우리 팟캐스트를 즐기고 계시나요? 향후 에피소드를 놓치지 마세요! 구독 버튼을 눌러주세요 Apple, 스포티 파이, 유튜브, 또는 즐겨찾는 팟캐스트 플랫폼을 통해 최신 콘텐츠로 최신 정보를 받아보세요. 귀하의 지원에 감사드립니다!

소비자 대출 인수에 머신러닝 모델이 사용된 지 XNUMX년이 넘었습니다. 핀테크가 분명히 여기서 선두를 차지했지만 전통적인 대출기관이 이 기술을 활용한 것은 실제로 지난 몇 년에 불과했습니다. 이러한 AI/ML 모델은 지난 해 비즈니스 세계를 포용했던 Generative AI 열풍과는 다르지만, 이 현상은 확실히 인식을 높이는 데 도움이 되었습니다.

Fintech One-on-One 팟캐스트의 다음 게스트는 CEO이자 공동 창립자인 Laura Kornhauser입니다. 계층화. 그녀의 회사는 사람들의 금융 포용성을 높이는 동시에 금융 기관이 위험을 더 잘 관리하고 완화할 수 있도록 돕는 임무를 수행하고 있습니다. 그들은 고급 AI 모델을 구현하고 직원들의 헌신을 통해 이를 수행합니다.

이 팟 캐스트에서 배우게되는 내용 :

• Stratyfy의 창립 이야기.
• 회사의 사명과 그것이 어떻게 발전해왔나요?
• 오늘날 그들이 협력하는 다양한 유형의 금융 기관.
• 공간에서 다른 사람들과 어떻게 차별화되는지.
• UnBias 제품의 작동 방식.
• 투명하다는 것은 불리한 조치 통지를 의미합니다.
• 오늘날 대부분의 은행과 핀테크 기업이 가장 먼저 생각하는 것은 무엇입니까?
• 클라이언트가 사용하는 데이터 유형이 가장 중요합니다.
• 대출 기관의 시스템에 Stratyfy를 구현하는 데 관련된 내용입니다.
• 시간이 지남에 따라 AI 모델이 어떻게 개선되었는지.
• ChatGPT를 통한 AI의 인기가 Stratyfy에 미친 영향.
• 2023년에 주식 라운드를 늘리는 것은 어땠습니까?
• 오늘날 Stratyfy가 직면한 가장 큰 과제는 다음과 같습니다.
• 신용 및 위험 결정과 관련하여 AI가 어떻게 지속적으로 개선될 것인가.

아래 대화 내용을 읽어보세요.

피터 렌튼  00:01

핀테크 일대일 팟캐스트에 오신 것을 환영합니다. Fintech Nexus의 회장이자 공동 창업자인 Peter Renton입니다. 저는 2013년부터 이 쇼를 진행해 왔으며, 이는 핀테크 전체에서 가장 오랫동안 진행된 일대일 인터뷰 쇼가 되었습니다. 이번 여행에 함께해주셔서 감사합니다. 이 팟캐스트가 마음에 드셨다면 자매 프로그램인 Lex Sokolin의 The Fintech Blueprint와 Isabelle Castro의 Fintech Coffee Break를 확인하거나 Fintech Nexus 팟캐스트 채널을 구독하여 우리가 제작하는 모든 것을 들어보세요.

피터 렌튼  00:39

시작하기 전에 Fintech Nexus가 이제 디지털 미디어 회사라는 점을 상기시켜드리고 싶습니다. 우리는 이벤트 사업을 매각했으며 핀테크 분야의 선도적인 디지털 미디어 회사가 되는 데 100% 주력하고 있습니다. 이것이 귀하에게 의미하는 바는 이제 다양한 디지털 제품, 웹 세미나, 심층 백서, 팟캐스트, 이메일 폭발, 광고 등을 통해 200,000명이 넘는 최대 규모의 핀테크 커뮤니티 중 하나에 참여할 수 있다는 것입니다. 우리는 귀하에게 꼭 맞는 맞춤형 프로그램을 만들 수 있습니다. 고위 핀테크 고객에게 다가가고 싶다면 지금 fintech nexus.com 영업팀에 문의하세요.

피터 렌튼  01:21

오늘 쇼에서 Laura Kornhauser를 맞이하게 되어 기쁘게 생각합니다. 그녀는 Stratyfy의 CEO이자 공동 창립자입니다. 이제 Stratyfy는 대출 기관을 위한 AI 기반 위험 결정에 초점을 맞춘 매우 흥미로운 회사입니다. 우리는 실제로 그것이 무엇을 의미하는지 분명히 이야기합니다. 우리는 또한 편향에 대해 이야기하고 모델을 계층화하여 편향을 식별하는 데 실제로 어떻게 도움이 되는지에 대해 이야기하는 데 많은 시간을 보냅니다. 우리는 투명성에 대해 이야기하고 이것이 Stratyfy로서 수행하는 모든 작업에 어떻게 내장되어 있는지에 대해 이야기합니다. 우리는 다양한 유형의 데이터에 대해 이야기하고 모델이 어떻게 개선되었는지, 새로운 대출 기관에 Stratyfy를 구현하는 것과 관련된 내용에 대해 이야기했습니다. 우리는 또한 일반적인 AI에 대해서만 이야기하고 그것이 왜 그렇게 뜨거운 주제가 되었는지, 그것이 AI에게 어떤 영향을 미쳤는지를 이야기합니다. 우리는 자금 조달 라운드 등에 대해 이야기합니다. 흥미로운 토론이었습니다. 쇼를 즐기시기 바랍니다.

피터 렌튼  02:20

팟캐스트에 오신 것을 환영합니다. 로라.

로라 콘하우저  02:22

정말 고마워요, 피터. 여기 있어서 기쁘네요.

피터 렌튼  02:23

괜찮은. 만나서 반가워요. 그럼 청취자들에게 자신에 대한 약간의 배경 지식을 제공하면서 시작하겠습니다. 나는 당신이 JPMorgan Chase에서 괜찮은 경력을 가졌다는 것을 알고 있습니다. Stratyfy 이전에 당신의 경력 중 하이라이트 중 일부를 알려주는 것 같습니다.

로라 콘하우저  02:39

아주 멋진. 네, 저는 JPMorgan Chase에서 경력을 시작했고, 그곳에서 XNUMX년 넘게 대출과 위험 관리 역할을 맡았습니다. 여기서 Stratyfy에서 다루는 많은 문제를 발견하고 직접 해결했습니다. 그 전에는 공학 학부생이었습니다. 나는 기계 학습이 그렇게 불리기 전에 학부 과정에서 기계 학습을 공부했습니다. 당시에는 그냥 고급통계라고 불렀습니다. 그리고 아시다시피 제가 JPMorgan에서 회사를 떠나기로 결정했을 때 저는 회사를 시작하겠다는 희망과 꿈을 많이 갖고 있었습니다. 아시다시피 저희 부모님은 기업가이십니다. 제가 태어난 즈음에 사업을 시작해 다국적 기업으로 키워 결국 전략회사에 매각했습니다. 그래서 그것이 제가 생각하는 첫 번째 직업이었습니다. 고등학교 때 전화 받기부터 대학 때 네트워크 편집까지. 아시다시피 저는 항상 기업가 정신을 갖고 있었습니다. 많은 사람들이 세 번째 자녀가 흔히 그러는 것처럼 학부 졸업 후 완전히 다른 방향으로 갔지만, 그때 나는 그 집으로 돌아가 창업자가 되고 싶다는 것을 아주 잘 알았습니다.

피터 렌튼  03:49

자, 그럼 Stratyfy의 창립 이야기에 대해 이야기해 보겠습니다. 구체적으로 무엇을 보았고, 무엇을 해결하려고 하시나요?

로라 콘하우저  03:58

전적으로. 흥미롭게도 JPMorgan을 떠난 후 저는 체이스(Chase)에서 신용카드 상품을 제게 대대적으로 홍보하는 개인적인 경험을 했습니다. 그 신용카드 상품은 좋은 포인트 플랜이 있었는데 저는 좋은 포인트 플랜에 푹 빠져 있었습니다. . 그리고 신용카드를 신청했는데 거절당했어요. 그러다가 거절 통지서 뒷면에 있는 전화번호로 전화를 걸어 제가 추가 정보를 제공한 사람과 대화를 나누게 됐습니다. 그러면 문자 그대로 '부웁, 부, 부, 부' 소리를 거의 들을 수 있게 되었습니다. boo boo 백그라운드에서 실제로 전화로 승인을 받았습니다. 그리고 그 경험을 통해 정말 많은 기관들이 신용 결정을 내리는 방식과 그러한 결정에서 제외되는 많은 사람들이 있다는 사실에 눈을 뜨게 되었습니다. 아시다시피 저는 운이 좋은 곳에 있었습니다. 그 신용카드는 필요 없었어요. 아시다시피 그것은 내 인생을 실질적으로 변화시킬 만한 것이 아니었습니다. 하지만 다른 많은 사람들에게 이러한 유형의 신용 상품은 첫 주택 구입을 돕고, 소규모 사업을 위한 재고 자금을 조달하고, 실제로 의미 있는 영향을 미치는 것으로 나타났습니다. 꼭 말씀드리고 싶었는데, 같은 시기에 공동 창업자인 Dmitry Lesnik을 만날 수 있는 행운이 있었습니다. 그리고 그는 우리가 만나기 전 지난 XNUMX년 동안 우리가 Stratyfy에서 제공하는 기술과 서비스의 핵심인 알고리즘 제품군을 개발했습니다. 그리고 해당 알고리즘 제품군의 정말 좋은 점은 자동으로 확장 가능하면서도 사용자에게 매우 투명한 방식으로 데이터로부터 학습할 수 있다는 것입니다. 그래서 저는 신용 분야에서 애플리케이션을 보았고, 아시다시피 규제가 엄격한 다른 사용 사례에서 저는 JPMorgan에서 근무하면서 우리가 해결하려는 문제에 맞는 올바른 기술을 찾는 데 어려움을 겪었습니다.

피터 렌튼  05:54

좋아요, 그럼 오늘로 돌아가서, 당신이 창업한 때는 2017년이었나요? XNUMX년 전, 지금은 회사가 어떻게 발전했는지, 그리고 오늘날 회사를 어떻게 설명하시는지 말씀해 주세요.

로라 콘하우저  06:05

응. 그래서 회사를 설명할 때 저는 우리의 사명부터 시작합니다. 이는 창립 이래로 우리의 사명이었습니다. 이는 사람들을 위한 더 큰 금융 포용을 가능하게 하는 동시에 금융 기관이 위험을 더 잘 관리하고 완화할 수 있도록 돕는 것입니다. 우리는 이를 동전의 양면으로 봅니다. 두 번째 작업 없이는 첫 번째 작업을 수행할 수 없으며, 두 번째 작업 없이는 첫 번째 작업을 확장 가능하게 수행할 수 없습니다. 그래서 회사를 시작했을 때 우리는 신용 리스크 평가와 신용 리스크 결정에 중점을 두었습니다. 따라서 대출 기관이 차용자(주로 소비자 및 중소기업 차용자)의 실제 위험을 이해하도록 돕고, 이러한 실제 위험을 이해하고 향상된 위험 예측을 기반으로 더 많은 정보에 입각한 결정을 내릴 수 있도록 돕습니다. 예, 자동 방식으로 데이터의 통찰력을 활용했지만, 데이터 과학 사용자가 아닌 사용자도 도대체 무슨 일이 일어나고 있는지 이해할 수 있는 방식으로 그렇게 했으며, 우리가 계속해서 확인하는 것이 정말 중요하다고 생각합니다. 오늘날까지 빠르게 발전하면 지난 특정 해 동안 AI와 기계 학습뿐만 아니라 업계에서 많은 관심이 집중되었습니다. 그러나 기술이 안전하고 건전하며 공정한 방식으로 활용될 수 있는 방법에 대해 업계는 엄청난 관심을 갖고 있습니다. 그리고 우리는 이를 위한 완벽한 위치에 있습니다. 아마도 우리가 회사를 시작했을 때 우리는 시장에 진출하기에는 아직 조금 이른 단계에 있었을 것입니다. 그러나 특히 지난 18개월 동안 우리가 본 성장 궤적은 정말 믿을 수 없을 만큼 훌륭했으며, 이를 통해 우리는 다른 사용 사례로 확장할 수 있었습니다. 따라서 현재 사기 탐지 분야의 고객도 있습니다. 이를 통해 사기를 식별하고 공정성을 보장하며 오탐지를 줄이는 데 도움을 주고 있습니다. 그런 다음 편견 탐지 및 완화 기능을 UnBias라고 하는 별도의 솔루션으로 가져왔습니다. 이는 공정한 대출 위험 평가에 전적으로 초점을 맞추고 대출 기관이 이를 보다 효율적이고 적극적으로 수행하고 문제가 발생하기 전에 위험을 식별할 수 있도록 합니다.

피터 렌튼  06:07

나는 당신이 누구와 함께 일하고 있는지 알고 싶었습니다. 금융기관에는 어떤 것들이 있으며, 현재 어떤 유형의 금융기관과 협력하고 계시나요?

로라 콘하우저  08:13

응. 그래서 우리는 주로 핀테크와 협력하기 시작했습니다. 이들은 얼리 어답터이자 초기 고객이었으며 정말 믿을 수 없는 제품 피드백과 제품에 대한 빠른 반복 주기를 얻을 수 있었습니다. 이제 우리는 은행과 협력하고 있습니다. 실제로 우리는 은행과 협력하고 있습니다. 현재 꽤 넓은 범위에서 우리의 가장 큰 은행 고객은 미국 상위 XNUMX개 은행입니다. 그리고 우리는 소규모 지역사회 은행 및 다수의 CDFI와도 협력하고 있습니다. 가장 주목할 만한 점은 인종 정의를 위한 인수라는 최근 이니셔티브를 통해 우리가 확실히 더 자세히 이야기할 수 있는 기술 파트너인 파일럿 프로그램입니다. 그러나 우리는 CDFI 공간에서 엄청난 기회를 봅니다. 특히 커뮤니티 은행에서 우리와 같은 기술에 대한 엄청난 기회를 봅니다. 또한 아시다시피 대규모 커뮤니티 은행이 전환하고 있다고 말하고 싶습니다. 지방은행에도 마찬가지다.

피터 렌튼  09:11

좋아요, 그렇다면 당신은 이 공간에 혼자 있는 것이 아닙니다. 이러한 종류의 금융 기관에 서비스를 제공하는 다른 기관도 있습니다. 그 공간에서 당신은 다른 사람들과 어떻게 다른가요?

로라 콘하우저  09:24

네, 그래서 우리가 실제로 차별화되는 부분은 모델이나 채점 시스템, 의사 결정 시스템 모두에 제공하는 투명성 수준입니다. 그래서 그것은 모두가 투명성을 가지고 있다고 주장하는 남용된 유행어가 되었습니다. 우리가 말하는 것은 사용자가 모델이나 전략이 작동하는 방식의 내부 작동 방식에 대한 완전한 가시성을 갖는다는 것을 의미합니다. 그들은 또한 변경을 수행할 수 있는 권한을 가지고 있으며 단 한 줄의 코드도 작성하지 않고도 이것이 실제로 의미가 있다는 것을 알게 되었습니다. 특히 커뮤니티 은행과 심지어 많은 지역 플레이어에게 있어서도 그렇습니다. 아시다시피, 데이터 과학 팀이 있는 경우 실제로 무리하고 과로하면 소수의 사람일 수 있습니다. 그리고 우리가 정말로 집중하고 있는 것은 어떻게 데이터 과학 도구를 주제 전문가, 신용을 실제로 이해하고 데이터에 매우 유능하고 데이터를 알고 있지만 데이터 과학자는 아닌 사용자에게 제공하는 것입니다. 엔지니어가 아닌 경우, 우리가 제공하는 가시성 및 제어 수준이 다른 사람들과 비교하여 실제로 편안하게 사용할 수 있는 도구를 제공하려면 어떻게 해야 합니까? 따라서 Stratyfy와 앞서 언급한 핵심 기술을 통해 지원되는 모든 기능에는 블랙박스가 없습니다.

피터 렌튼  10:51

흥미로운. 저는 편견을 다루고 싶습니다. 여기서 이미 몇 번 언급하셨는데요. 이것이 여러분의 창립 원칙이었던 것 같습니다. 여러분의 접근 방식은 무엇입니까? 여러분의 모델이 어떻게 다른 모델보다 편향을 더 잘 식별할 수 있는지 정확하게 설명할 수 있을 것입니다.

로라 콘하우저  11:10

응. 이것이 바로 귀하의 말이 맞습니다. 우리의 창립 접근 방식의 일부입니다. 우리가 구축한 초기 솔루션, 신용 위험 평가 및 의사 결정 솔루션에는 항상 편견이 모델의 KPI로 포함되어 있습니다. 그래서 우리는 이것이 다양한 전략, 다양한 옵션, 다양한 모델을 평가할 때 살펴봐야 할 성과 지표 중 하나라고 항상 생각했습니다. 그리고 아시다시피, 우리가 하는 일은 무엇이 공정하고 무엇이 공정하지 않은지 말하거나 결정하는 일을 하는 것이 아닙니다. 우리가 하는 사업은 다양한 테스트와 지표를 제공하는 것입니다. 이 모든 것은 도구 내에서 쉽게 활용되어 추가로 이어질 수 있는 잠재적인 편견을 평가할 수 있습니다. Peters가 하는 일 중 하나는 다양한 편견 측정 항목을 지원하고 사용자가 자신에게 가장 중요한 측정 항목을 결정할 수 있도록 하는 것입니다. 규제 기관과 고객에게 가장 중요한 지표는 무엇이며 이를 선택할 수 있습니다. 그런 다음 UnBias 제품이 작동하는 방식이 첫 번째 단계입니다. 실제로 이를 발견, 이해, 실행 취소의 세 단계로 나눕니다. 따라서 첫 번째 단계는 이러한 테스트를 매우 강력하면서도 자동화된 방식으로 실행하여 대출 기관이 이러한 테스트를 더 자주, 더 적극적으로 실행할 수 있도록 하는 것입니다. 이러한 지표 중 하나에 따라 위험이 나타나면 XNUMX단계로 이동하거나 사용자가 제품 내에서 XNUMX단계로 이동할 수 있도록 허용합니다. 거기서 우리는 그 위험을 분해합니다. 그렇다면 주요 동인은 무엇입니까? 편향 위험이 나타나는 원인은 무엇입니까? 그런 다음 이를 확인한 후 고객에게 정보를 제공하고 고객이 조치를 취해야 하는지 결정해야 합니다. 그리고 그들이 조치를 취하기로 결정한 경우 실행 취소 구성 요소를 통해 문제를 해결하고 모델을 변경하는 방법을 찾는 데 도움을 줄 수 있습니다. 그리고 아무도 편향된 모델이나 편향된 의사결정 전략을 구축하려고 하지 않기 때문에 나타난 편견을 수정하거나 보상합니다. 그렇죠? 많은 대출 기관의 경우처럼 인간이 결정을 내리거나 자동화 시스템이 결정을 내리거나 둘이 조합된 것이라고 말하는 대출 기관은 없습니다. 그렇죠, 누구도 그런 편견을 가질 생각이 없습니다. 그러나 우리는 새로운 전략이 시작되기 전, 출시 시에 발생하는 많은 강력한 확인 작업을 발견했습니다. 결국 정기적인 체크인도 있습니다. 그러나 다음 번 정기 점검보다 상황이 더 빨리 진행되는 경우가 종종 있습니다. 아시다시피, 이 제품 제공에 대한 우리의 목표와 우리가 고객에게 제공할 수 있었던 것은 문제가 큰 문제가 되기 전에 문제를 해결할 수 있도록 이러한 위험에 대한 지속적인 모니터링에 대한 더 나은 가시성을 제공하는 것입니다.

피터 렌튼  13:58

그래서 누군가가 당신의 모델을 운영하고 있는 것처럼 몇 주가 지나면 그들은 보기 시작할 것입니다. 여성인지, 인종인지, 맞다고 말할 수 있을 것 같습니다. 나에게 당신은 당신이 해야 할 것보다 이러한 유형의 사람들을 더 많이 거부하고 있다고 생각합니다. 그리고 이것이 트리거 포인트가 있는 것인가요? 아니면 고객이 트리거 포인트를 설정합니까?

로라 콘하우저  14:25

고객은 평가를 실행할 빈도를 결정하게 됩니다. 우리는 매일 이를 수행할 수 있습니다. 또는 고객이 원하는 경우 하루에 여러 번 수행할 수도 있습니다. 대부분의 경우 사람들이 이러한 점검을 수행하기를 원하는 월별 또는 분기별로 보고 있습니다. 측정하기가 매우 어렵습니다. 충분한 크기의 샘플 세트가 없으면 통계적으로 유의미하지 않은 항목에 플래그를 지정하는 상황이 발생할 수 있습니다. 따라서 우리는 측정값뿐만 아니라 해당 측정값이 통계적으로 유의미한지 확인하여 위험 요소를 정량화하는 데 편안함을 느낄 수 있도록 하는 데 중점을 두고 있습니다. 플래그가 있던 곳에 있을 필요는 없습니다.

피터 렌튼  15:05

오른쪽. 제 생각엔 소규모 지역사회 은행들에게는 그것이 도전이 될 수 있다고 생각합니다. 그렇죠? 그 규모가 없고요.

로라 콘하우저  15:11

정확히. 더 많은 빈도로 실행할 수 있는 볼륨이 없습니다. 그런 다음 매달 실행하고 소규모 은행의 경우 종종 분기별로 실행하기를 원합니다. 하지만 아시다시피 우리 기술을 통해 원하는 빈도로 운영할 수 있습니다. 우리는 월별 또는 분기별로 한 번씩 시장을 찾습니다.

피터 렌튼  15:29

귀하의 시스템은 불리한 조치 서신이나 누군가의 거부에 대한 도움도 제공합니까? 그리고 당연히 사람들이 그 이유를 알아야 합니다. 그게 당신이 거기에서 제공하는 것의 일부인가요?

로라 콘하우저  15:42

전적으로. 그리고 이는 또한 우리의 기본 접근 방식의 투명성 수준을 다시 가리키는 우리의 차별화 요소라고 생각합니다. 다른 기계 학습 접근 방식을 사용하고 뒤에서 불리한 조치 알림을 제공하는 많은 사람들은 Shapley 값과 같은 것을 사용하여 이러한 불리한 조치 알림을 제공하거나 이유 코드, 규제 기관이 나와서 이러한 유형의 박사 후 설명자에 대해 깃발을 올렸습니다. . 이제 그들은 충분히 설명할 수 없다고 말하지 않았습니다. 박사후 과정 설명자였던 정확한 언어는 이러한 유형의 사용에 대해 충분히 투명하지 않을 수 있다고 생각합니다. 하지만 이는 여전히 업계에서 뜨거운 논쟁을 불러일으키는 항목이며 많은 사람들이 더 많은 블랙박스, 기계 학습 솔루션을 사용하는 경우 이러한 방법을 활용하고 있습니다. 우리 모델의 기본 특성은 해석 가능하다는 것입니다. 즉, 이해하기 위해 모델 위에 모델을 겹겹이 쌓는 것이 아니라 구성 요소부터 볼 수 있거나 투명하다는 의미입니다. 모델이 어떻게 작동하는지.

피터 렌튼  16:46

맞아 맞아. 그리고 CFPB가 대출 모델에서 어떤 편견도 보고 싶지 않다는 점을 분명히 밝혔습니다. 그래서 내 말은, 모든 대출 기관은 아니더라도 대부분이 오늘날 이 사실을 잘 알고 있을 것이라고 생각합니다. 그리고 편견 부분이 오늘날 대출 기관이 가장 중요하게 생각하는 부분입니까? 아니면 대화를 할 때 이러한 종류의 기능이 대출 기관에서 가장 관심을 갖는 부분입니까? 아니면 어떤가요?

로라 콘하우저  17:14

흥미로운 시장 환경입니다. 대부분의 은행에서 가장 먼저 염두에 두는 것은 예금을 늘리고 예금을 늘리고 예금을 늘리는 것입니다. 즉, 그것은 큰 초점입니다. 현재 우리가 처한 환경을 고려할 때 은행은 인원 수, 비용 등을 줄이고 있습니다. 그리고 프로세스를 자동화하고, 확장성을 찾고, 기술을 통한 효율성을 모색하는 방법을 찾고 있습니다. AI와 머신러닝의 하위 분야는 이러한 종류의 확장성과 효율성 향상을 촉진하기 위해 제공할 수 있는 엄청난 가치를 가지고 있습니다. 그러나 우리는 시장의 많은 사람들이 높은 수준의 조사를 통해 이러한 유형의 고가치, 고위험 결정에 기계 학습을 사용하는 데 여전히 상당히 소심하다는 것을 발견했습니다. 아시다시피, 바로 그곳이 바로 우리가 우리 자신을 차별화할 수 있는 부분입니다. 그것이 우리가 지금까지 보아온 성장을 본 이유입니다. 왜냐하면 우리가 그들에게 일부 단점 없이 해당 기술의 이점을 제공할 수 있기 때문입니다. 그들이 앉아서 맹목적으로 점수를 신뢰해야 한다는 느낌을 주지 않고, 또는 이해하지 못하는 모델에서는 모든 것을 특정 위험 허용 범위, 특정 고객 기반에 맞게 매우 쉽게 사용자 정의할 수 있습니다. 다시 보고, 데이터에서 배운 내용을 정확히 확인하고, 변경하고, 재정의하고, 시스템에 추가 정보를 입력할 수 있습니다. 편견과 같은 것을 보상하기 위해 데이터 외부에 있습니다. 알고 있는 것을 보상하기 위해 데이터와 같은 것들은 항상 과거를 바라보고 있습니다. 그래서 저는 이것이 궁극적으로 어려운 환경에서 우리에게 큰 도움이 되었다고 생각합니다.

피터 렌튼  18:52

데이터 자체에 대해 이야기해 보겠습니다. 왜냐하면 저는 이러한 편견을 식별하기 위해 여기서 이야기한 일부 사항에 실제로 중요해지고 있는 데이터 종류에 대해 알고 싶기 때문입니다. 그리고 어쩌면 덜 중요한 데이터일 수도 있습니다.

로라 콘하우저  19:09

데이터 측면에서 우리는 종종 고객이 있는 곳에서 고객을 만납니다. 그리고 우리는 데이터 파트너십을 맺고 있지만 Stratyfy 자체는 데이터 제공자가 아닙니다.

피터 렌튼  19:18

권리.

로라 콘하우저  19:19

따라서 이 데이터 요소를 모델에 추가하면 분석의 즐거움을 얻을 수 있다고 말하는 것이 아닙니다. 우리는 그들이 보유한 데이터 자산 또는 데이터 파트너십 중 하나를 통해 획득한 데이터 자산을 사용하여 이를 최대한 활용하고 그로부터 최대 가치를 추출하고 있습니다. 우리는 여전히 대부분의 대출 기관, 특히 여러분이 아시는 것처럼 커뮤니티, 커뮤니티 은행 공간으로 이동하면서 여전히 전통적인 신용 데이터를 사용하고 있음을 발견했습니다. 그들이 찾고 있는 것은 가시성, 투명성, 제어를 희생하지 않으면서 더 높은 성능과 더 높은 정확성을 달성하기 위해 해당 데이터에서 가치를 추출하는 더 나은 방법입니다. 추가 데이터 요소에 관해 많은 이야기가 있습니다. 그리고 핀테크 또는 대형 대출 기관 등 많은 대출 기관은 다른 데이터 요소를 사용하여 특히 파일 신청자가 얇거나 없는 신청자를 보상하는 데 도움을 주고 있습니다. 우리 작업을 통해 알다시피 이 분야에서 엄청난 이익을 약속한다는 것을 알 수 있습니다. 예를 들어, 저는 임대료 지불 데이터, 특히 해당 데이터가 공정성 측면에서 실제로 도움이 되고, 편견을 없애고, 얇은 파일 지원자의 역량을 강화하는 데 도움이 될 수 있다는 점을 굳게 믿습니다. 우리 모두는 FinRegLab과 우리가 FinRegLab과 파트너십을 맺은 다른 사람들의 기계 학습 및 인수에 관한 매우 흥미로운 연구이지만 현금 흐름 기반 인수에 대한 연구를 읽었으며 또한 매우 유망하다는 것을 알고 있습니다. 그리고 다시, 우리는 대체 데이터에 대한 채택 곡선의 다양한 지점에서 다양한 대출 기관을 볼 수 있습니다. 하지만 이는 나에게 항상 흥미로운 일입니다. 왜냐하면 여전히 많은 대출기관에서 대체 데이터나 신용 보고서 외부의 데이터에 관해 이야기할 때 누군가의 소셜 미디어 프로필을 스크랩하는 것에 대해 이야기하고 있다고 생각하기 때문입니다. 오른쪽? 그리고 저는 종종 농담을 합니다. 우리 공간에서처럼 대체 데이터는 그런 대체 데이터가 아니죠?

피터 렌튼  21:17

권리.

로라 콘하우저  21:18

그래서 가끔은 대화를 시작하면서 사람들을 얕잡아 봐야 할 때도 있습니다. 그러나 이러한 모든 논의에서, 특히 시장 환경에서 여러분이 상상할 수 있듯이 대출 기관이 대답해야 할 주요 질문은 해당 데이터 요소가 제공하는 추가 향상은 무엇입니까?입니다. 그것이 내가 지불해야 하는 비용이나 그것을 얻기 위해 도입해야 하는 마찰을 정당화합니까? 또한 우리 제품을 사용하여 해당 테스트를 수행하는 데 도움을 주고 추가 데이터 요소의 가치를 탐색하는 사람들도 자주 볼 수 있습니다. 내가 여기서 언급할 또 다른 점은 Peter입니다. 신용에 관한 올바른 결정을 내리기 위해 1000가지의 속성이 필요하지 않다는 것을 우리는 보았습니다. 그리고 종종 포화점과 거의 비슷합니다. 예, 약간의 증분 가치를 추가할 수도 있지만 이것이 모델 복잡성 증가나 해당 데이터 비용의 증가를 반드시 정당화하지는 않습니다. 따라서 우리는 우리 공간의 다른 일부와 마찬가지로 지금 당장 고객과 함께 결정을 내리기 위해 수천 가지 속성을 살펴보는 것이 아닙니다.

피터 렌튼  21:18

그렇다면 새로운 고객, 새로운 대출 기관에 등록할 때 Stratyfy를 구현하는 과정에는 무엇이 포함됩니까? 얼마나 시간이 걸려요? 그곳의 전형적인 여행을 안내해 드립니다.

로라 콘하우저  22:35

따라서 초기 계약은 일반적으로 XNUMX~XNUMX개월 동안 진행되는 파일럿 계약으로 시작됩니다. 해당 파일럿 계약에서 우리는 데이터, 즉 우리와 교환되는 대출 기관의 데이터를 교환합니다. 모두 익명으로 처리되므로 PII를 우리와 공유할 필요가 없으며 이는 매우 유용합니다. 그런 다음 다른 데이터 자산을 탐색하려는지에 대해 대화를 나눕니다. 일반적으로 파일럿에서는 이는 사람들이 수행하는 작업이 아닙니다. 그런 다음 우리는 그들과 협력하여 초기 도전자 모델과 도전자 전략 세트를 구축합니다. 따라서 점수를 생성하는 모델, 결정을 생성하는 전략이 있습니다. 그들과 협력하여 그들이 평가할 수 있는 일련의 도전자 모델과 전략을 우리 소프트웨어 내에서 생성하십시오. 그런 다음 지속적인 실행을 위해 API를 통해서만 지속적인 실행을 위해 LOS와 통합하는 경우가 많습니다. 그리고 이는 모두 우리 제품에 의해 제어되므로 통합을 변경하지 않고도 적절한 제어를 통해 API용으로 배포된 전략에 대한 새로운 전략을 쉽게 홍보할 수 있습니다. 그런 다음 우리는 일반적으로 대출 기관이 이를 도입할 것이므로 어떤 대출 기관도 파일럿 이후 장기적인 참여로 나아갈 때 첫날에 모든 것을 새로운 도전자 모델로 전환하지 않을 것입니다. 따라서 일반적으로 시간이 지남에 따라 특정 비율에서 시작하여 점차적으로 포함됩니다.

피터 렌튼  24:01

좋아요, 그렇다면 귀하의 모델은 어떻습니까? AI 모델을 어떻게 개발했으며 시간이 지남에 따라 어떻게 개선되었습니까?

로라 콘하우저  24:07

정말 좋은 질문입니다. 또 다른 차별화 포인트는 우리가 고객 데이터를 수집한 다음 해당 데이터에 대한 공유 저장소를 만들어 다른 모든 고객이 활용하지 않는다는 점입니다. 따라서 우리 고객 데이터는 고객의 데이터로 남아 있으며 이는 고객에게 매우 중요합니다. 즉, 우리의 알고리즘 제품군이 작동하는 방식을 보면 이를 우리의 데이터에서 추출되는 기능이나 통찰력으로 생각할 수 있습니다. 그리고 그것은 강화하거나 개선하는 데 사용되며, 원한다면 우리 회사의 네트워크 효과를 창출하여 새로운 고객을 얻을 때마다 모든 사람에게 가치를 더합니다. 그래서 그것이 우리가 하는 방법입니다. 하지만 우리는 의도적으로 모두가 사용하는 빅 데이터 저장소를 만들지 않고 있습니다.

피터 렌튼  25:01

자, ChatGPT가 출시되고 모두가 AI에 대해 이야기하기 시작한 지 XNUMX년이 지났습니다. 정말 놀랍습니다. 오늘날 어떤 신문을 보더라도 AI가 있고 AI 기사가 매일 나오고 모두가 그것에 대해 이야기합니다. 이로 인해 접근 방식이 바뀌었나요? 당신이 하고 있는 일을 설명하기가 더 쉬워졌나요, 아니면 더 어려워졌나요?

로라 콘하우저  25:26

환상적인 질문입니다. 그 대답은, 그 주제를 둘러싼 대화가 늘어났고, 금융 서비스 내에서 거의 두 개의 진영이 생겼다고 생각합니다. 그리고 이러한 캠프를 그들이 함께 일하는 기관의 자산 규모와 약간 연관시킬 수는 있지만 완벽하지는 않습니다. 그리고 한 진영은 약속, 가치, 위험을 봅니다. 그 중 많은 위험이 있습니다. 그러나 위험도 확인하지만 파악하고 싶어하며 많은 경우 알아내야 할 여러 가지 사항이 있습니다. 아시다시피 우리와 협력하는 기관들은 이사회로부터 이 기술을 활용하는 방법을 찾아내라는 간접적인 권한을 갖고 있습니다. 그래서 그들은 그것이 자신들을 위해 작동하도록 만드는 방법을 알아내고자 하는 진정한 열망을 가지고 있습니다. 건강한 두려움이 있다고 말하고 싶습니다. 다른 캠프는 너무 침수되어 AI라는 단어를 보고 즉시 꺼집니다. 그리고 알다시피, 지난 두 달 동안 많은 사람들이 그랬듯이 나도 컨퍼런스 순회에서 활발하게 활동해 왔고, 사람들이 그 사이에 없거나 거의 발견하지 못한 것을 보는 것이 나에게 매우 흥미로웠습니다. 그 사이에 그들은 두 진영 중 하나에 속합니다. 아시다시피 저는 AI 기술이 광범위하게 금융 산업에 가져올 힘을 매우 강하게 믿습니다. 큰 힘에는 큰 책임이 따른다는 것을 이해한다면. 그리고 아시다시피 이러한 도구는 특히 공정성 문제에서 상황을 훨씬 더 좋게 만드는 데 사용될 수 있습니다. 또한 편견을 심어주고 앞으로의 결정에 편견을 기하급수적으로 확대하는 데 사용될 수도 있습니다. 제 생각에 우리는 변곡점이나 결정 지점에 와 있습니다. 저는 그것이 이전 방식으로 진행되기를 진심으로 바랍니다. 그러나 올바른 통제, 즉 혁신을 방해하지 않는 통제가 없다면 과거의 모든 편견이 미래의 결정에 반영되는 상황이 발생할 수 있습니다.

피터 렌튼  27:29

오른쪽. 그래서 저는 상황을 조금 바꿔서 자금 조달에 관해 이야기하고 싶습니다. 왜냐하면 우리가 마지막으로 대화를 나누었을 때 귀하께서 방금 자금 조달 라운드를 종료하신 것 같기 때문입니다. 아직 공개되었는지는 모르겠지만 방금 닫으셨습니다. 축하해요! 2023년에 펀딩 라운드를 마무리하는 것은 쉽지 않습니다. 그렇다면 그 과정에 대해 조금 말씀해 주시겠습니까? 투자자는 누구이며 그 과정은 어떻게 진행되었습니까?

로라 콘하우저  27:51

글쎄요, 그것은 매우 어려운 모금 환경이었습니다. 그것에 대해서는 의심의 여지가 없습니다. 그러나 우리의 사명과 가치를 공유하고 Stratyfy의 엄청난 장점을 보는 투자자가 있다는 것은 매우 행운입니다. 아시다시피, 우리는 장기적으로 관계를 유지함으로써 큰 ​​이익을 얻었습니다. 그렇죠, 우리는 한동안 주변에 있었습니다. 그리고 우리는 한동안 투자자들과 관계를 키워왔습니다. 그리고 그것은 우리가 모금하러 나갔을 때 실제로 모금 환경을 고려했을 때 충격적이었던 것처럼 기회주의적으로 모금을 했다는 것을 의미했습니다. 그 당시 우리는 자금을 조달하고 있었습니다. 돈이 부족해서가 아니라 서명했거나 서명할 예정인 고객이 있었기 때문입니다. 그리고 우리는 우리가 체결한 약속을 충족시키기 위해 팀을 확장할 수 있는지 확인해야 했습니다. 그래서 또한 그 위치에 있는 것은 우리를 더 큰, 물론 모금에 힘을 실어주는 위치에 놓이게 합니다. 그러나 장기적인 관계가 없었다면, 그리고 보다 공정한 금융 시스템을 추진하는 데 관심을 갖고 Stratyfy가 이를 실현하는 핵심 구성 요소라고 믿는 투자자가 없었다면 우리는 이를 달성할 수 없었을 것입니다.

피터 렌튼  29:10

좋습니다. 그렇다면 현재 귀하의 비즈니스를 살펴보면 Stratyfy를 성장시키려는 가장 큰 과제는 무엇입니까?

로라 콘하우저  29:17

지금 당장 어려운 일이자 항상 어려운 일 중 하나는 은행에 판매하는 것입니다. 쉬운 일이 아닙니다.

피터 렌튼  29:25

권리.

로라 콘하우저  29:26

쉬운 일이 아닙니다. 판매주기가 깁니다. 계약이 울퉁불퉁합니다. 우리는 눈을 뜨고 이것에 들어갔습니다. 이것은 우리에게 놀라운 일이 아니었습니다. 우리는 그것이 우리가 가고 있는 어려운 길이라는 것을 알고 있었습니다. 하지만 지금은 그게 어렵습니다. 지금 우리가 처한 시장 환경에서는 그게 어렵습니다. 그리고 많은 대출 기관이 위험을 줄이고 상품을 폐쇄하고 있으며 많은 경우 매우 무뚝뚝한 도구를 사용하여 FICO 컷오프를 높이고 있습니다. 특정 제품을 완전히 폐쇄하거나 해당 제품을 XNUMX차 시장에 완전히 매각하는 것 아닌가요? 우리는 이를 초기 반응으로 보고 엄청난 기회를 창출할 것이며, 특히 오랫동안 핀테크 대출 기관과 대형 은행에 의해 압박을 받아온 커뮤니티 은행과 지역 은행에 더욱 그러하다고 봅니다. 그래서 우리는 이것이 정말로 의미 있는 기회를 창출할 것이라고 믿습니다. 하지만 지금 당장은 그게 어려운 일이다. 그 문제를 해결하면서 제가 정말로 집중하고 있는 것은 제어 가능한 요소를 고전적으로 제어하는 ​​것입니다. 오늘날 우리는 믿을 수 없을 만큼 높은 고객 기반을 보유하고 있으며 가능한 최고 품질의 방식으로 고객에게 지속적으로 서비스를 제공함으로써 기존 고객 기반을 확장할 수 있는 새로운 기회를 제공할 것입니다. 그리고 저는 정말로 우리 팀에 집중하고 있습니다. 우리는 정말 믿을 수 없는 팀을 구축했습니다. 저는 그것이 여성 리드 팀이라는 사실을 매우 자랑스럽게 생각합니다. 이는 우리가 처해 있는 시장 환경에서 엄청난 차별화 요소입니다. 저는 그것이 매우 자랑스럽습니다. 하지만 아시다시피 우리 직원을 분류할 수 있는 그 어떤 것보다 저는 그들이 우리의 사명에 얼마나 헌신하고 있는지, 우리가 추구하는 변화에 대해 얼마나 열정적인지, 얼마나 열심히 노력하고 있는지 정말 자랑스럽습니다. 그것을 전달하기 위해 노력하고 있습니다. 그래서 저는 우리가 결국 직면하게 될 새로운 시장 수요를 계속해서 충족시키고 단기적으로 은행에 판매하는 데 직면하는 모든 어려움을 극복해야 하는 놀라운 팀을 성장시키는 데 정말로 집중하고 있습니다.

피터 렌튼  31:30

좋아요, 그럼 미래 지향적인 질문으로 마무리하고 현재 우리가 어디에 있는지 알아보고 싶습니다. 제 말은 AI가 계속해서 개선된다는 뜻입니다. 대출 기관의 신용 및 위험 결정과 관련하여 AI가 어떻게 발전할 것입니까? XNUMX년 후에는 어떤 모습일까요?

로라 콘하우저  31:49

응. 그래서 저는 우리가 대출에 있어 훨씬 더 자동화된 의사 결정을 내릴 것이라고 매우 믿습니다. 특정 결정에 여전히 수동 검토가 필요하지 않거나 두 번째 눈이 필요하지 않다고 말하는 것은 아니지만 자동화된 의사결정은 기존보다 더 많이 확산되어야 합니다. 그리고 이는 다양한 제품 라인에서 일어날 것입니다. 하지만 제가 정말 중요하다고 생각하는 것은 AI와 신용 및 기타 분야의 미래에 적용되는 것입니다. 승리할 시스템 유형, 고객에게 가장 큰 가치를 제공할 시스템 유형은 입력을 허용하는 시스템이라는 것입니다. 궁극적으로 여러 소스에서. 따라서 그것은 하나의 소스로서의 데이터일 수도 있고 인간도 될 수 있습니다. 기계 학습은 데이터를 먹고 통찰력을 찾는 데 정말 능숙합니다. 인간은 해당 데이터, 즉 데이터 요소 외부에 있는 정보에 컨텍스트를 적용하는 데 정말 능숙합니다. 따라서 저는 미래의 AI, 특히 규제된 사용 사례에 대해 믿습니다. 하지만 새로운 규제가 다가오고 그에 따라 AI 시스템에 대한 대중의 인식이 커질 뿐만 아니라 다른 사용 사례에서도 AI 시스템에 대한 대중의 인식이 높아질 것이라고 생각합니다. 우리가 유럽에서 보아온 많은 규제와 1033을 통해 이미 초기 진전을 보았습니다. 데이터뿐만 아니라 데이터를 통해 무슨 일이 일어나고 있는지 이해하는 방법에 중점을 둘 것입니다. 사람들? 이 두 가지를 하나의 자동화 시스템으로 결합하여 내가 FI에 알릴 수 있는지, 아니면 다른 유형의 기업이 고객에게 대체 무슨 일이 일어났는지 알릴 수 있는지 확인하세요. 이 결정은 어떻게 내려졌나요? 어떤 정보가 사용되었나요? 귀하가 부정적인 결과를 얻은 사건에 대해 큰 기회가 될 것이라고 계속 믿고 있는 다른 결정을 내리도록 어떻게 도와드릴 수 있습니까? 고객이 긍정적인 결과를 얻을 수 있도록 돕기 위해 어떻게 고객과 관계를 구축합니까? 알다시피, 그렇게 할 수 있는 것은 AI 시스템이 될 것이고, 우리가 모든 신문에서 듣는 모든 약속과 가치를 실제로 전달하게 될 것입니다.

피터 렌튼  33:47

좋아요, 그럼 거기에 놔둬야겠습니다. 로라 씨, 오늘 쇼에 와주셔서 정말 감사드립니다. 행운을 빕니다.

로라 콘하우저  33:53

정말 고마워요, 피터.

피터 렌튼  33:57

글쎄, 당신이 쇼를 즐겼기를 바랍니다. 들어주셔서 정말 감사합니다. 선택한 팟캐스트 플랫폼에서 프로그램에 대한 리뷰를 작성하고 친구와 동료에게 알려주세요. 어쨌든, 그 점에 대해서는 말씀드리도록 하겠습니다. 들어주셔서 정말 감사하고, 다음에 또 연락드리겠습니다. 안녕.

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.fintechnexus.com/laura-kornhauser-ceo-stratyfy-advanced-ai-models-underwriting/