대출 결정에 인공 지능을 사용하는 것은 지난 XNUMX년 동안 호기심에서 주류로 바뀌었습니다. 대부분의 대출 기관은 파일럿 프로그램을 시작했거나 심각하게 고려하고 있으며 Upstart와 같은 핀테크 대출 기관이 이끄는 일부 대출 기관은 이를 비즈니스의 핵심으로 삼았습니다.

Fintech One-on-One 팟캐스트의 다음 게스트는 Shri Santhanam입니다. 그는 Global Analytics의 EVP이자 GM입니다. Experian. Shri는 수많은 비즈니스 과제를 해결하기 위해 빅 데이터와 AI를 도입하는 데 경력의 대부분을 보냈습니다. 지난 XNUMX년 동안 그는 Experian의 글로벌 분석 이니셔티브를 이끌었습니다.

이 팟 캐스트에서 배우게되는 내용 :

• AI 및 데이터 분석에 대한 Shri의 배경 지식.
• 지난 18개월 동안 대출 기관에 가속화된 세 가지 큰 변화.
• 오늘날 경쟁 환경에서 성공하기 위해 핀테크 대출 기관이 필요로 하는 것.
• 대출 기관이 AI의 영향을 가장 잘 받는 방법.
• Experian은 대출 기관의 고객 여정을 돕기 위해 무엇을 하고 있습니까?
• 대출 기관이 시장 출시 속도를 높이는 데 도움이 되는 방법.
• AI 언더라이팅 모델에 대한 규제 제약의 영향.
• Experian이 오늘날 스스로를 차별화하는 세 가지 방법.
• 오늘날 대출 기관이 AI를 사용해야 하는 방법.
• 모든 대출이 AI 모델을 통해 이루어지기 위해 필요한 것.
• 미래를 형성할 AI 공간의 흥미로운 트렌드.
• 여기에서 Experian의 향후 XNUMX년 계획은 무엇입니까?

다음을 통해 Fintech One on One 팟 캐스트를 구독 할 수 있습니다. Apple Podcasts or 스포티 파이. 이 팟캐스트 에피소드를 들으려면 바로 위에 오디오 플레이어가 있거나 다음을 수행할 수 있습니다. 여기에서 MP3 파일을 다운로드하십시오.

다운로드 PDF 전사 또는 아래 읽기

Fintech One-on-One 팟 캐스트 에피소드 316에 오신 것을 환영합니다. 호스트 인 Peter Renton, LendIt Fintech의 회장 겸 공동 창립자입니다.

(음악)

Peter Renton: 오늘 쇼에서 Experian의 글로벌 분석 및 AI 제품의 EVP 겸 GM인 Shri Santhanam을 환영하게 되어 기쁩니다. 분명히 그는 AI 전문가이고 우리가 AI에 대해 오랫동안 깊이 파고들지 않았고 이번 에피소드에서 우리가 어느 정도 깊이 있게 알게 된 많은 변화가 있었기 때문에 Shri를 소개하고 싶었습니다. 우리는 오늘날 대출 기관이 하는 일, 성공하기 위해 해야 할 일, AI를 사용하는 방법에 대해 이야기합니다. 

우리는 Experian이 현장에서 정말 독특한 일을 하는 데 어떻게 실제로 도움이 되는지 깊이 탐구하고, 대출 기관이 AI를 어떻게 사용해야 하는지, Shri가 역사적으로나 앞으로 어떻게 보고 있는지에 대해 이야기합니다. , 그리고 그는 또한 수정 구슬을 들여다보고 지금부터 XNUMX년 동안의 예측을 제공합니다. 흥미진진한 인터뷰였습니다. 공연을 즐기시기 바랍니다.

(음악)

Peter: 팟캐스트에 오신 것을 환영합니다, Shri!

Shri Santanam: 감사합니다. 데려가줘서 고마워, 피터.

피터: 반갑습니다. 청취자에게 자신에 대한 약간의 배경 지식을 제공하여 시작하겠습니다. Experian에 합류하기 전에 주요 경력 사항에 대해 말씀해 주시겠습니까?

Shri: 저는 금융 서비스 분야의 전략 및 운영 컨설팅 회사인 Oliver Wyman에서 경력의 상당 부분을 보냈습니다. 저는 학교를 졸업하고 바로 Oliver Wyman과 함께 경력을 시작했습니다. 실제로 Stanford에서 박사 학위를 받고 있었는데 끝내 끝내지 못했지만 컨설팅에 정말 매료된 것은 비즈니스 문제에 대한 엔지니어링 접근 방식을 가져오는 것이었습니다. 올리버 와이먼에서의 시간. 

Oliver Wyman에서 지난 2011~2012년 동안 저는 Oliver Wyman Labs라는 비즈니스를 구축하는 것을 도왔습니다. 그곳에서 우리는 XNUMX/XNUMX년경에 대규모 은행과 금융 기관이 직면한 몇 가지 과제에 실리콘 밸리 스타일의 기술과 AI를 도입할 기회를 보았습니다. -위기. Python, Big Data를 AI 기술로 가져오는 재미있는 여정이었고 그곳에서 많은 시간을 보냈습니다. 

그리고 약 XNUMX년 전 Experian의 고위 경영진이 저에게 AI 분야의 글로벌 분석을 주도하는 역할을 맡아 더 간단한 방법으로 Experian의 데이터에 영향을 미치도록 도와달라고 요청했습니다. 그래서 저는 여기 있습니다.

Peter: 알겠습니다. 토론을 시작하기 전에 AI 및 분석에 대한 경험, 경력 전반에 걸쳐 그 여정이 어떻게 진행되었는지에 대한 배경 지식을 조금 얻고 싶습니다.

Shri: 저는 AI/ML이라는 멋진 이름으로 불리기도 전에 항상 데이터 기반 의사 결정에 매료되었습니다. 제가 컨설팅에 매료된 것은 Retail Value Engineering이라는 그룹이었고 그 그룹의 설립자는 Jacques Cesar라는 사람이었습니다. 그는 종종 우리가 하는 일을 일종의 데이터인 "돌에서 피를 짜내는 것"으로 설명하곤 했습니다. 

사실 우리가 한 초기 작업은 2000년대 초에 소매업체와 함께 했고 이 거대한 단일 시스템에 엄청난 양의 데이터가 있었습니다. 저는 그 데이터를 작동시키고 비즈니스가 더 잘 운영되도록 도울 수 있다는 전망에 매우 매료되었습니다. , 소비자와 기업의 삶의 질 향상을 돕습니다. 결국 금세기의 첫 XNUMX년 동안 Advanced Analytics로 번역된 AI와 기술은 이러한 종류의 임무를 현실로 만드는 도구가 되었습니다. . 

소매업체는 전통적으로 생각하는 대로… 치약 제품을 판촉한다고 가정해 보겠습니다. 치약 판매를 주로 봅니다. 하지만 그 주에 다른 품목에 엄청난 영향을 미치고 고객을 해당 매장으로 끌어들이고 Colgate 판촉과 같은 간단한 일의 영향을 미칩니다. 치약은 실제로 심오하며 AI와 분석은 이를 이해하고 더 나은 선택을 하는 데 도움이 될 수 있습니다. 그래서 그것이 나의 출발점이었고, 결국 위기 이후 금융 서비스를 주도하고 은행이 더 나은 대출을 받도록 돕는 것에 대한 나의 관심으로 성장했다고 생각합니다. 

이제 역사적으로 은행과 대출 기관은 대부분 규칙이나 기본 로지스틱 회귀 모델을 사용하여 의사 결정을 내렸지만, 제게는 AI와 ML을 도입하여 금융 통합을 촉진함으로써 소비자가 신용에 더 잘 접근할 수 있고 일종의 대출 기관이 더 나은 결정을 내리는 데 도움이 됩니다. 내가 보는 임무의 중요한 부분.

피터: 알았어. 글쎄, 바로 들어가서 대출 공간에 대해 이야기합시다. 알다시피, 지난 18개월은 모든 대출 기관에게 매우 흥미로운 시간이었습니다. 그리고 분명히 우리는 그들이 디지털로 전환하는 것을 보았고 전 세계에서 거의 의무화되었다고 생각합니다. 그러나 이 변화가 어떻게 진행되고 있는지에 대해 Experian에서 보고 있는 내용을 알고 싶습니다. 디지털 기능의 민주화와 그런 종류의 것, 당신이 알고 있는 한, 당신은 무엇을 보고 있습니까?

Shri: 지금은 대출 혁명에 대해 이야기하기에 좋은 시간이며 COVID 이전에도 매우 중요한 대출 혁명이 진행 중이었다고 주장합니다. 역사적으로 대출이 어떻게 일어났는지 살펴보면 일종의 펜과 종이였습니다. . 지난 XNUMX년 반 동안 실제로 디지털 도구, 디지털 의사 결정, 분석 및 디지털 보험이라는 개념이 등장했습니다. 이제 COVID는 그것을 극적으로 가속화했으며 우리는 세 가지 다른 것을 보고 있습니다. 

첫째, XNUMX~XNUMX년 전만 해도 Capital One이 있었습니다. 일부 크고 정교한 은행은 전체 대출 프로세스에 머신 러닝이나 디지털 도구를 도입하는 데 있어 이 혁명을 주도하고 있습니다. 이제 대, 중, 소를 막론하고 대출 기관의 전체 스펙트럼이 디지털 방식으로 운영되고 이러한 결정 중 일부를 내리는 것이 거의 필수가 되었습니다. 

대출 혁명에서 우리가 보고 있는 두 번째 것은 실제로 고객 경험에 대한 깊은 초점입니다. XNUMX~XNUMX년 전에는 소비자와 기업을 위해 대출을 승인하거나 대출을 결정하기 위해 며칠, 몇 주를 기다리는 것이 괜찮았지만 이제는 그 기대가 크게 바뀌었습니다. 우리는 대출 기관이 그런 차원에서 몇 분, 몇 시간이 아닌 실시간으로 기꺼이 그러한 결정을 내리는 것을 보고 있습니다. 

셋째, 근본적으로 일종의 제품 혁신과 포용입니다. 전체 fintech 공간이 들어오고 실제로 운영상의 어려움이 있고 fintech의 문제는 내가 독특한 관점을 갖고 있는 시장에서 제대로 서비스를 받지 못하는 틈새 시장을 찾고 그 위험에 대해 생각하는 방법을 찾고 이를 개선하고 대출할 수 있는지 입니다. 그들에게. 그것은 학자금 대출인가, 우리의 전통적인 신용 및 대출 방식이 같은 방식으로 하지 않는 이 나라에 온 일종의 이민자들입니까? 따라서 대출 기관이 공간을 보기 시작하는 방식에 상당한 변화가 있으며 이 세 가지 추세가 Experian에서 보고 있는 것입니다.

피터: 맞아. 그리고 저도 여러분의 의견을 듣고 싶습니다. 여러분이 은행 및 핀테크 대출 기관과 함께 일하고 있다는 것을 알고 있고 핀테크 대출 기관이 일종의 디지털 공간을 개방했기 때문에 지금이 흥미로운 시기라고 생각합니다. , 그 중 일부는 XNUMX년 이상 지속되었으며 이제 그 격차가 좁혀지고 있습니다. 오늘날 핀테크 대출 기관이 우리가 처한 환경에서 성공하기 위해 필요한 것은 무엇이라고 생각하십니까?

Shri: 내가 보기에 핀테크 대출 기관은 실제로 소비자에게 이익이 되는 방식으로 시장을 혼란에 빠뜨리고 있습니다. 예를 들어, 보험 대출을 적용하고 고객 경험 대출을 적용하는 시장의 한 부문을 고를 수 있습니까? 그렇습니다. 그리고 여러분은 Affirm, Prosper와 같은 핀테크 기업들이 그 분야에서 매우 성공적으로 시작하는 것을 보고 있습니다. 

그래서 그들이 성공하기 위해서는 크게 세 가지가 필요하다고 생각합니다. 첫째, 비즈니스 모델의 핵심은 약간 다르게 보이는 렌즈로 언더라이팅의 최전선에 서 있는 것과 관련이 있기 때문에 머신 러닝과 고급 언더라이팅을 수용해야 한다는 것입니다. 따라서 기계 학습을 수용하고 그것이 어떻게 작동하고 재정적 통합을 개선할 수 있는지 이해하는 것이 일부가 되어야 한다고 생각합니다. 

핀테크가 성공하기 위해 두 번째로 필요한 것은 고객 경험과 이에 대한 의사 결정을 혁신하고 혁신하는 것입니다. 많은 부분이 디지털이지만 본질적으로 전통적인 대출이 여전히 마찰이 있는 방식으로 소매 고객 여정에 들어가거나 구매 기회나 모든 종류의 고객 사용 사례에 훨씬 더 가까이 다가갈 수 있는 흥미로운 제품 혁신입니다.

피터: 흥미롭군. 그럼 여기서 AI와 분석에 대해 잠시 파헤쳐 볼까요? 대출 기관은 AI의 영향을 가장 잘 받는 방법을 알고 있습니다.

Shri: XNUMX~XNUMX년 전만 해도 대부분의 중간 시장이 대출을 어떻게 받았는지 살펴보면 두 가지 단순한 사실을 뒷받침하고 있습니다. 그것은 일련의 정책 규칙이었고 일종의 인수 모델이었습니다. 이것이 많은 대출 프레임워크가 실제로 작동한 방식입니다. 그리고 주로 기성품으로 제공되는 표준 점수를 사용하거나 특정 사용자 지정 모델을 만든 경우 대부분 자가 로지스틱 회귀를 사용하는 롱테일 대출 기관입니다. 그것이 역사적으로 일이 작동하는 방식이었습니다. 

머신 러닝 모델을 유지하고 프로덕션에 적용하고 일종의 의사 결정 규칙과 최적화 도구를 갖추고 더 정교하게 만드는 데 필요한 비용과 인프라가 엄두를 내지 못하기 때문에 이러한 것들을 변경하는 것은 어려운 일이지만 현실은 현재 근본적으로 변화하기 따라서 맞춤형 점수, 최적화된 의사결정 규칙을 생성하는 능력 및 대출자로서 실제로 귀하와 관련된 데이터 세트에 대해 맞춤형 방식으로 이를 수행할 수 있는 능력, 현실은 비용을 변화시키거나 감소하고 있습니다. 우리는 그렇게 하기 위해 말합니다. 

따라서 현대적인 대출 의사 결정 구조의 채택은 AI와 분석이 대체하는 것의 큰 부분을 차지합니다. 지금 로지스틱 회귀 모델을 보면 이러한 모델을 능가하는 데 도움이 될 수 있는 그래디언트 부스트 트리 모델이 있습니다. 당신은 훨씬 더 나은 성과를 내고 실제로 더 나은 승인을 얻고 대출 기관에 대해 더 낮은 종류의 비용을 감면하는 데 도움이 되기 시작하는 의사 결정 규칙을 가지고 있습니다.

피터: 알았어. 그래서 저는 기어를 조금 바꿔서 Experian이 특히 우주에서 하고 있는 일에 대해 이야기하고 싶습니다. Experian이 오늘날 대출 기관의 고객 여정과 이와 유사한 일을 어떻게 돕고 있는지에 대해 이야기하는 것으로 시작할 수 있습니다.

Shri: 그래서 제가 XNUMX년 전에 왔을 때 우리가 큰 기회로 본 영역 중 하나는 고객이 특히 미드마켓에서 이러한 모델을 구축하는 데 사용하는 일부 분석 및 AI를 지원하는 것이었습니다. 그래서, 신용 조합이 있고, 역사적으로 우리가 해왔던 것은 맞춤형 모델과 프로젝트를 구축한 중간 시장 고객이 있습니다. 우리가 발견한 것은 이러한 맞춤형 모델을 구축하는 데 걸리는 일반적인 시간이 XNUMX~XNUMX개월 사이였고 이러한 모델의 배포도 일종의 복잡하고 또 XNUMX개월이 걸렸다는 것입니다. 

그래서 이 공간에 있는 많은 고객들에게 분명한 필요성이 있지만 이러한 것들을 제공하는 시간과 능력에는 많은 오버헤드가 수반된다는 사실을 알게 되었습니다. 그래서 우리가 한 일 중 하나는 Ascend Intelligent Services라는 플랫폼을 구축하여 공간을 크게 혼란에 빠뜨리는 것입니다. 이 플랫폼은 모델을 구축하고 의사 결정 규칙을 만들고 실제로 이를 적용하는 시간을 크게 단축한다고 믿습니다. 생산에. 

따라서 전체 빌드 모델 및 제품은 아직 이러한 제품의 초기 단계에 있지만 엔드 투 엔드 빌드 시간과 비용을 크게 줄인 성공적인 고객의 경향이 몇 가지 있습니다. 이러한 것들을 생산에 투입합니다. 한 가지 예는 Atlas라는 중간 시장 대출 기관에 대한 공개 사례 연구입니다. 여기에서 우리는 이러한 종류의 우리 플랫폼 작업으로 인해 매우 큰 비용이 발생하는 것을 보았습니다.

피터: 흥미롭다, 흥미롭다. 그래서 조금 더 깊이 파고들 수 있습니다. 제 말은, 비밀 소스를 공개하지 않고 일종의 감을 잡고 싶지만 어떻게 훨씬 더 빠른 프로세스를 만들 수 있었습니까?

Shri: 네, 좋습니다. 그것에 대해 이야기하게 되어 기쁩니다. 따라서 역사적 과정을 살펴보면 아마도 많은 시간을 추가한 마찰의 30가지 주요 지점이 있었을 것입니다. 첫 번째는 많은 데이터를 가져와 모델을 생성하기 위해 조작해야 하는 데이터 관리 및 랭글링에 관한 것이었습니다. 두 번째 마찰 지점은 실제로 계산된 규모처럼 실행되었습니다. 일반적으로 사용자 지정 모델을 구축하려면 실제로 40/XNUMX 다른 종류의 모델을 시도하고 많은 계산을 실행한 다음 결정해야 합니다. 세 번째는 규정 준수 및 문서화입니다. 

이러한 모델은… 그런 다음 마지막으로 배포와 같습니다. 일단 모델을 만들고 나면 전통적인 접근 방식은 "좋아요, 제가 만들었습니다. 문서화할 것입니다. 이제 그것을 가져와서 울타리 너머로 던지고 누군가에게 코딩을 하게 할 것입니다."라고 말하는 것입니다. . 

그래서 우리는 이 네 가지 문제를 매우 중요한 방식으로 해결했습니다. 우리는 우리의 플랫폼과 데이터를 기반으로 구축하고 있기 때문에 몇 가지 전략적 이점과 고객을 도울 수 있는 방법이 있습니다. 그럼 차례대로 안내해 드리겠습니다. 

따라서 먼저 여러 고객에 대한 많은 데이터를 보유하고 있으므로 해당 데이터를 사전에 소싱하고 선별하여 시간을 크게 줄이고 올바른 종류의 교육 데이터 세트를 생성할 수 있습니다. 따라서 Experian과 같이 새로운 제품을 혁신하려는 핀테크인 경우 프록시 데이터 세트를 매우 빠르게 생성할 수 있으며 역사적으로 수동 프로세스였으나 이제는 자동화를 추가했습니다. 

두 번째 부분은 모델에 있는 흥미로운 부분입니다. 지난 XNUMX년 반/XNUMX년 동안 우리는 Google, Facebook, 일부 선도적인 기술 회사가 운영하는 기술과 유사한 기술을 구축했습니다. 수십 수백 모델. 

최근 클라이언트에서 우리 데이터 과학자 중 한 명이 하루에 80가지의 다른 종류의 모델을 시도하고 결과를 검토했다고 말했습니다. 소스 라이브러리, 지루한 모델 생성, 결과 확인, 관리, 모든 엔지니어링 관리는 복잡합니다. 그래서 우리가 한 것은 데이터 과학자가 실제로 작동하는 것이 무엇인지 파악하는 작업을 수행할 수 있도록 모든 엔지니어링을 추상화한 것입니다. 

세 번째는 문서 및 대시보드에 관한 것입니다. 우리는 많은 표준 규제 문서 종류의 프레임워크와 이에 대한 많은 자동화를 제공하는 제품을 보유하고 있으므로 표준 문서를 대조할 때 시도 횟수와 수행할 작업에 제한을 두지 않습니다. 

마지막으로 이러한 모든 기계 학습 및 ML 작업의 성배와 같은 원활한 배포입니다. 우리가 구축한 것은 모델을 프로덕션에 원활하게 배포하는 메커니즘으로, 이를 통해 전 세계가 MLOps 주기로 알려진 것을 알 수 있으므로 실시간으로 모니터링하고, 재교육하고, 관리할 수 있습니다. 

우리가 가지고 있는 기술 인력 투자 중 일부를 사용하여 작업한 큰 작업 중 네 가지이며 전체 테마를 제품화하는 것이 주요 테마이므로 고객이 사용할 수 있도록 제품화했습니다.

피터: 맞아. 그래서 저는 세 번째 요점인 규제 부분에 대해 조금 파헤치고 싶습니다. 왜냐하면 제가 항상 궁금했던 부분이기 때문입니다. FCRA와 설명 가능성이 필요한 모든 사항을 준수해야 하기 때문에 이러한 AI 모델 중 어느 정도를 조절하거나 조정해야 합니까? 신용 결정, 영향은 어떻습니까? 

당신은 매우 다른 규제 요구 사항을 갖게 될 Google과 Facebook의 데이터 세트에 대해 이야기했습니다. 어떤 면에서는 금융 서비스에서 수행해야 하는 것과 같은 일을 설명하기 위해 축소하거나 변경할 필요가 없습니다. 따라서 이러한 유형의 규제 프레임워크가 모델 자체에 미치는 영향은 무엇입니까?

슈리: 네. 그것은 궁극적으로 생산에 들어갈 수 있는 모델과 그것을 구축하는 과정에 영향을 미치기 때문에 훌륭한 질문입니다. 규제 프레임워크가 없는 제약이 없는 세상을 본다면 가장 정교한 프레임워크와 최고의 데이터를 가지고 모델을 던지고 기계 같은 것을 갖게 될 것입니다. 그런 종류의 상태를 탐색하십시오. 그래디언트 부스터 트리를 만들고 만드십시오.

문제는 그런 다음 사용하는 특정 속성이 설명 가능해야 하고 단조로워야 특정 속성에 부담을 줄 수 있는 특정 성장 제약에 부딪히게 된다는 것입니다. 나아가 편견과 표준에 대한 주제도 중요한 주제가 되고 있습니다. . 따라서 데이터 과학자가 이를 수행하는 전통적인 프로세스가 효과를 위해 과장하면 그는 이러한 제약 조건을 적용하고 첫 번째 모델을 구축하고 작동하는지 확인한 다음 플레이할 수 있는지 확인합니다. 이러한 것들의 무리와 제약 조건을 다시 적용합니다. 그리고 성능과 일종의 규제 프레임워크와 우리가 관리할 수 있는 것 사이의 진정한 절충점인 경우가 많습니다. 

이제 우리가 제품으로 수행한 작업은 실제로 이러한 제약 조건 중 많은 부분을 데이터가 큐레이팅되는 방법과 모델 자체가 솔루션을 찾고 검색하는 방법에 적용되도록 허용한 것입니다. 따라서 데이터 과학자의 작업을 훨씬 쉽게 만들어줍니다. 알겠습니다. 이러한 속성을 사용할 수 있습니다. 이러한 속성은 특정 방식으로만 사용할 수 있으며 마침내 기계는 말하지, 가, 탐색하지 않습니다 이런 종류의 직선 공간은 데이터 과학자에게 정말 중요한 단계입니다. 그렇지 않으면 고양이와 쥐의 게임처럼 거의 '이봐, 내가 더 나은 성과를 냈어. 하지만 규제 제약을 위반했습니다. 

따라서 상충 관계가 있으며 우리 규정이 일종의 ML 및 AI를 관리하기 위해 진화함에 따라 이 공간에서 더 많은 상충 관계를 계속 보게 될 것이라고 생각합니다. 이것.

Peter: 맞아요, 맞아요. 그렇다면 분명히 우리는 경쟁적인 세상에 살고 있으며 Experian에도 경쟁자가 있습니다. 뭐가 다른데, 공간에서 다른 사람들과 어떻게 차별화 시키나요?

Shri: 제 생각에는 미드 마켓에 매우 중요한 기회가 있고 역사적으로 이러한 인프라를 감당할 수 있는 일종의 대형 은행이나 대출 기관으로 제한되었던 이러한 기능 중 많은 부분을 민주화할 수 있는 기회가 있다고 생각합니다. 그래서 우리는 세 가지 방법으로 우리 자신을 차별화하고 있습니다. 

첫째는 데이터, 분석 및 의사 결정 전반에 걸쳐 종단 간 경험을 제공한다는 것입니다. Experian은 아시다시피 대출에 관한 가장 가치 있는 데이터 세트를 보유하고 있습니다. 우리는 또한 고객에게 일종의 대출 결정, 정책 규칙을 제공하고 일종의 분석을 제공할 수 있도록 워크플로와 소프트웨어를 제공하는 의사 결정 비즈니스를 가지고 있습니다. 따라서 우리가 가진 한 가지 큰 차별화 요소는 실제로 제공할 수 있는 능력이 있다는 것입니다. 소매점에 비유하자면 미드 마켓과 동등한 Shopify를 제공할 수 있는 능력이 있다는 것입니다. 

그러나 우리는 당신이 대출 기관이고 당신이 하는 일에 집중한다면, 실제로 올바른 대출 틈새 시장을 파악하고 고객과 목표를 파악하는 것이 무엇인지 가장 잘 아는 것처럼 말합니다. 우리는 기술 대신 그런 종류의 종단 간 분석 데이터를 제공할 수 있습니다. 이것이 우리의 주요 차별화 요소입니다. 

제 생각에 두 번째 차별화 요소는 이러한 종류의 도구에 대한 액세스를 늘리고 가격을 책정하는 방법과 민주화와 같은 작업을 수행하기 위해 구체적인 조치를 취하고 있다는 것입니다. 그래서 우리는 앞으로 기대고 기반을 확장하고 있습니다. 

그리고 우리가 가진 세 번째 차별화 요소는 많은 대출 기관을 통해 데이터를 매우, 매우 많이 침투했다는 것입니다. 북미에 있는 대다수의 대출 기관과 마찬가지로 하룻밤 사이에 Experian 유형의 데이터를 활용하고 우리가 원하는 것은 액세스 가능한 제품 또는 분석 및 AI 세트를 이들 모두에게 제공하는 것입니다. 현재 우리의 보급률은 낮은 한 자릿수입니다. 우리가 성공적으로 민주화하면 대출 기관의 롱테일에 진입하는 것이 우리 앞에 놓인 엄청난 기회라고 믿습니다.

피터: 좋아요, 흥미롭네요. 그렇다면 AI가 할 수 있는 모든 다양한 일을 살펴보면서 고객에게 이야기하고 있는 것입니다. 오늘날 기업이 AI를 사용해야 하는 가장 중요한 것은 무엇일까요?

Shri: 제 생각에는 그 질문에 대한 대답이 두 부분으로 구성되어 있을 수 있습니다. 첫 번째는 AI를 어떻게 사용해야 하고 무엇을 위해 사용해야 하는지와 같습니다. 임팩트를 얻을 수 있는 가장 큰 방법이라는 면에서 기업은 AI에 대해 좀 더 종합적인 관점에서 임팩트를 얻어야 한다고 생각합니다. 역사적으로 AI의 한 부분인 AI 성능에 대해 많은 관심을 가져왔지만 AI의 영향을 보다 전체적으로 보면 XNUMX가지 구성 요소가 있다고 생각합니다. AI 성능만 있는게 아니라 제가 더 나은 모델을 만들었습니다. AI 도입, AI 확장성, AI 신뢰가 정말 AI의 영향을 받기 위해서는 데이터인 AI 성능만으로는 충분하지 않습니다. 과학자가 말하길, 나는 일종의 아주 좋은 개념 증명을 가지고 있습니다. 고객이나 회사가 더 나은 결정을 내릴 수 있도록 워크플로에 포함될 수 있는지, 지속 가능하고 확장 가능한 플랫폼에 있는지, 궁극적으로 고객이 신뢰할 수 있는지에 대해 생각해야 합니다. 이것이 근본적으로 우리가 생각하는 AI 임팩트의 필요성입니다. 제 생각에는 대출 기관의 경우 명백하고 어떤 면에서 가장 큰 기회는 우리의 재정적 통합이라고 생각합니다. 

제 사업 이야기를 보면, 제가 인도에서 성장했을 때 어머니는 일종의 기업가였던 것으로 기억합니다. 어머니는 투자에 자본을 사용할 수 있는 아이디어와 물건이 많았지만 실제로는 그렇지 않았습니다. 대출을 받을 수 있는 기회는 그만큼 많지만 대출 신뢰도나 채무 불이행 가능성과 같은 핵심을 보면 그녀가 그런 종류의 자본으로 무엇을 했을지 생각해 보면 엄청난 규모라고 생각합니다. 

그리고 저는 그것이 올바른 렌즈와 올바른 종류의 프레임워크를 갖춘 북미 전역의 많은 인구 집단에서 사실이라고 믿습니다. 대출과 고객 모두에게 "윈윈(win-win)"이 될 수 있다고 믿습니다. 따라서 금융 통합을 위해 AI와 분석을 사용하는 데에는 많은 잠재력이 있다고 생각합니다.

피터: 맞아요, 맞아요, 확실히요. 한 가지 묻고 싶은 것이 있습니다....업스타트의 CEO인 Dave Girouard는 대출 분야의 AI 분야의 선구자임이 분명합니다. 그는 모든 대출은 미래에는 AI가 할 것이라고 말했고 대출 기관, 그것은 … ..우리는 이것을 탐구하는 데 관심이 없습니다. 지난 몇 년 동안 대화가 변경된 것처럼 느껴지지만 모든 유형의 대출 기관은 거의 없습니다. 당신의 관점을 얻으십시오. 모든 대출은 AI에 의해 이루어지며 거기에 도달하려면 어떻게 해야 합니까?

Shri: Dave의 말에 동의하고 미래는 거의 불가피하다고 생각합니다. 우리가 관리하고 극복해야 할 가장 큰 도전은 신뢰라고 생각합니다. 일종의 신뢰 아래에는 설명 가능성이 있고 편견과 공정성이 있으며 실제로 규제 프레임워크 아래에 있습니다. AI를 도입한 사람들이 많지 않은 협소한 이유는 종종 이런 말을 듣게 될 것입니다. 글쎄요, 규제와 구조가 있지만 그 정신을 좀 더 넓게 보면, 정말 가장 중요한 주제는 신뢰입니다.

규제 기관도….그들은 예리하고 합리적인 사람들로 일종의… 규제 프레임워크를 만들고 있고 실제로…많은 규제 기관과 이야기를 나누면서 이에 대해 상당히 신중합니다. 더 광범위한 질문은 일종의 신뢰와 AI를 통한 대출이 무엇보다 공정하고 투명하며 신뢰할 수 있도록 하는 올바른 프레임워크를 만드는 것과 관련되어 있다고 생각하지만 우리도 같은 방식으로 그 여정에 도달할 것이라고 믿습니다. 어느 시점에서는 도로 위의 대부분의 자동차가 무인 자동차가 되는 것도 불가피하다고 생각합니다.

피터: 맞아, 맞아, 네, 네. 우리는 아직 거기에 이르지 못했습니다. 나는 자동차 운전을 위한 AI가 소비자가 대출을 받아야 하는지 여부를 결정하는 것보다 훨씬 더 복잡하다고 주장하고 싶습니다. 

어쨌든 시간이 거의 다 됐지만 몇 가지 질문이 더 있습니다. 저는 여러분이 보고 있는 추세와 미래에 대한 예측에 대해 이야기하고 싶습니다. 즉, 팀이 실제로 경계해야 하는 AI 분석에서 오늘날 보고 있는 일부 추세는 무엇입니까?

Shri: 이 분야의 전문가들이 이야기하는 흥미로운 추세 중 하나는 이 분야의 선도적인 사상가 중 한 명인 Andrew Ang이 데이터 중심 AI라고 부르는 것으로의 전환이라고 생각합니다. 그 핵심에서 개념은 매우 간단합니다. 역사적으로 AI를 둘러싼 큰 웃음은 다음과 같습니다. 신경망이나 그래디언트 부스트를 만들 수 있고 동일한 데이터를 가져올 수 있습니까? 더 나은 결과와 더 나은 결과. 이제 대화는 실제로 더 나은 결정을 내리기 위해 올바른 종류의 훈련 데이터를 얻고 생성할 수 있는지 말하는 데이터 중심 AI인 또 다른 매우 중요한 활용 지점으로 이동하고 있습니다. 그러면 흥미로운 질문이 시작됩니다. 더 많은 데이터 소스를 활용하고 데이터를 관리하면 실제로 더 나은 성능을 얻을 수 있습니다. 

데이터 준비, 데이터 관리, 소스에서 데이터 추출 방법에 대해 데이터 중심 AI에 대한 AI 공간에서 많은 작업이 수행되고 있습니다. 역사적으로 대출에 사용할 수 있는 데이터가 신중하게 구분되어 있기 때문에 그것이 우리가 있는 공간과 금융 기관에 중요한 영향을 미친다고 생각하는 일종의 큰 추세입니다. 나는 그것을 확장하는 방법과 우리가 그것에 대해 고려할 의향이 있는 다른 것에 대해 앞으로 더 많이 생각할 것이라고 생각합니다. 그래서 저는 그것이 하나의 큰 추세라고 생각합니다. 

다른 큰 추세는 클라우드로 이동하는 거의 명백한 추세라고 생각하지만, 실제로 AI가 실제로 훨씬 더 많은 엔지니어링 분야 및 기술 분야로 이동하고 있는 더 넓은 주제에서 볼 수 있습니다. 역사적으로 데이터 과학과 AI는 데이터 과학자들이 하는 일의 집합체였으며 소프트웨어 엔지니어링이 가진 시스템, 프로세스, 엄격함이 없었습니다. 그러나 이제 실제로 모든 엄격함이 적용되는 것을 보기 시작했고 특히 클라우드로의 마이그레이션과 함께 이러한 모델 및 구조의 앙상블과 같은 종류의 모델에서 작업할 수 있는 XNUMX명의 데이터 과학자가 있습니다. 

이러한 문제는 현실이 되기 시작했으며 이를 관리할 수 있는 소프트웨어와 유사한 엔지니어링 분야가 없으면 데이터 과학자 XNUMX명이 모델을 만들고 데이터 과학자 XNUMX명이 직접 살펴보려고 하는 복잡한 문제에 직면하게 됩니다. 그것은 그가 무엇을 기반으로 구축되었는지 그리고 당신이 그것을 생산에 넣을 때 그것이 손실되었는지 확신하지 못하는 것과 같습니다. 따라서 데이터 과학과 AI에 관한 전체 엔지니어링 분야도 우리가 보고 있는 큰 추세입니다.

Peter: 흥미롭네요. 들어본 적이 없어서 이해가 가네요. 자, 그럼 마지막 질문입니다. 지금부터 2026년 후인 XNUMX년 XNUMX월에 Experian은 AI와 고급 분석을 어떻게 사용하게 될까요?

Shri: 우리는 더 넓은 모델과 제품 유형의 주식을 소규모 펀드로 만드는 여정을 시작했습니다. 내가 바라는 것은 우리가 민주화에 대한 전체 규모를 성공적으로 마련했고 우리가 실제로 분석 및 AI에 대한 액세스를 개방한 데이터 클라이언트의 매우 중요한 부분을 확보하고 이러한 종류의 많은 것에 대한 것입니다. 고급 기술과 모델, 그리고 더 광범위하고 수천 개가 아니더라도 수백 개가 넘는 자금이 제가 바라는 바입니다. 

Experian에서 두 번째로 바라는 것은 비즈니스 전반에 걸쳐 매우 중요한 방식으로 분석 및 AI를 통해 Experian에 힘을 실어주는 것입니다. 우리는 Experian에서 이에 대한 일종의 진출을 시작하고 있습니다. 소비자 비즈니스와 의사결정 분석 비즈니스 외에도 건강 영역, BIS 영역에도 비즈니스가 있으며 이러한 영역에서 AI와 분석을 사용하기 시작했습니다. 따라서 AI와 분석이 근본적으로 Experian의 DNA와 주식의 핵심이 되어 여러 제품 및 비즈니스 전반에 걸쳐 힘을 발휘하기를 바랍니다.

피터: 알았어. 글쎄, 우리는 그것을 거기에 두려면 떠나야 할 것입니다, Shri, 모든 것이 펼쳐지는 것을 보는 것은 매혹적일 것입니다. 오늘 방송에 와주셔서 정말 감사합니다.

Shri: 정말 감사합니다, Peter, 저를 주셔서 감사합니다.

Peter: 물론이죠.

알겠습니다. 저는 데이터 과학자는 아니지만 많은 대출 기관과 이야기를 나누며 저를 놀라게 한 것은 AI 모델을 테스트하고 진지하게 수행한 대출 기관이 없다는 것입니다. 그런 다음, 알다시피, 우리가 이전에 하던 것만큼 좋지도 않고 좋지도 않습니다. 우리가 이전에 하던 것으로 돌아갈 것이라고 생각합니다. 그런 일은 일어나지 않으며 Shri가 거기에서 말했듯이 우리가 이 운동을 하는 것이 불가피하고 계속될 것이라는 것을 깨닫게 됩니다. 

아니요, 15년 또는 XNUMX년 안에 모든 사람이 AI 모델을 사용할 것이라는 의미는 아니지만 그것이 우리가 향하고 있는 방향입니다. XNUMX년인지, XNUMX년인지, XNUMX년인지는 모르겠지만 AI가 인계받을 것이기 때문에 머지 않아 이 오래된 전통적인 모델을 사용하는 사람은 없을 것입니다. 어디까지나 제 예상입니다.

그 메모에서 나는 사인 오프 할 것이다. 경청 해 주셔서 대단히 감사 드리며 다음에 만나겠습니다. 안녕.

(음악)

Peter Renton은 핀테크에 중점을 둔 세계 최초이자 최대 규모의 디지털 미디어 및 이벤트 회사인 LendIt Fintech의 회장이자 공동 설립자입니다.

LendIt Fintech는 미국, 유럽 및 라틴 아메리카의 주요 핀테크 시장을 대상으로 연간 XNUMX회의 컨퍼런스를 개최합니다. LendIt은 또한 오디오, 비디오 및 서면 채널을 통해 일년 내내 최첨단 콘텐츠를 제공합니다.

Peter는 2010년부터 핀테크에 대해 글을 쓰고 있으며 최초이자 가장 오래 지속되는 핀테크 인터뷰 시리즈인 Fintech One-on-One Podcast의 저자이자 제작자입니다.

Peter는 월스트리트 저널, 블룸버그, 뉴욕 타임즈, CNBC, CNN, 포춘, NPR, 폭스 비즈니스 뉴스, 파이낸셜 타임즈 및 기타 수십 개의 간행물과 인터뷰했습니다.

PlatoAi. Web3 재창조. 데이터 인텔리전스 증폭.
액세스하려면 여기를 클릭하십시오.

출처: https://www.lendacademy.com/podcast-316-shri-santhanam-of-experian/