Geniet je van onze podcasts? Mis toekomstige afleveringen niet! Druk dan op die abonneerknop Apple, Spotify, YouTube, of je favoriete podcastplatform om op de hoogte te blijven van onze nieuwste inhoud. Bedankt voor je ondersteuning!

Het gebruik van machine learning-modellen bij het afsluiten van consumentenleningen bestaat al meer dan tien jaar. Hoewel fintech hier duidelijk het voortouw nam, zijn traditionele kredietverstrekkers pas de laatste paar jaar met deze technologie bezig. Hoewel deze AI/ML-modellen verschillen van de generatieve AI-rage die het afgelopen jaar de zakenwereld heeft omarmd, heeft dit fenomeen zeker bijgedragen aan het bewustzijn.

Mijn volgende gast op de Fintech One-on-One podcast is Laura Kornhauser, de CEO en medeoprichter van stratificeren. Haar bedrijf heeft een missie om een ​​grotere financiële inclusie voor mensen mogelijk te maken en tegelijkertijd financiële instellingen te helpen risico's beter te beheren en te beperken. Dat doen ze door het implementeren van hun geavanceerde AI-modellen en uiteraard door de toewijding van hun mensen.

In deze podcast leer je:

• Het oprichtingsverhaal van Stratyfy.
• De missie van het bedrijf en hoe deze is geëvolueerd?
• De verschillende soorten financiële instellingen waarmee ze tegenwoordig samenwerken.
• Hoe ze zich onderscheiden van anderen in de ruimte.
• Hoe hun UnBias-product werkt.
• Wat transparant zijn betekent voor kennisgevingen van ongunstige maatregelen.
• Wat vandaag de dag top of mind is voor de meeste banken en fintechs.
• De soorten gegevens die hun klanten gebruiken, zijn het belangrijkst.
• Wat komt er kijken bij het implementeren van Stratyfy in het systeem van een kredietverstrekker?
• Hoe hun AI-modellen in de loop van de tijd zijn verbeterd.
• Hoe de populariteit van AI via ChatGPT Stratyfy heeft beïnvloed.
• Hoe het was om een ​​aandelenronde uit te voeren in 2023.
• De grootste uitdaging waarmee Stratyfy vandaag wordt geconfronteerd.
• Hoe AI zal blijven verbeteren als het gaat om krediet- en risicobeslissingen.

Lees hieronder een transcriptie van ons gesprek.

Peter Renton  00:01

Welkom bij de Fintech One-on-One-podcast. Dit is Peter Renton, voorzitter en medeoprichter van Fintech Nexus. Ik doe deze show sinds 2013, wat dit de langstlopende één-op-één interviewshow in de hele fintech maakt. Bedankt dat je met mij meegaat op deze reis. Als je deze podcast leuk vond, bekijk dan onze zustershows The Fintech Blueprint met Lex Sokolin en Fintech Coffee Break met Isabelle Castro, of luister naar alles wat we produceren door je te abonneren op het Fintech Nexus podcastkanaal.

Peter Renton  00:39

Voordat we beginnen, wil ik u eraan herinneren dat Fintech Nexus nu een digitaal mediabedrijf is. We hebben onze evenementenactiviteiten verkocht en zijn er 100% op gefocust om het leidende digitale mediabedrijf voor fintech te zijn. Wat betekent dit voor u? U kunt nu in contact komen met een van de grootste fintech-gemeenschappen, meer dan 200,000 mensen, via een verscheidenheid aan digitale producten, webinars, diepgaande whitepapers, podcasts, e-mailberichten, advertenties en nog veel meer. Wij kunnen een programma op maat maken dat speciaal voor u is ontworpen. Als u een senior fintech-publiek wilt bereiken, neem dan vandaag nog contact op met de afdeling sales op fintech nexus.com.

Peter Renton  01:21

Vandaag ben ik blij om Laura Kornhauser op de show te mogen verwelkomen. Zij is de CEO en mede-oprichter van Stratyfy. Nu Stratyfy een superinteressant bedrijf is dat zich richt op op AI gebaseerde risicobeslissingen voor kredietverstrekkers, praten we eigenlijk duidelijk over wat dat allemaal betekent. We besteden ook veel tijd aan het praten over vooroordelen en hoe stratificatiemodellen echt helpen bij het identificeren van vooroordelen. We praten over transparantie, en hoe dat is ingebouwd in alles wat ze doen als Stratyfy. We praten over de verschillende soorten gegevens, we hebben gesproken over hoe hun modellen zijn verbeterd, wat er komt kijken bij het implementeren van Stratyfy bij een nieuwe kredietverstrekker. We praten ook alleen over AI in het algemeen en waarom het zo'n populair onderwerp is en welke invloed dat op hen heeft gehad. We praten over financieringsrondes en nog veel meer. Het was een boeiende discussie. Ik hoop dat je geniet van de show.

Peter Renton  02:20

Welkom bij de podcast. Laura.

Laura Kornhauser  02:22

Heel erg bedankt, Petrus. Blij om hier te zijn.

Peter Renton  02:23

Oke. Geweldig om je te hebben. Dus laten we beginnen door de luisteraars wat achtergrondinformatie over jezelf te geven. Ik weet dat je een behoorlijke periode hebt gehad bij JPMorgan Chase, het lijkt erop dat je ons enkele hoogtepunten van je carrière tot nu toe voor Stratyfy vertelt.

Laura Kornhauser  02:39

Prachtig. Dus ja, ik begon mijn carrière bij JPMorgan Chase, waar ik meer dan een decennium heb doorgebracht in zowel kredietverlenings- als risicofuncties bij de instelling, waar ik veel van de problemen heb blootgelegd of uit de eerste hand veel van de problemen heb opgelost die we hier bij Stratyfy behandelen. Daarvoor ben ik een ingenieursstudent. Voordat het zo werd genoemd, heb ik machinaal leren gestudeerd tijdens mijn bacheloropleiding. Dat heette toen nog gewoon geavanceerde statistiek. En toen ik JPMorgan verliet, toen ik besloot te vertrekken, had ik heel erg de hoop en dromen om een ​​bedrijf te starten. Weet je, mijn ouders zijn ondernemers. Ze startten een bedrijf rond de tijd dat ik werd geboren en bouwden en groeiden het vervolgens uit tot een multinationaal bedrijf, en uiteindelijk verkochten ze het aan een strategische onderneming. Dus dat waren mijn echte, denk ik, eerste banen, beginnend bij het beantwoorden van de telefoons toen ik op de middelbare school zat, tot aan het bewerken van netwerken toen ik op de universiteit zat. Dus weet je, ik heb altijd die ondernemende geest in mij gehad. Ging de compleet andere kant op, zoals velen zouden zeggen dat derde kinderen vaak doen, na hun studie, maar wist toen heel goed dat ik naar dat huis wilde terugkeren en oprichter wilde worden.

Peter Renton  03:49

Oké, dus laten we het hebben over het oprichtingsverhaal en vervolgens over Stratyfy. Wat heb je specifiek gezien en wat probeer je op te lossen?

Laura Kornhauser  03:58

Absoluut. Interessant genoeg had ik, nadat ik JPMorgan had verlaten, een ervaring, een persoonlijke ervaring waarbij een creditcardproduct zwaar op de markt werd gebracht, eigenlijk door Chase, en het had een geweldig puntenplan en ik ben een sukkel voor een goed puntenplan . En ik heb me aangemeld voor de creditcard en ik werd afgewezen. En dat bracht mij er vervolgens toe om, weet je, het nummer op de achterkant van mijn afwijzingsbrief te bellen, met iemand te praten aan wie ik wat aanvullende informatie heb verstrekt, en dan kun je letterlijk bijna de boop boop, boop, boe, boe horen boe-boe op de achtergrond, en ik werd zelfs via de telefoon goedgekeurd. En die ervaring opende voor mij echt mijn ogen voor de manier waarop kredietbeslissingen door zoveel instellingen worden genomen, en voor de grote groepen mensen die bij die beslissingen buiten beschouwing worden gelaten. Weet je, ik bevond me op een gelukkige plek. Ik had die creditcard niet nodig. Weet je, het was niet iets dat mijn leven wezenlijk zou veranderen. Maar voor veel andere mensen: hoe dit soort kredietproducten hen helpen hun eerste huis te kopen, hen helpen, weet je, de inventaris voor hun kleine bedrijf te financieren, weet je, en een echt betekenisvolle impact hebben, en dat dat iets was. Ik wilde heel graag iets zeggen, maar ik had het geluk dat ik rond dezelfde tijd mijn mede-oprichter, Dmitry Lesnik, ontmoette. En hij was de afgelopen tien jaar vóór onze ontmoeting bezig geweest met het ontwikkelen van een familie van algoritmen die nog steeds de kern vormen van de technologie en diensten die we bij Stratyfy leveren. En wat echt leuk is aan deze familie van algoritmen, is dat je hiermee automatisch schaalbaar van gegevens kunt leren, maar op een manier die zeer transparant is voor de gebruiker. Dus ik zag de toepassing binnen de kredietsector, en binnen andere sterk gereguleerde gebruiksscenario's waarvan je weet dat ik in mijn vorige leven bij JPMorgan zelfs moeite had gehad om de juiste technologie te krijgen die paste bij de problemen die we probeerden op te lossen.

Peter Renton  05:54

Oké, dus, snel vooruit naar vandaag, toen je begon, was het 2017? Vertel ons nu zes jaar geleden een beetje hoe het bedrijf zich heeft ontwikkeld en hoe u het bedrijf vandaag de dag omschrijft?

Laura Kornhauser  06:05

Ja. Dus bij het beschrijven van het bedrijf begin ik met onze missie, die sinds het begin onze missie is geweest, namelijk het mogelijk maken van een grotere financiële inclusie voor mensen en tegelijkertijd het helpen van financiële instellingen om de risico's beter te beheren en te beperken. We zien het als twee kanten van dezelfde medaille: we kunnen het eerste niet doen zonder het tweede te doen, of we kunnen het eerste niet schaalbaar doen zonder ook het tweede te doen. Dus toen we het bedrijf startten, waren we erg gefocust op het scoren van kredietrisico's en het nemen van beslissingen over kredietrisico's. Zo kunnen kredietverstrekkers inzicht krijgen in het werkelijke risico van kredietnemers, vooral consumenten en kleine bedrijven, en kunnen zij dat werkelijke risico begrijpen en beter geïnformeerde beslissingen nemen op basis van die verbeterde risicovoorspellingen. Dat ja, inzichten uit data op een automatische manier benutte, maar deed dat op een manier waardoor een niet-datawetenschapsgebruiker nog steeds kon begrijpen wat er in vredesnaam aan de hand was, wat volgens ons erg belangrijk is. Snel vooruit naar vandaag: er is het afgelopen jaar veel aandacht geweest in de industrie, niet alleen op AI en machine learning. Maar een enorme focus op de industrie over hoe technologie kan worden benut, maar op een veilige, gezonde en eerlijke manier. En daarvoor zijn wij perfect gepositioneerd. Ik zou zeggen dat we misschien nog een beetje vroeg waren toen we het bedrijf startten voor de markt. Maar het groeitraject dat we hebben gezien, vooral in de afgelopen 18 maanden, was echt ongelooflijk en stelde ons ook in staat uit te breiden naar andere gebruiksscenario's. Op dit moment hebben we dus ook klanten op het gebied van fraudedetectie, waarbij we hen helpen fraude te identificeren, eerlijkheid te garanderen en het aantal valse positieven te verminderen. En vervolgens hebben we onze mogelijkheden voor het detecteren en beperken van vooroordelen ook in een afzonderlijke oplossing ondergebracht die we UnBias noemen. dat zich volledig richt op een eerlijke beoordeling van kredietrisico's, en kredietverstrekkers in staat stelt dat efficiënter en proactiever te doen en risico's te identificeren voordat ze problemen worden.

Peter Renton  06:07

Ik wilde een idee krijgen van met wie je werkt. Wat zijn enkele van de financiële instellingen, met welke soorten financiële instellingen werkt u momenteel?

Laura Kornhauser  08:13

Ja. Daarom zijn we eerst vooral met fintechs gaan werken. Dit waren dus early adopters, onze eerste klanten, die ons in staat stelden om een ​​aantal werkelijk ongelooflijke productfeedback en snelle iteratiecycli op ons aanbod te krijgen. Nu werken we samen met banken. En we werken momenteel met banken vanuit een vrij breed spectrum. Onze grootste bankklant is een top tien bank in de VS. En dan werken we ook samen met kleinere gemeenschapsbanken en een aantal CDFI's. Met name via een recent initiatief dat we hebben gelanceerd, genaamd acceptatie voor raciale rechtvaardigheid, en het proefprogramma waarvoor we de technologiepartner zijn, waar we zeker meer over kunnen praten. Maar we zien een enorme kans in de CDFI-ruimte, in het bijzonder zien we een enorme kans in gemeenschapsbanken, voor technologie zoals de onze, en dan zien we ook een behoorlijke vraag van de, weet je, ik zou zeggen grote gemeenschapsbanken die overstappen ook bij regionale banken.

Peter Renton  09:11

Oké, dus dan ben je niet alleen in deze ruimte. Er zijn anderen die ook diensten verlenen aan dit soort financiële instellingen. Hoe ben jij anders dan anderen in de ruimte?

Laura Kornhauser  09:24

Ja, dus waar we ons echt onderscheiden, is het niveau van transparantie dat we bieden in zowel modellen, scoresystemen als beslissingssystemen. Dat is dus een beetje een veelgebruikt modewoord geworden waarin iedereen beweert transparantie te hebben. Als we dat zeggen, bedoelen we dat onze gebruikers volledig inzicht hebben in de innerlijke werking van hoe een model of strategie werkt. Ze hebben ook de macht om veranderingen aan te brengen en dat doen we, zonder ook maar één regel code te schrijven, we merken dat dat uiteindelijk heel betekenisvol is, vooral voor, nogmaals, de gemeenschapsbanken die er zijn, en zelfs veel van de regionale spelers. dat, weet je, als ze een datawetenschapsteam hebben, het misschien een paar mensen zijn, als ze echt overbelast en overwerkt zijn. En waar we echt op gefocust zijn, is hoe we de tools van datawetenschap naar de materiedeskundige brengen, naar de gebruiker die krediet echt begrijpt en zeker zeer zeer competent is in data en data kent, maar geen datawetenschapper is. geen ingenieur, hoe geven we ze tools waarmee ze zich echt op hun gemak kunnen voelen, vanwege het niveau van zichtbaarheid en controle dat wij bieden ten opzichte van anderen? Dus helemaal geen zwarte dozen met Stratyfy en dat alles wordt mogelijk gemaakt door de kerntechnologie die ik eerder noemde.

Peter Renton  10:51

Interessant. Ik wil het hebben over vooroordelen. Je hebt het hier al een paar keer genoemd. Het klinkt alsof dit een echt basisprincipe voor jullie was. Wat is jullie aanpak? Misschien kunt u precies uitleggen hoe uw modellen vooroordelen beter kunnen identificeren dan andere.

Laura Kornhauser  11:10

Ja. Dus dit is iets, je hebt volkomen gelijk, onderdeel van onze basisaanpak, weet je, onze oorspronkelijke oplossing die we hebben gebouwd, onze kredietrisicobeoordeling en besluitvormingsoplossing omvatte altijd vooringenomenheid als een KPI van modellen. We dachten dus altijd dat dit een van de prestatie-indicatoren was waar je naar moest kijken bij het evalueren van verschillende strategieën, verschillende opties, verschillende modellen. En weet je, één: wat we doen is dat we niet zeggen of bepalen wat eerlijk is of wat niet eerlijk is. Wat we doen is het aanbieden van een aantal verschillende tests en meetgegevens, die allemaal gemakkelijk kunnen worden gebruikt binnen onze tools om de mogelijke vooroordelen te evalueren die in toevoegingen zouden kunnen sluipen. Dus één ding dat we doen, Peters, we ondersteunen een aantal verschillende bias-statistieken en laten onze gebruikers beslissen welke statistieken voor hen het belangrijkst zijn. Welke statistieken het belangrijkst zijn voor de toezichthouders en hun klanten, en zij kunnen die selecteren. En dan is de manier waarop ons UnBias-product werkt de eerste stap. We verdelen het feitelijk in drie stappen: ontdekken, begrijpen, ongedaan maken. De eerste stap bij het ontdekken gaat dus over het uitvoeren van die tests, op een zeer robuuste, maar toch geautomatiseerde manier, zodat een kredietverstrekker deze tests vaker en proactiever kan uitvoeren. Als zich volgens een van die indicatoren een risico voordoet, gaan we naar stap twee, of laten we de gebruiker binnen onze producten naar stap twee gaan, namelijk begrijpen. Daar ontleden we dat risico. Wat zijn dan de voornaamste drijfveren? Wat zorgt ervoor dat dit bias-risico ontstaat? En nadat we dat duidelijk hebben gemaakt, geven we onze klanten de informatie die ze nodig hebben om te bepalen of ze actie moeten ondernemen. En als ze besluiten dat ze actie willen ondernemen, kunnen we ze met de ongedaan maken-component ook helpen de manier te vinden om dit te herstellen en wijzigingen aan te brengen in hun modellen. En corrigeer of compenseer de vooringenomenheid die is ontstaan ​​omdat niemand een bevooroordeeld model of een bevooroordeelde beslissingsstrategie wil bouwen, toch? Er is geen geldverstrekker die zegt, hé, weet je, noch mijn mensen die beslissingen nemen, noch mijn geautomatiseerde systeem, of een combinatie van beide, zoals het geval is bij veel kredietverstrekkers, toch, niemand is van plan die vooringenomenheid te hebben. Maar we merken dat veel van de robuuste controles die plaatsvinden, plaatsvinden bij de lancering, voordat een nieuwe strategie wordt gelanceerd. Uiteindelijk zijn er ook periodieke check-ins. Maar vaak kunnen dingen sneller uit de rails lopen dan de volgende periodieke controle die plaatsvindt. Dus weet u, ons doel met dit productaanbod en wat we klanten hebben kunnen bieden, is een beter inzicht in een voortdurende monitoring van die risico's, zodat u een probleem kunt aanpakken voordat het een groot probleem wordt.

Peter Renton  13:58

Dus je zou kunnen zien, alsof iemand je modellen beheert, en er gaan bijvoorbeeld een aantal weken voorbij en ze kunnen beginnen te zien dat er iets lijkt te zijn, of het nu vrouwen zijn, of het racistisch is, je kunt het goed zeggen, nou ja, het lijkt erop dat het zo is. Volgens mij wijst u meer van dit soort mensen af ​​dan zou moeten. En is dit dus iets dat alleen maar een triggerpoint is? Of bepaalt de klant het triggerpoint?

Laura Kornhauser  14:25

De klant bepaalt zelf de frequentie waarmee hij de evaluatie wil uitvoeren. Weet je, we kunnen het dagelijks doen, of, weet je, zelfs meerdere keren per dag als een klant dat wil. We merken dat we in de meeste gevallen maandelijks of driemaandelijks kijken of mensen deze controles willen doen. Het is heel moeilijk te meten. Als u niet over een steekproefset beschikt die groot genoeg is, kunt u in situaties terechtkomen waarin u iets signaleert dat niet statistisch significant is. Dus we zijn echt gefocust op niet alleen de meting, maar op het garanderen dat die meting statistisch significant is, zodat we ons op ons gemak kunnen voelen om iets als een risico te kwantificeren, en we zijn niet, weet je, bezig met het overgeven van een hoop onzin. vlaggen waar ze waren, hoeven niet te zijn.

Peter Renton  15:05

Rechts. Ik kan me voorstellen dat dit een uitdaging zou kunnen zijn voor sommige van de kleinere gemeenschapsbanken, toch die dat volume niet hebben?

Laura Kornhauser  15:11

Precies. Als je niet het volume hebt om, weet je, met een grotere frequentie te draaien, dan maandelijks, en vaak voor de kleinere banken, willen ze dat op kwartaalbasis doen. Maar weet je, onze technologie stelt hen in staat om met elke gewenste frequentie te werken; we vinden de markt eenmaal per maand of per kwartaal.

Peter Renton  15:29

Helpt uw ​​systeem ook een beetje met de brieven met negatieve maatregelen of dat iemand is afgewezen? En natuurlijk hebben we jou nodig, mensen moeten weten waarom. Maakt dat deel uit van wat u daar aanbiedt?

Laura Kornhauser  15:42

Absoluut. En het is ook iets dat ik zie als een differentiator van ons, opnieuw wijzend op het niveau van transparantie van onze onderliggende aanpak. Veel mensen die andere machine learning-benaderingen gebruiken en vervolgens onaangekondigde kennisgevingen van ongunstige maatregelen verstrekken, gebruiken zaken als Shapley-waarden om die kennisgevingen van ongunstige maatregelen te verstrekken, of de redencodes, toezichthouders zijn naar buiten gekomen en hebben vlaggen gehesen over dit soort postdoc-uitleggers . Nu hebben ze niet gezegd dat ze niet verklaarbaar genoeg zijn. Ik denk dat de exacte taal die de postdoc-uitleggers gebruikten misschien niet transparant genoeg is voor het gebruik, voor dit soort gebruik. Maar dat is nog steeds een veelbesproken onderwerp in de branche, en veel mensen maken gebruik van deze methoden als ze meer blackbox- en machine learning-oplossingen gebruiken. We hebben dat probleem niet, omdat de onderliggende aard van onze modellen is dat ze interpreteerbaar zijn, wat betekent dat ze zichtbaar of transparant zijn, weet je, vanaf de bouwstenen omhoog, in plaats van een model bovenop het model te leggen om het te begrijpen hoe de modellen werken.

Peter Renton  16:46

Juist, juist. En dan heb je, net zoals het CFPB, vrij duidelijk heeft gemaakt dat ze geen enkele vooringenomenheid willen zien in de kredietmodellen. Dus ik bedoel, ik kan me voorstellen dat de meeste, zo niet alle kredietverstrekkers zich hiervan vandaag de dag behoorlijk bewust zouden zijn. En is dit bias-stuk iets waar kredietverstrekkers vandaag de dag veel aandacht aan besteden, of hoe denk je, als je een gesprek voert, over dit soort functies waarin ze het meest geïnteresseerd zijn? Of wat, hoe is het?

Laura Kornhauser  17:14

Het is een interessante marktomgeving. Ik zou zeggen dat het voor de meeste banken belangrijk is om deposito's te laten groeien, deposito's te laten groeien en dan deposito's te laten groeien. Dat gezegd hebbende, het is een enorme focus. Banken zijn op dit moment, gezien de omgeving waarin we ons bevinden, bezig met het terugdringen van het personeelsbestand, de kosten, enzovoort. En ze zijn op zoek naar manieren om processen te automatiseren, op zoek naar schaalbaarheid, naar efficiëntie via technologie. AI en het subveld van machinaal leren hebben veel waarde te bieden om dit soort schaalbaarheids- en efficiëntiewinsten te bewerkstelligen. Maar we merken dat velen op de markt nog steeds tamelijk terughoudend zijn in het gebruik van machine learning voor dit soort beslissingen met een hoge waarde en een hoog risico en een hoge mate van controle. En weet je, dat is waar we ons echt kunnen onderscheiden. Daarom hebben we de groei gezien die we hebben gezien, omdat we ze de voordelen van die technologie kunnen bieden zonder de nadelen, weet je, zonder ze het gevoel te geven dat ze blindelings moeten vertrouwen op een score of model dat ze niet begrijpen, ze kunnen heel gemakkelijk alles aanpassen aan hun specifieke risicotolerantie, hun specifieke klantenbestand, ze zien opnieuw, zien precies wat er uit de gegevens is geleerd, kunnen dit wijzigen, kunnen terzijde schuiven, kunnen aanvullende informatie in het systeem plaatsen dat ligt buiten de data om te compenseren voor zaken als vooringenomenheid, om te compenseren voor de dingen die je weet, zaken als de data kijken altijd achterom. Dus dat heeft ons, denk ik, echt geholpen in wat uiteindelijk een moeilijke omgeving is.

Peter Renton  18:52

Laten we het over de gegevens zelf hebben, omdat ik graag een idee zou willen krijgen van het soort gegevens dat echt cruciaal wordt voor sommige van de dingen waar we het hier over hebben gehad, om een ​​deel van deze vooroordelen te identificeren. En misschien gegevens die minder belangrijk zijn.

Laura Kornhauser  19:09

Een paar dingen aan de datakant: vaak ontmoeten we de klant waar ze zijn. En we hebben datapartnerschappen, maar Stratyfy zelf is geen dataprovider.

Peter Renton  19:18

Rechts.

Laura Kornhauser  19:19

Dus weet je, we zeggen niet: hé, voeg dit data-element toe aan je model, en je zult analytische gelukzaligheid bereiken. We werken met de data-assets die ze hebben, of de data-assets die ze verwerven via een van onze datapartnerschappen, en maken daar optimaal gebruik van en halen daar maximale waarde uit. We constateren nog steeds dat de meerderheid van de kredietverstrekkers, vooral omdat u, weet u, zich begeeft in de gemeenschappen, de gemeenschapsbankruimte, nog steeds traditionele kredietgegevens gebruikt. Waar ze naar op zoek zijn, is een betere manier om waarde uit die gegevens te halen om betere prestaties en grotere nauwkeurigheid te bereiken, maar weet je, zonder dat dit ten koste gaat van de zichtbaarheid, transparantie en controle. Er wordt veel gesproken over aanvullende gegevenselementen. En veel kredietverstrekkers, zowel fintech als grotere kredietverstrekkers, gebruiken andere gegevenselementen om vooral te helpen bij het compenseren van dunne of geen dossieraanvragers. Uit ons werk blijkt dat er op deze gebieden een enorme winstbelofte bestaat. Weet je, ik ben bijvoorbeeld een groot voorstander van gegevens over huurbetalingen, en in het bijzonder het vermogen van die gegevens om echt te helpen aan de eerlijkheidskant, om vooringenomenheid tegen te gaan en sommige van die dunnere dossieraanvragers een boost te geven. We hebben allemaal gezien, en ik weet dat jij de onderzoeken hebt gelezen, van FinRegLab en anderen met wie we ook samenwerkten met FinRegLab aan een zeer interessant onderzoek naar machinaal leren en acceptatie, maar op cashflow gebaseerde acceptatie, ook buitengewoon veelbelovend. En nogmaals, we zien verschillende kredietverstrekkers op verschillende punten in hun acceptatiecurve op basis van die alternatieve gegevens. Voor mij is het echter altijd interessant, omdat veel kredietverstrekkers nog steeds, als je het over alternatieve gegevens of gegevens buiten een kredietrapport hebt, denken dat je het hebt over het schrappen van iemands sociale-mediaprofiel. Rechts? En ik maak vaak grapjes, zoals in onze ruimte zijn alternatieve gegevens niet dat alternatief, toch?

Peter Renton  21:17

Rechts.

Laura Kornhauser  21:18

Weet je, soms moet je mensen neerhalen als je dat gesprek begint. Maar in al die discussies, zoals u zich vast wel kunt voorstellen, vooral in de marktomgeving, is de belangrijkste vraag die de kredietverstrekker moet beantwoorden: wat is de extra impuls die dat data-element geeft? Rechtvaardigt het de kosten die ik moet maken, of de wrijving die ik moet veroorzaken om het te krijgen? En we zien vaak dat mensen onze producten gebruiken om die test uit te voeren, als je wilt, en om de waarde van dat extra gegevenselement te onderzoeken. Het andere dat ik hier zal noemen, Peter, is dat we hebben gezien dat je geen duizenden attributen nodig hebt om goede beslissingen op kredietgebied te nemen. En vaak is er bijna een punt van verzadiging, waarbij je misschien marginale incrementele waarde toevoegt, maar dit rechtvaardigt niet noodzakelijkerwijs de toegenomen modelcomplexiteit of de kosten van die gegevens. We zijn dus niet in de, zoals sommige anderen in onze ruimte, we kijken naar duizenden kenmerken om op dit moment een beslissing te nemen met een van onze klanten, weet je.

Peter Renton  21:18

Dus als u een nieuwe klant of een nieuwe kredietverstrekker aanmeldt, wat komt er dan kijken bij het implementatieproces van Stratyfy? Hoe lang duurt het? Neem ons mee op een typische reis daarheen.

Laura Kornhauser  22:35

De eerste opdrachten beginnen dus doorgaans met een proefovereenkomst die één tot drie maanden loopt. In die pilotovereenkomst wisselen we gegevens uit, dat zijn de gegevens van de kredietverstrekkers die met ons worden uitgewisseld. Het is allemaal geanonimiseerd, zodat ze geen PII met ons hoeven te delen of iets dergelijks, wat best nuttig is. En dan hebben we gesprekken over de vraag of ze andere data-assets willen verkennen, wederom, meestal in een pilot, dat is niet iets dat mensen doen. En dan werken we met hen samen om een ​​eerste reeks uitdagermodellen en uitdagerstrategieën te bouwen, weet je. Dus modellen die een score produceren, strategie die een beslissing produceren, toch. Werk met hen samen om binnen onze software een reeks uitdagermodellen en -strategieën te ontwikkelen die ze vervolgens kunnen evalueren. Voor doorlopende uitvoering integreren we vaak met een LOS voor doorlopende uitvoering, alleen via API. En dat wordt allemaal beheerd door onze producten, zodat u eenvoudig, met de juiste controles, een nieuwe strategie kunt promoten ten opzichte van de strategie die voor een API is ingezet, zonder dat u de integratie hoeft te wijzigen. En dan zien we dat kredietverstrekkers dat meestal zullen invoeren, dus geen enkele kredietverstrekker zal, na een pilot terwijl we verder gaan naar een langetermijnengagement, weet je, op de eerste dag alles omdraaien naar het nieuwe uitdagermodel. Dus meestal wordt dat in de loop van de tijd ingevoerd, beginnend bij een bepaald percentage, en dan wordt dat er soort van ingerold.

Peter Renton  24:01

Oké, dus hoe hebben je modellen het gedaan, hoe heb je je AI-modellen ontwikkeld, hoe zijn ze in de loop van de tijd verbeterd?

Laura Kornhauser  24:07

Geweldige vraag dus. En het brengt me op een ander punt van differentiatie: we nemen niet de gegevens van onze klanten en creëren vervolgens een gedeelde opslagplaats voor al die gegevens die vervolgens door elke andere klant wordt gebruikt. De gegevens van onze klanten blijven dus hun gegevens, die volgens ons erg belangrijk voor hen zijn. Dat gezegd hebbende, met de manier waarop onze familie van algoritmen werkt, zou je het kunnen zien als kenmerken of inzichten die worden geëxtraheerd uit de gegevens die van ons zijn. En dat wordt vervolgens gebruikt om het netwerkeffect voor ons bedrijf te versterken of te verbeteren. Met elke nieuwe klant die we krijgen, voegt het waarde toe voor iedereen. Dus zo doen wij het. Maar we creëren met opzet niet die grote dataopslagplaats waar iedereen vandaan komt?

Peter Renton  25:01

Oké, dus we zijn bijna een jaar verder sinds ChatGPT werd uitgebracht en iedereen begon over AI te praten. Ik bedoel, het is gewoon geweldig. Je bladert tegenwoordig door welke krant dan ook, en er is AI, er zijn elke dag AI-artikelen, iedereen heeft het erover. Heeft dat uw aanpak veranderd? Heeft het het gemakkelijker of moeilijker gemaakt om uit te leggen wat je doet?

Laura Kornhauser  25:26

Fantastische vraag. Het antwoord luidt: het heeft de gesprekken over dit onderwerp doen toenemen en er zijn, denk ik, bijna twee kampen binnen de financiële dienstverlening ontstaan. En je zou deze kampen enigszins kunnen correleren met de omvang van de activa van de instellingen waarmee ze samenwerken, maar dat zou niet perfect zijn. En het ene kamp ziet de belofte, ziet de waarde, ziet de risico's, waarvan er veel zijn, ziet ook de risico's, maar wil erachter komen, en moet in veel gevallen een aantal zaken uitzoeken. Instellingen waarmee we samenwerken, hebben een indirect mandaat van hun bestuur om een ​​manier te vinden om deze technologie te benutten. Ze hebben dus een echt verlangen om erachter te komen hoe ze het voor hen kunnen laten werken. Met een gezonde, zou ik zeggen, gezonde dosis angst. Het andere kamp is gewoon te overspoeld, weet je, ziet het woord AI en gaat onmiddellijk uit. En weet je, aangezien ik actief ben geweest in het conferentiecircuit, zoals vele anderen de afgelopen twee maanden, en het voor mij heel interessant was om te zien, zitten er geen mensen tussen, of ik heb er heel weinig gevonden in daartussen vallen ze in een van die twee kampen. Weet je, ik geloof heel sterk in de kracht die AI-technologie, in grote lijnen, aan de financiële sector moet geven. Als je begrijpt dat grote macht grote verantwoordelijkheid met zich meebrengt. En weet je, deze hulpmiddelen kunnen worden gebruikt om de zaken een stuk beter te maken, vooral op het gebied van eerlijkheid. Ze kunnen ook worden gebruikt om vooroordelen in te bouwen en vooroordelen exponentieel te schalen in toekomstige beslissingen. En we staan, denk ik, op een keerpunt of beslissingspunt waar, weet je, ik hoop echt dat het de vorige kant op gaat. Maar als we niet over de juiste controles beschikken, controles die innovatie niet in de weg staan, maar controles, kunnen we een situatie krijgen waarin alle vooroordelen uit het verleden gecodeerd worden in de beslissingen van de toekomst.

Peter Renton  27:29

Rechts. Dus ik wil een beetje schakelen en praten over het inzamelen van geld, want toen we voor het laatst praatten, dacht je dat je net je financieringsronde had afgesloten. En ik weet niet of het al openbaar was, maar je had het net gesloten. Gefeliciteerd! Het is niet eenvoudig om in 2023 een financieringsronde af te ronden. Vertel ons iets over dat proces, wie zijn je investeerders en hoe dat proces verliep?

Laura Kornhauser  27:51

Nou, het was een zeer uitdagende omgeving voor fondsenwerving, daar bestaat geen twijfel over. Maar we hebben het geluk dat we investeerders hebben die onze missie en waarden delen, maar ook de enorme voordelen voor Stratyfy zien. Weet je, we hebben sterk geprofiteerd van het hebben van relaties op de lange termijn. Klopt, we bestaan ​​al een tijdje. En we onderhouden al een tijdje relaties met investeerders. En dat betekende toen dat toen we geld gingen inzamelen, we het eigenlijk, hoe schokkend het ook lijkt gezien de financieringsomgeving, opportunistisch deden. We waren op dat moment bezig met geld inzamelen, niet omdat we bijna geen geld meer hadden, maar omdat we klanten hadden die we hadden getekend of op het punt stonden te tekenen. En we moesten ervoor zorgen dat we het team konden opschalen om te voldoen aan de opdrachten die we hadden gekregen. Dus omdat we ons in die positie bevinden, zijn we uiteraard in een grotere positie om geld in te zamelen. Maar we zouden dit niet hebben kunnen doen zonder die langetermijnrelaties en zonder investeerders die er echt om geven een eerlijker financieel systeem te bewerkstelligen en geloven dat Stratyfy een sleutelcomponent is om dat mogelijk te maken.

Peter Renton  29:10

Oké, dus als je vandaag naar je bedrijf kijkt, wat is dan je grootste uitdaging om Stratyfy te laten groeien?

Laura Kornhauser  29:17

Er is één ding dat op dit moment een uitdaging is, en dat is altijd een uitdaging: verkopen aan banken. Niet gemakkelijk om te doen.

Peter Renton  29:25

Rechts.

Laura Kornhauser  29:26

Niet gemakkelijk om te doen. Verkoopcycli zijn lang. Contracten zijn klonterig. We zijn hier op ingegaan, weet je, met open ogen. Het is niet zo dat dit een verrassing voor ons was. We wisten dat dit een uitdagend pad was dat we gingen bewandelen. Maar dat is nu moeilijk. Dat is momenteel moeilijk in de marktomgeving waarin we ons nu bevinden. En veel kredietverstrekkers bezuinigen op risico's, sluiten producten af, en in veel gevallen doen ze dat met zeer botte instrumenten, waardoor een FICO-grens wordt verhoogd. Een bepaald aanbod volledig sluiten of dat aanbod volledig verkopen aan de secundaire markt, toch? Wij zien dat als een eerste reactie die zal overgaan en ook enorme kansen zal creëren, vooral voor gemeenschapsbanken en regionale banken die zo lang onder druk stonden van fintech-geldverstrekkers aan de ene kant en grote banken aan de andere kant. Wij geloven dus dat dit een echt betekenisvolle kans zal creëren. Maar op dit moment is dat een uitdaging. Waar ik me echt op concentreer bij het aanpakken van die uitdaging is, weet je, een klassieke controle over de controleerbare zaken. We hebben vandaag de dag een ongelooflijk klantenbestand. Door hen op de hoogst mogelijke kwaliteit te blijven leveren, krijgen we nieuwe mogelijkheden om uit te breiden met dat bestaande klantenbestand. En dan ben ik echt gefocust op ons team, we hebben een absoluut ongelooflijk team opgebouwd. Ik ben erg trots op het feit dat dit, weet je, ook een vrouwelijk leidend team is, wat een enorme differentiator is, als je wilt, in de marktomgeving waarin we ons bevinden, daar ben ik erg trots op. Maar weet je, afgezien van iets dat een van onze medewerkers zou kunnen classificeren, ben ik echt trots op hoe toegewijd ze zijn aan onze missie, hoe gepassioneerd ze zijn over de verandering die we willen bewerkstelligen, en hoe hard ze zijn. bezig om dat waar te maken. Dus weet je, ik ben echt gefocust op het laten groeien van dat geweldige team dat we hebben om te blijven voldoen aan de nieuwe marktvraag waar we uiteindelijk mee te maken zullen krijgen, en om alle uitdagingen die we tegenkomen bij de verkoop aan banken op de korte termijn te doorstaan.

Peter Renton  31:30

Oké, laten we eindigen met een toekomstgerichte vraag en een idee willen krijgen van waar we vandaag staan. Ik bedoel dat AI blijft verbeteren. Hoe gaat dit zich ontwikkelen als het gaat om krediet- en risicobeslissingen voor kredietverstrekkers? Hoe ziet dat er over vijf jaar uit?

Laura Kornhauser  31:49

Ja. Ik ben er dus heel sterk van overtuigd dat we veel meer geautomatiseerde besluitvorming op het gebied van kredietverlening zullen hebben. Dat wil niet zeggen dat bepaalde beslissingen niet nog steeds handmatig beoordeeld zullen worden of dat er geen tweede paar ogen nodig zullen zijn, maar geautomatiseerde besluitvorming moet nog verder toenemen dan het al heeft gedaan. En dat gaat gebeuren in verschillende productlijnen. Maar wat ik denk dat echt belangrijk is, en dit heeft betrekking op de toekomst van AI en krediet en andere plaatsen, is dat de soorten systemen die gaan winnen, die de meeste waarde gaan bieden aan klanten, systemen zijn die input mogelijk maken. uit uiteindelijk meerdere bronnen. Dat kunnen dus data zijn als één bron, maar ook mensen, die…Machine learning is heel goed in het verwerken van data en het vinden van inzichten. Mensen zijn heel goed in het toepassen van context op die gegevens, informatie die buiten de gegevenselementen valt. Dus ik geloof dat, als je wilt, de AI van de toekomst zal ontstaan, vooral voor gereguleerde gebruiksscenario's, maar ik denk dat het voor andere gebruiksscenario's en het publieke bewustzijn van het AI-systeem groeit naarmate er waarschijnlijk nieuwe regelgeving komt die een soort van gevolg zal zijn. Veel van de regelgeving die we in Europa hebben gezien, en we hebben de eerste stap daarmee al gezet met 1033, er zal een echte focus komen op hoe kan ik begrijpen wat er gebeurt, niet alleen op basis van data, maar ook op basis van mensen? Combineer deze twee in één geautomatiseerd systeem en zorg ervoor dat ik de FI kan vertellen, of dat het andere type bedrijf zijn klant aan de andere kant kan vertellen, wat er in vredesnaam is gebeurd? Hoe is deze beslissing tot stand gekomen? Welke informatie werd gebruikt? Hoe kan ik u helpen tot een ander besluit te komen, waarvan ik nog steeds geloof dat dit een enorme kans is voor een zaak waarin u een negatieve uitkomst heeft? Hoe bouw je een relatie op met die klant om hem te helpen een positief resultaat te bereiken? Weet je, het zullen AI-systemen zijn die dat kunnen doen, die daadwerkelijk alle beloften en alle waarde zullen waarmaken waarover we in alle kranten horen.

Peter Renton  33:47

Oké, dan moeten we het daarbij laten. Laura, heel erg bedankt dat je vandaag naar de show bent gekomen. Het gaat je goed.

Laura Kornhauser  33:53

Heel erg bedankt, Petrus.

Peter Renton  33:57

Nou, ik hoop dat je genoten hebt van de show. Hartelijk dank voor het luisteren. Geef de show een recensie op het podcastplatform van uw keuze en vertel uw vrienden en collega's erover. Hoe dan ook, wat dat betreft, teken ik af. Ik stel het zeer op prijs dat je luistert, en ik zie je de volgende keer. Doei.

.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; }

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.fintechnexus.com/laura-kornhauser-ceo-stratyfy-advanced-ai-models-underwriting/