использует эту информацию для оценки кредитоспособности выпускников престижных учебных заведений с ограниченной кредитной историей.
• Психометрические данные: Результаты специальных тестов, оценивающих честность, финансовую дисциплину и отношение к риску. Компания FICO предлагает решение FICO Score XD, которое использует альтернативные данные для оценки потребителей с ограниченной кредитной историей.
• Цифровой след: Поведение в интернете, использование устройств, профили в социальных сетях. ZestFinance (теперь Zest AI) анализирует тысячи точек данных, включая элементы цифрового следа, для оценки кредитного риска.

Использование этих дополнительных источников данных особенно важно для оценки кредитоспособности "невидимых для кредитной системы" потребителей (credit invisibles) — около 45 миллионов американцев, которые не имеют достаточной кредитной истории для генерации традиционного кредитного рейтинга.

Преимущества ИИ в кредитном скоринге

Повышение точности оценки риска

Исследования показывают, что модели на основе машинного обучения значительно превосходят традиционные подходы по точности прогнозирования дефолтов. По данным Zest AI, их модели снижают уровень дефолтов на 25-30% при том же уровне одобрения кредитов. JPMorgan Chase сообщает о снижении ложных отказов на 12% после внедрения систем ИИ для оценки кредитных заявок.

Повышение точности достигается благодаря способности ИИ выявлять неочевидные паттерны и взаимосвязи в данных. Например, модели могут обнаружить, что определенные комбинации факторов, которые по отдельности не кажутся значимыми, вместе сильно влияют на вероятность дефолта.

Расширение доступа к кредитам

Использование альтернативных данных и более гибких моделей оценки позволяет банкам предоставлять кредиты заемщикам, которые ранее считались слишком рискованными или не имели достаточной кредитной истории. По оценкам Consumer Financial Protection Bureau (CFPB), около 26 миллионов американцев являются "кредитно невидимыми", а еще 19 миллионов имеют "недостаточную" кредитную историю.

Upstart, финтех-компания, специализирующаяся на ИИ-скоринге, утверждает, что их модели позволяют одобрять на 27% больше заявок на кредиты при том же уровне риска по сравнению с традиционными методами. Они также отмечают, что их система обеспечивает на 16% более низкие эффективные процентные ставки для заемщиков.

Скорость и эффективность

Автоматизированные системы ИИ-скоринга значительно ускоряют процесс принятия решений по кредитам. Goldman Sachs сообщает, что их цифровой банк Marcus может принимать решения по потребительским кредитам за считанные минуты, в то время как традиционный процесс может занимать дни.

Ускорение процесса не только улучшает пользовательский опыт, но и снижает операционные расходы банков. По данным консалтинговой компании Bain & Company, автоматизация процесса кредитования с помощью ИИ может снизить стоимость обработки заявки на 30-50%.

Адаптивность и устойчивость

Модели машинного обучения могут постоянно адаптироваться к изменяющимся экономическим условиям и поведению потребителей. Это особенно важно в периоды экономической нестабильности, когда традиционные модели скоринга часто оказываются неэффективными.

Во время пандемии COVID-19 многие банки столкнулись с проблемой "модельного риска", когда их традиционные модели оценки риска перестали работать из-за беспрецедентных экономических условий. Финансовые учреждения, использующие адаптивные ИИ-модели, смогли быстрее перенастроить свои системы оценки.

"Искусственный интеллект позволяет нам не только более точно оценивать риски, но и лучше понимать потребности наших клиентов. Это открывает возможности для более персонализированного подхода к кредитованию, который выгоден как банку, так и заемщикам."

- Дэвид Тайсон, Глава отдела инноваций, Bank of America

Этические вызовы и проблемы справедливости

Алгоритмическая предвзятость

Одной из самых серьезных проблем ИИ в кредитном скоринге является риск алгоритмической предвзятости — ситуации, когда модели систематически дискриминируют определенные группы населения. Эта проблема может возникать по нескольким причинам:

• Предвзятость в обучающих данных: Если исторические данные отражают дискриминационные практики прошлого, модели могут "выучить" и воспроизводить эти паттерны.
• Проблема прокси-переменных: Даже если модели не используют защищенные характеристики (расу, пол, возраст) напрямую, они могут использовать переменные, которые сильно коррелируют с ними (например, почтовый индекс может служить прокси для расы в сегрегированных районах).
• "Черный ящик" сложных моделей: Многие современные алгоритмы, особенно глубокие нейронные сети, действуют как "черные ящики", затрудняя понимание того, как именно они принимают решения.

Исследование, проведенное University of California, Berkeley в 2019 году, показало, что алгоритмы кредитного скоринга на основе ИИ могут взимать с афроамериканцев и латиноамериканцев процентные ставки, которые на 5-9 базисных пунктов выше, чем для других заемщиков с аналогичным уровнем риска. Это может показаться небольшим различием, но в масштабах экономики оно приводит к дополнительным расходам для этих групп населения в размере $250-500 миллионов ежегодно.

Прозрачность и объяснимость

Сложность современных ИИ-моделей создает проблему "черного ящика", когда даже разработчики системы не могут полностью объяснить, почему алгоритм принял конкретное решение. Это противоречит требованиям прозрачности, установленным в законодательстве США, в частности, в Законе о равных возможностях кредитования (ECOA) и Законе о справедливой кредитной отчетности (FCRA).

ECOA требует, чтобы кредиторы предоставляли заемщикам конкретные причины отказа в кредите или предложения менее выгодных условий. Традиционные модели скоринга могут легко выделить ключевые факторы, повлиявшие на решение, но для сложных ИИ-моделей это представляет значительную техническую проблему.

Для решения этой проблемы разрабатываются методы "объяснимого ИИ" (XAI). Например, FICO разработал систему "FICO Score Reason Codes", которая генерирует понятные объяснения для решений, принятых сложными моделями. Компания Zest AI использует технологию ZAML (Zest Automated Machine Learning), которая обеспечивает прозрачность и объяснимость решений без ущерба для точности моделей.

Конфиденциальность и защита данных

Использование расширенных наборов данных, особенно информации из социальных сетей и других цифровых источников, вызывает серьезные опасения по поводу конфиденциальности. Многие потребители не осознают, что их поведение в интернете или сообщения в социальных сетях могут влиять на их кредитный рейтинг.

Законодательство США в области защиты данных является фрагментированным, с разными правилами на федеральном уровне и уровне штатов. Закон о конфиденциальности потребителей Калифорнии (CCPA), вступивший в силу в 2020 году, является одним из наиболее всеобъемлющих, предоставляя потребителям право знать, какие данные о них собираются, и отказываться от продажи своей личной информации.

Финансовые учреждения, использующие ИИ-скоринг, должны найти баланс между сбором достаточного количества данных для точной оценки и уважением права потребителей на конфиденциальность. Wells Fargo реализовал принцип "данные с согласия", когда клиенты могут контролировать, какие дополнительные данные используются для оценки их кредитоспособности.

Финансовая инклюзивность и справедливость

Хотя ИИ-скоринг может расширить доступ к кредитам для некоторых недостаточно обслуживаемых групп, существует риск, что он может создать новые формы исключения. Например, потребители с ограниченным доступом к технологиям или низким уровнем цифровой грамотности могут оказаться в невыгодном положении, если модели сильно полагаются на цифровые следы.

Исследование Pew Research Center показало, что около 10% взрослых американцев не пользуются интернетом, и эта доля значительно выше среди пожилых людей, лиц с низким уровнем образования и жителей сельской местности. Если банки чрезмерно полагаются на цифровые данные, эти группы могут столкнуться с новыми барьерами в доступе к кредитам.

Некоторые банки и финтех-компании разрабатывают специальные программы для обеспечения финансовой инклюзивности. Например, Capital One запустил программу "Financial Superpower", направленную на обучение финансовой грамотности и обеспечение доступа к финансовым услугам для недостаточно обслуживаемых сообществ.

Регуляторная среда и ответ индустрии

Текущая регуляторная ситуация в США

Регулирование ИИ в кредитном скоринге в США осуществляется в рамках существующего законодательства о кредитовании и защите прав потребителей:

• Закон о равных возможностях кредитования (ECOA) запрещает дискриминацию по защищенным характеристикам, включая расу, пол, возраст, религию и семейное положение.
• Закон о справедливой кредитной отчетности (FCRA) регулирует сбор, распространение и использование информации о потребителях для определения их кредитоспособности.
• Закон о справедливой практике взыскания долгов (FDCPA) защищает потребителей от недобросовестных практик взыскания долгов.
• Раздел V Закона о защите потребителей Додда-Франка запрещает "недобросовестные, вводящие в заблуждение или оскорбительные" действия или практики в сфере потребительских финансовых продуктов и услуг.

Бюро финансовой защиты потребителей (CFPB) является основным федеральным агентством, ответственным за регулирование кредитования потребителей. В 2019 году CFPB выпустило политику No-Action Letter (NAL), которая предоставляет компаниям временную защиту от правоприменительных действий при тестировании инновационных продуктов, включая ИИ-системы скоринга, если они могут продемонстрировать, что эти продукты приносят пользу потребителям.

В 2021 году пять федеральных финансовых регуляторов (Федеральная резервная система, CFPB, FDIC, NCUA и OCC) выпустили запрос на информацию (RFI) о том, как банки используют ИИ и машинное обучение. Это может стать первым шагом к разработке более специализированных правил для ИИ в финансовых услугах.

Саморегулирование и лучшие практики индустрии

В отсутствие всеобъемлющего законодательства, специально регулирующего ИИ в кредитном скоринге, финансовая индустрия США предпринимает шаги по саморегулированию и разработке лучших практик:

• Responsible Use of AI in Credit Underwriting — руководство, разработанное Ассоциацией банков США (American Bankers Association), предлагает принципы ответственного использования ИИ в кредитовании.
• Банковский альянс по ответственному ИИ (Banking Alliance for Responsible AI) — объединение крупных банков, включая Bank of America, JPMorgan Chase и Wells Fargo, работающее над установлением стандартов для разработки и внедрения ИИ в финансовых услугах.
• Центр ответственных финансовых инноваций (Center for Responsible Financial Innovation) — инициатива Банковского политического института (Bank Policy Institute), направленная на продвижение инноваций в финансовых услугах при сохранении защиты потребителей.

Многие банки также внедряют внутренние процессы для обеспечения справедливости и прозрачности своих ИИ-систем. Citigroup создал Комитет по этике ИИ, который оценивает все новые приложения ИИ на соответствие этическим принципам банка. JPMorgan Chase использует методологию "AI Explainability 360", разработанную IBM, для обеспечения прозрачности своих ИИ-моделей.

Роль регуляторных технологий (RegTech)

Регуляторные технологии (RegTech) играют важную роль в обеспечении соответствия ИИ-систем скоринга нормативным требованиям. Специализированные компании разрабатывают инструменты для:

• Аудита алгоритмов — выявления потенциальных источников предвзятости в ИИ-моделях.
• Мониторинга соответствия — постоянного отслеживания решений ИИ-систем на предмет дискриминационных паттернов.
• Генерации объяснений — создания понятных для потребителей объяснений решений, принятых ИИ-системами.
• Безопасного обмена данными — обеспечения конфиденциальности при использовании расширенных наборов данных.

Компании, такие как FairPlay.ai, специализируются на "справедливом кредитовании как услуге" (Fair Lending as a Service), предоставляя банкам инструменты для тестирования своих ИИ-моделей на соответствие законодательству о справедливом кредитовании. CredoLab разрабатывает решения для альтернативного кредитного скоринга, которые соответствуют требованиям конфиденциальности и защиты данных.

Кейсы и примеры из практики

JPMorgan Chase: COiN и программа "Advancing Black Pathways"

JPMorgan Chase разработал платформу Contract Intelligence (COiN), которая использует обработку естественного языка для анализа кредитных документов. Система способна за несколько секунд проанализировать контракты, на ручную обработку которых ранее требовалось 360,000 часов в год.

Банк также запустил программу "Advancing Black Pathways", направленную на расширение доступа к финансовым услугам для чернокожих американцев. В рамках этой инициативы JPMorgan пересмотрел свои модели кредитного скоринга, чтобы уменьшить потенциальную предвзятость и расширить доступ к кредитам для недостаточно обслуживаемых сообществ.

Для обеспечения справедливости своих ИИ-моделей JPMorgan использует методологию "fairness through awareness", которая явно учитывает защищенные характеристики при разработке моделей, чтобы выявить и устранить потенциальную предвзятость.

Upstart: альтернативный кредитный скоринг и сотрудничество с банками

Финтех-компания Upstart, основанная бывшими сотрудниками Google, разработала платформу кредитного скоринга на основе ИИ, которая использует более 1,600 переменных и передовые методы машинного обучения для оценки кредитоспособности заемщиков.

Upstart сотрудничает с более чем 30 банками и кредитными союзами, предоставляя им доступ к своей технологии через API. По данным компании, их модель позволяет одобрять на 27% больше заемщиков при том же уровне риска по сравнению с традиционными методами скоринга.

В 2020 году Upstart получил письмо о непринятии мер (No-Action Letter) от CFPB, что позволило компании тестировать свою модель без риска регуляторных санкций, при условии предоставления данных о результатах для исследования влияния альтернативных данных на доступность кредитов.

Для обеспечения справедливости Upstart использует методы "fairness through unawareness" и "fairness through awareness", а также проводит регулярное тестирование своих моделей на предмет диспаратного воздействия на защищенные группы.

Zest AI: борьба с алгоритмической предвзятостью

Zest AI (ранее ZestFinance) специализируется на разработке ИИ-моделей кредитного скоринга, которые сочетают высокую точность с соблюдением требований справедливости. Компания сотрудничает с более чем 100 финансовыми учреждениями, включая Discover Financial Services и VyStar Credit Union.

Одним из ключевых отличий подхода Zest AI является акцент на "математическую справедливость" — использование алгоритмических методов для выявления и устранения предвзятости в моделях машинного обучения. Компания разработала технологию ZAML Fair (Zest Automated Machine Learning Fair), которая позволяет банкам создавать модели, минимизирующие диспаратное воздействие на защищенные группы при сохранении высокой точности.

По данным Zest AI, их подход позволяет снизить диспаратное воздействие на защищенные группы на 70% по сравнению с традиционными моделями, при этом сохраняя или даже повышая точность прогнозов.

Компания также активно сотрудничает с регуляторами и участвует в разработке стандартов справедливого использования ИИ в кредитовании. В 2019 году Zest AI опубликовала "Открытый стандарт для машинного обучения в кредитовании" (Open Standard for Machine Learning in Credit), предлагающий рекомендации по обеспечению прозрачности, справедливости и соответствия регуляторным требованиям при использовании ИИ в кредитном скоринге.

Будущее ИИ в кредитном скоринге

Новые технологические тренды

Технологии ИИ-скоринга продолжают быстро развиваться. Несколько ключевых трендов, которые, вероятно, окажут значительное влияние на будущее отрасли:

• Федеративное обучение — метод машинного обучения, позволяющий тренировать алгоритмы на децентрализованных данных без их передачи в центральное хранилище. Это может решить многие проблемы конфиденциальности, связанные с использованием персональных данных для кредитного скоринга.
• Объяснимый ИИ (XAI) — методы и инструменты, делающие решения ИИ-систем понятными для людей. По мере развития этих технологий мы можем ожидать более прозрачных моделей скоринга, способных предоставлять детальные объяснения своих решений.
• ИИ на основе конфиденциальности (Privacy-Preserving AI) — технологии, такие как гомоморфное шифрование и дифференциальная приватность, позволяющие анализировать данные без раскрытия личной информации. Эти методы могут позволить банкам использовать более широкий спектр данных при соблюдении требований конфиденциальности.
• Квантовое машинное обучение — использование квантовых вычислений для создания более мощных моделей машинного обучения. Хотя эта технология находится на ранней стадии развития, она может революционизировать кредитный скоринг в долгосрочной перспективе.

Потенциальные регуляторные изменения

По мере развития технологий ИИ-скоринга можно ожидать эволюции регуляторной среды в США:

• Специализированное законодательство по ИИ — несколько законопроектов, касающихся регулирования ИИ, включая "Algorithmic Accountability Act", уже находятся на рассмотрении в Конгрессе США.
• Обновление существующего законодательства — CFPB и другие регуляторы могут обновить интерпретацию существующих законов, таких как ECOA и FCRA, чтобы более четко отразить применение ИИ и больших данных в кредитовании.
• Федеральные стандарты защиты данных — возможно принятие федерального закона о защите данных, аналогичного GDPR в Европейском Союзе или CCPA в Калифорнии, что повлияет на использование данных для кредитного скоринга.
• Требования проверки алгоритмов — регуляторы могут ввести требования по регулярному тестированию и аудиту алгоритмов кредитного скоринга на предмет предвзятости и соответствия нормативным требованиям.

Перспективы расширения финансовой инклюзивности

Одним из наиболее важных потенциальных последствий развития ИИ-скоринга является возможность значительного расширения финансовой инклюзивности — обеспечения доступа к финансовым услугам для тех, кто традиционно был исключен из системы.

По данным Федеральной корпорации по страхованию вкладов (FDIC), около 7.1 миллиона американских домохозяйств не имеют банковских счетов, а еще 24.2 миллиона являются "недостаточно банкизированными" (underbanked) — они имеют банковский счет, но регулярно используют альтернативные финансовые услуги, такие как чековые кассы или займы до зарплаты.

ИИ-скоринг может помочь решить эту проблему, предоставляя этим потребителям доступ к кредитам на справедливых условиях. Однако для реализации этого потенциала необходимо решить несколько ключевых проблем:

• Цифровой разрыв — обеспечение того, чтобы потребители с ограниченным доступом к технологиям или низкой цифровой грамотностью не оказались в невыгодном положении.
• Баланс между инновациями и защитой — создание регуляторной среды, которая поощряет инновации, но при этом защищает потребителей от хищнических практик.
• Финансовое образование — расширение программ финансовой грамотности, чтобы потребители могли принимать обоснованные решения о кредитах.
• Справедливые и прозрачные модели — обеспечение того, чтобы ИИ-модели скоринга были справедливыми, прозрачными и понятными для потребителей.

Заключение

Искусственный интеллект в кредитном скоринге представляет собой мощный инструмент, способный трансформировать финансовую индустрию США. Он предлагает значительные преимущества в виде повышенной точности, расширенного доступа к кредитам, улучшенной эффективности и адаптивности к изменяющимся условиям.

Однако внедрение этой технологии сопряжено с серьезными этическими, правовыми и социальными вызовами. Алгоритмическая предвзятость, проблемы прозрачности и объяснимости, вопросы конфиденциальности и риски новых форм финансового исключения требуют тщательного внимания и решения.

Финансовые учреждения, регуляторы и технологические компании должны работать вместе, чтобы обеспечить ответственное использование ИИ в кредитном скоринге. Это включает разработку справедливых и прозрачных моделей, создание соответствующей регуляторной среды, внедрение лучших практик индустрии и инвестиции в технологии, способствующие финансовой инклюзивности.

В конечном итоге, будущее ИИ в кредитном скоринге в США будет зависеть от нашей способности найти баланс между инновациями и защитой, между эффективностью и справедливостью. При правильном подходе эта технология может стать мощным инструментом для создания более справедливой, эффективной и инклюзивной финансовой системы.