Het gebruik van kunstmatige intelligentie bij kredietverleningsbeslissingen is de afgelopen vijf jaar van curiositeit naar, zou ik zeggen, de mainstream geworden. De meeste kredietverstrekkers zijn een proefprogramma gestart of overwegen het serieus en sommigen, geleid door fintech-kredietverstrekkers zoals Upstart, hebben het tot de kern van hun bedrijf gemaakt.

Onze volgende gast op de Fintech One-on-One podcast is Shri Santhanam. Hij is de EVP en GM van Global Analytics bij Experian. Shri heeft een groot deel van zijn carrière besteed aan het inzetten van big data en AI om een ​​groot aantal zakelijke uitdagingen aan te gaan. De afgelopen twee jaar leidde hij de wereldwijde analyse-initiatieven voor Experian.

In deze podcast leer je:

• Shri's achtergrond met AI en data-analyse.
• De drie grote veranderingen die de afgelopen 18 maanden zijn versneld voor kredietverstrekkers.
• Welke fintech-leners hebben vandaag de dag nodig om succesvol te zijn in de competitieve omgeving.
• Hoe kredietverstrekkers de impact van AI het beste kunnen stimuleren.
• Wat Experian doet om kredietverstrekkers te helpen met hun klantreizen.
• Hoe ze kredietverstrekkers helpen om sneller op de markt te komen.
• De impact van wettelijke beperkingen op AI-acceptatiemodellen.
• De drie manieren waarop Experian zich vandaag de dag onderscheidt.
• Hoe kredietverstrekkers vandaag AI zouden moeten gebruiken.
• Wat er nodig is om alle kredietverlening via AI-modellen te laten verlopen.
• De interessante trends in de AI-ruimte die de toekomst zullen vormgeven.
• Wat zijn de plannen van Experian voor de komende vijf jaar.

U kunt zich abonneren op de Fintech One on One Podcast via Apple Podcasts or Spotify. Om naar deze podcastaflevering te luisteren is er een audiospeler direct boven of je kunt download hier het mp3-bestand.

Download een PDF van de transcriptie of lees het hieronder

Welkom bij de Fintech één-op-één podcast, aflevering 316. Dit is uw gastheer, Peter Renton, voorzitter en medeoprichter van LendIt Fintech.

(Music)

Peter Renton: Vandaag op de show, ben ik verheugd om Shri Santhanam te verwelkomen, hij is de EVP & GM van Global Analytics en AI Products bij Experian. Het is duidelijk dat hij een AI-expert is en ik wilde Shri aan het werk krijgen omdat we ons al een lange tijd niet echt diep in AI hebben verdiept en er is veel veranderd waar we in deze aflevering dieper op in gaan. Weet je, we praten over wat kredietverstrekkers tegenwoordig doen, wat ze moeten doen om succesvol te zijn, hoe ze AI gebruiken. 

We duiken behoorlijk diep in hoe Experian echt helpt bij sommige dingen die ze doen die echt uniek zijn in het veld, we praten over hoe kredietverstrekkers AI zouden moeten gebruiken en wat de trends zijn die Shri ziet, zowel historisch als in de toekomst , en hij kijkt ook in zijn glazen bol en geeft voorspellingen voor vijf jaar vanaf nu. Het was een boeiend interview, ik hoop dat je genoten hebt van de show.

(Music)

Peter: Welkom bij de podcast, Shri!

Shri Santhanam: Dank je. Bedankt dat je me hebt, Peter.

Pieter: Graag gedaan. Dus laten we beginnen door de luisteraars wat achtergrondinformatie over jezelf te geven. Kun je ons enkele van de hoogtepunten van je carrière geven voordat je bij Experian kwam?

Shri: Ik heb een aanzienlijk deel van mijn carrière doorgebracht bij Oliver Wyman, een adviesbureau voor strategie en bedrijfsvoering in de financiële dienstverlening. Ik begon mijn carrière bij Oliver Wyman direct na school, ik was eigenlijk aan het promoveren aan Stanford, maar die heb ik uiteindelijk niet afgemaakt, maar wat me echt aantrok in consulting was het brengen van een technische benadering van zakelijke problemen en dat was het thema van mijn tijd bij Oliver Wyman. 

De afgelopen zeven of acht jaar bij Oliver Wyman heb ik geholpen bij het opzetten van een bedrijf genaamd Oliver Wyman Labs, waar we rond 2011/2012 de kans zagen om technologie en AI in Silicon Valley-stijl te integreren in enkele van de uitdagingen waarmee grote banken en financiële instellingen te maken kregen na -crisis. Dat was een leuke reis om Python, Big Data naar AI-technologie in dat soort ruimte te brengen en bracht daar veel tijd door. 

En toen, ongeveer twee jaar geleden, vroeg het senior leiderschap van Experian me om een ​​rol te spelen die leidende wereldwijde analyses in AI zou spelen, om op een eenvoudigere manier impact met de gegevens van Experian te helpen vergroten, dus hier ben ik dan.

Peter: Oké, dus voordat we ingaan op de discussie, zou ik graag wat achtergrondinformatie willen krijgen over je ervaring met AI en analyse, hoe die reis je hele carrière is verlopen.

Shri: Voor mij, zelfs voordat het alle mooie namen heette die het nu is, AI/ML, heb ik me altijd aangetrokken gevoeld tot het nastreven van datagestuurde besluitvorming. Wat mij aantrok in consulting was een groep genaamd Retail Value Engineering en de oprichter van die groep was een man genaamd Jacques Cesar, die het werk dat we doen vaak zou omschrijven als "bloed uit de steen persen", dat is een soort data, toch. 

Eigenlijk was het eerste werk dat we deden met retailers en in het begin van de jaren 2000 hadden ze een enorme hoeveelheid gegevens die grotendeels vastzaten in deze enorme monolithische systemen en ik voelde me erg aangetrokken tot het vooruitzicht om die gegevens aan het werk te zetten en hun bedrijven te helpen beter te draaien , waardoor het leven van consumenten en bedrijven wordt verbeterd. Dat heeft zich uiteindelijk in de loop van het eerste decennium van deze eeuw vertaald in Advanced Analytics, waarbij AI en technologie hulpmiddelen zijn om dat soort missies te realiseren, zoals een van de interessante dingen die we in de detailhandel deden, bijvoorbeeld, kannibalisatie-analyse . 

Retailers, zoals ze traditioneel denken over…. laten we zeggen dat je een tandpasta promoot, je kijkt grotendeels naar de verkoop van tandpasta, maar het heeft een enorme impact op andere items in die week, waardoor klanten naar die winkel komen en de impact van iets simpels als het promoten van Colgate tandpasta is eigenlijk diepgaand en AI en analyse kunnen je helpen dat te begrijpen en betere keuzes te maken. Dus dat was mijn startpunt, ik denk dat het uiteindelijk is uitgegroeid tot mijn interesse in het stimuleren van financiële diensten na de crisis en het helpen van banken om beter te lenen. 

Nu, historisch gezien, hebben banken en kredietinstellingen meestal regels of basale logistische regressiemodellen gebruikt om beslissingen te nemen, maar voor mij is het een noodzaak om AI en ML te gebruiken om de financiële inclusie echt te stimuleren, consumenten een betere toegang tot krediet te geven en soort kredietverstrekkers betere beslissingen te nemen. belangrijk onderdeel van de missie die ik zie.

Pieter: Oké. Laten we er meteen op ingaan en praten over de uitleenruimte. Weet je, het was een zeer interessante laatste 18 maanden voor alle kredietverstrekkers, zou ik zeggen, en natuurlijk hebben we gezien dat ze overgingen op digitaal waarvan ik denk dat het vrijwel verplicht is geworden voor de hele wereld. Maar ik zou graag een beetje willen weten wat je bij Experian ziet, voor zover deze transformatie zich afspeelt. Wat zie je voor zover, je weet wel, de democratisering van digitale mogelijkheden en dat soort dingen.

Shri: Het is een goed moment om te praten over de kredietrevolutie en zelfs vóór COVID zou ik beweren dat er een zeer belangrijke kredietrevolutie aan de gang was, waarbij als je historisch gezien keek naar hoe het uitlenen gebeurde, het was met een soort pen en papier . In de afgelopen tien jaar is echt het begrip digitale tools, digitale besluitvorming, analyse en digitale acceptatie een rol gaan spelen. Nu heeft COVID dat dramatisch versneld en we zien drie grote dingen die anders zijn. 

Ten eerste, als je misschien zelfs drie of vier jaar geleden kijkt, heb je de Capital One, een aantal van de grote, geavanceerde banken die echt voorop lopen bij het leiden van deze revolutie door machine learning of digitale tools in het hele leenproces te brengen. Nu wordt het bijna een noodzaak voor het hele spectrum van kredietverstrekkers, groot, middelgroot en klein, om digitaal te opereren en een aantal van die beslissingen te nemen. 

Het tweede dat we zien met de kredietrevolutie, is eigenlijk deze diepe focus op de klantervaring. Vijf of zes jaar geleden was het oké om enkele dagen, weken te wachten om leningen goed te keuren of beslissingen te nemen over leningen voor consumenten en bedrijven, nu is die verwachting drastisch veranderd. We zien dat kredietinstellingen bereid zijn om die beslissing in realtime te nemen in plaats van minuten, uren, dat soort dimensies. 

Ten derde, fundamenteel, een soort productinnovatie en inclusie. Je ziet de hele fintech-ruimte binnenkomen en echt de operationele uitdaging en de vraag van fintechs is: kan ik een achtergestelde niche van de markt vinden met een uniek perspectief en hoe ik over dat risico moet nadenken en ik kan ze verbeteren en lenen naar hen. Zijn het studieleningen, zijn het een soort immigranten die in dit land zijn geweest waar onze traditionele krediet- en uitleenmethoden ze niet op dezelfde manier doen. Er is dus een aanzienlijke verschuiving in de manier waarop kredietverstrekkers naar de ruimte beginnen te kijken en je ziet dat die drie trends zijn wat we bij Experian zien.

Pieter: Juist. En ik zou ook graag uw mening horen, omdat ik weet dat u met zowel banken als fintech-geldschieters werkt en ik denk dat het een merkwaardige tijd is voor fintech-geldschieters omdat ze een soort digitale ruimte voor hen hebben openstaan, ik bedoel , sommigen van hen al langer dan een decennium en nu wordt die kloof kleiner. Wat denk je dat fintech-kredietverstrekkers vandaag nodig hebben om succesvol te zijn in de omgeving waarin we ons bevinden?

Shri: Fintech-geldschieters, zoals ik het zie, verstoren de markt in feite op een manier die, exclusief netto, de consument echt ten goede komt, want als ik kijk naar de vier stukken van een fintech in deze leenruimte die ze binnenkomen en zeggende, kan ik een segment van de markt kiezen waar ik een soort kredietverlening toepas en een lening met klantervaring toepas die heel, heel anders is, toch. En je ziet een aantal van deze fintechs, zoals Affirm, Prosper, een soort van zeer succesvol beginnen te worden in die ruimte. 

Dus ik denk dat ze drie belangrijke dingen nodig hebben om succesvol te zijn. Ten eerste moeten ze machine learning en geavanceerde acceptatie omarmen, omdat de kern van hun bedrijfsmodel erin bestaat dat ze voorop lopen bij acceptatie met een lens die enigszins anders lijkt. Dus ik denk dat het omarmen van machine learning, begrijpen hoe dat werkt en dat financiële inclusie kan verbeteren, onderdeel zou moeten zijn. 

Ik denk dat het tweede dat fintechs nodig hebben om te kunnen slagen, is echt de klantervaring te verstoren en opnieuw uit te vinden en daarover beslissingen te nemen. Veel ervan is digitaal, maar in wezen interessante productinnovatie waarbij je in de retail customer journey of veel dichter bij de aankoopgelegenheid of de use case van allerlei soorten klanten kunt komen op een manier dat traditionele kredietverlening nog steeds wrijving heeft.

Pieter: Interessant. Dus kunnen we hier even ingaan op de AI en analyses. Wat zie je voor zover kredietverstrekkers, je weet wel, hoe ze de impact van AI het beste kunnen stimuleren.

Shri: Als je kijkt naar hoe, laten we zeggen, het grootste deel van de middenmarkt heeft uitgeleend, zelfs vier/vijf jaar geleden, is het gebaseerd op twee simpele dingen. Het is een set van beleidsregels en het is een soort acceptatiemodel geweest. Dat is hoe veel van de leenkaders eigenlijk hebben gewerkt. En, in het algemeen, de lange staart van kredietverstrekkers die meestal standaardscores gebruiken die kant-en-klaar beschikbaar zijn of als ze specifieke aangepaste modellen hebben gemaakt, zullen meestal zelflogistieke regressies gebruiken. Dat was een beetje hoe, historisch gezien, de dingen hebben gewerkt. 

Nu was het een uitdaging om iets van deze dingen te veranderen, omdat de kosten en de infrastructuur die nodig zijn om modellen voor machine learning op te zetten, in productie te nemen, een soort beslissingsregels en optimalisatietools hebben en meer geavanceerde, onbetaalbaar zijn geweest, maar die realiteit is nu fundamenteel aan het veranderen Dus aangepaste scores, het vermogen om geoptimaliseerde beslisregels te maken en dit op maat te kunnen doen op datasets die daadwerkelijk relevant zijn voor jou als kredietverstrekker, die realiteit verandert de kosten of daalt, zelfs als we spreken, om dat te doen. 

Dus dat houdt in dat de adoptie van een modern soort kredietverleningsbeslissingsstructuur een groot deel uitmaakt van wat AI en analyses vervangen. Als je kijkt naar modellen die nu logistische regressies waren, zijn er boommodellen met gradiëntversterking die kunnen helpen om die te overtreffen. Je hebt beslissingsregels die beginnen te helpen, zoals aanzienlijk beter presteren en echt betere goedkeuringen krijgen en een lager soort afschrijvingen voor kredietverstrekkers.

Pieter: Oké. Dus ik wil een beetje schakelen en praten over wat Experian doet, met name in de ruimte. Misschien kun je beginnen met te praten over hoe Experian kredietverstrekkers tegenwoordig helpt met hun klantreizen en dat soort dingen.

Shri: Dus toen ik twee jaar geleden binnenkwam, was een van de gebieden die we als een grote kans zagen, om klanten te helpen met een deel van de analyses en AI die ze gebruiken, met name in het middensegment, voor het bouwen van deze modellen. Er zijn dus kredietverenigingen, er zijn klanten uit het middensegment, waar we historisch gezien hebben gedaan, is dat we aangepaste modellen en projecten voor hen hebben gebouwd. Wat we ontdekten, was dat de typische tijd die nodig was om deze aangepaste modellen te bouwen, ergens tussen de vijf en zes maanden lag en de implementatie van deze modellen was opnieuw nogal complex en duurde nog eens drie maanden. 

Dus voor veel van onze klanten in de ruimte ontdekten we dat er een duidelijke behoefte was, maar de tijd en het vermogen om deze dingen te leveren, was er veel overhead die ermee gemoeid was. Dus een van de dingen die we hebben gedaan, is dat we een platform hebben gebouwd om de ruimte aanzienlijk te verstoren, een platform genaamd Ascend Intelligent Services, waarvan we denken dat het de tijd om zowel modellen te bouwen als beslissingsregels te maken aanzienlijk verkort. in productie. 

Dus, het hele bouwmodel en de productie, we bevinden ons nog in de beginfase met deze producten, maar we hebben verschillende neigingen van succesvolle klanten waarbij we de tijd voor end-to-end bouwen en de kosten waar we kunnen investeren aanzienlijk hebben verkort. deze dingen in productie. Een voorbeeld is een openbare casestudy die we hebben van een kredietverstrekker uit het middensegment, Atlas genaamd, waar we zeer, zeer aanzienlijke kosten van resultaten hebben gezien met dit soort werk met onze platforms.

Pieter: Interessant, interessant. Dus, kun je daar wat dieper op ingaan. Ik bedoel, ik zou graag een beetje een idee krijgen, zonder de geheime saus weg te geven, maar hoe heb je dit een veel sneller proces kunnen maken?

Shri: Ja, geweldig, daar wil ik graag over praten. Dus als je naar het historische proces kijkt, zijn er waarschijnlijk vier belangrijke wrijvingspunten geweest die veel tijd hebben toegevoegd. De eerste ging over gegevensbeheer en gekibbel waarbij we veel gegevens moesten brengen en deze moesten manipuleren om modellen te maken. Het tweede wrijvingspunt loopt eigenlijk als een berekende schaal. Om typisch een aangepast model te bouwen, moet je 30/40 verschillende soorten modellen proberen, een aantal berekeningen uitvoeren en dan een soort van beslissen. De derde was de naleving van de regelgeving en documentatie. 

Deze modellen die... de reden waarom het een uitdaging is in de financiële dienstverlening, is dat je een heel regelgevend kader hebt en je tegen dat management moet ingaan. En dan, ten slotte, zoals implementatie. Als je eenmaal een model hebt gebouwd, is de traditionele benadering om te zeggen, geweldig, ik heb dit gebouwd, ik zal het documenteren, nu ga ik het nemen en het over het hek gooien en iemand het een soort van code laten geven . 

We hebben deze vier problemen dus op een heel belangrijke manier aangepakt. We hebben een aantal strategische voordelen en hoe we onze klanten kunnen helpen, omdat we deze bouwen op onze platforms en gegevens. Ik zal u hier dus achtereenvolgens naar toe brengen. 

Dus ten eerste hebben we veel van de gegevens voor verschillende van onze klanten, zodat we die gegevens proactief kunnen vinden, beheren en de tijd aanzienlijk kunnen verkorten en de juiste soort trainingsgegevensset kunnen creëren. Dus als ik een fintech ben die een nieuw product wil innoveren, zoals bij Experian, kunnen we heel snel een proxy-dataset maken en, historisch gezien, was dat een handmatig proces nu we automatisering hebben toegevoegd. 

Het tweede stuk is een interessant stuk dat op de modellen staat. In de afgelopen anderhalf/twee jaar hebben we een technologie gebouwd die verwant is aan de technologie die Google, Facebook en enkele van de toonaangevende technologiebedrijven gebruiken, waardoor we echt cloud-gebaseerde computers kunnen besteden en een soort van tientallen en honderden modellen. 

Bij een recente klant zei een van onze datawetenschappers dat hij op een dag waarschijnlijk wel 80 verschillende soorten modellen probeerde en hun resultaten beoordeelde, een oefening die normaal gesproken een datawetenschapper enkele weken werk zou vergen, want ook al heb je open bronbibliotheek, de verveling van het maken van een model, het bekijken van de resultaten, het beheren ervan, het beheren van alle engineering is complex. Dus wat we hebben gedaan, is dat we alle engineering hebben weggelaten, zodat de datawetenschapper echt zijn werk kan doen om uit te zoeken wat het is dat zou werken. 

De derde is op documentatie en dashboards. We hebben producten die veel van de standaard regelgevende documentatie een soort raamwerk bieden en veel automatisering eromheen, zodat het geen beperking oplegt aan hoe vaak u het probeert en wat u doet wanneer standaarddocumentatie wordt verzameld. 

En tot slot een naadloze implementatie die de heilige graal is geweest van al deze machine learning- en ML-operaties. Wat we hebben gebouwd, is een mechanisme om modellen naadloos in productie te nemen, waardoor de hoop voor de hele wereld bekend staat als de MLOps-cyclus, zodat ze live kunnen worden gevolgd, opnieuw kunnen worden getraind en beheerd. 

Dat zijn dus vier van de grote dingen waar we aan hebben gewerkt met een aantal van de investeringen in technologiemensen die we hebben en ons hoofdthema is het product maken van het hele thema, dus we hebben het geproducetiseerd om het beschikbaar te maken voor onze klanten.

Pieter: Juist. Dus ik wil wat dieper ingaan op dat derde punt, het regelgevende stuk, omdat het iets is waar ik altijd nieuwsgierig naar ben geweest. Hoeveel van deze AI-modellen moet je een beetje terugdringen of aanpassen omdat er moet zijn, weet je, je moet in overeenstemming zijn met alle FCRA en alle dingen die verklaarbaarheid moeten zijn, je moet een kredietbeslissing, wat is de impact? 

U had het over datasets van Google en Facebook, waar ze zeer verschillende wettelijke vereisten zullen hebben. In sommige opzichten hoeven ze niet per se terug te schalen of te veranderen om dingen uit te leggen zoals u moet doen in de financiële dienstverlening, dus wat is de impact van zo'n soort regelgevend kader op de modellen zelf?

Shri: Ja. Het is een goede vraag omdat het gevolgen heeft voor modellen die uiteindelijk in productie mogen worden genomen en het proces waarmee je het bouwt. Als je kijkt naar een onbeperkte wereld waarin je geen regelgevend kader had, zou je het meest geavanceerde kader nemen dat je had en de beste gegevens die je hebt en je zult modellen gooien en je zult misschien soortgelijke machines hebben verken dat soort staat, toch, dus maak en heb een gradiënt-boosterboom.

Het probleem is dat je dan specifieke groeibeperkingen tegenkomt, zoals bepaalde attributen die je gebruikt, moeten verklaarbaar zijn, ze moeten eentonig zijn, zodat je bepaalde attributen kunt belasten. Verder wordt het onderwerp vooringenomenheid en normen ook een belangrijk onderwerp . Dus als ik overdrijf voor het effect dat het traditionele proces van hoe een datawetenschapper dit doet, zegt hij, nou, ik ga deze beperkingen toepassen, het eerste model bouwen, kijken of het werkt en dan kijken of ik kan spelen met een heleboel van deze dingen en pas de beperkingen opnieuw toe. En het is vaak een echte afweging tussen vergelijkbare prestaties en een soort regelgevend kader en wat we kunnen beheren. 

Wat we nu met het product hebben gedaan, is dat we veel van die beperkingen hebben toegestaan ​​in de manier waarop de gegevens worden samengesteld en hoe het model zelf naar oplossingen mag zoeken. Dus het maakt het werk van een datawetenschapper een stuk gemakkelijker om te zeggen: oké, je mag deze attributen gebruiken, deze attributen kunnen alleen op bepaalde manieren worden gebruikt en dan zegt de machine eindelijk niet, ga, ontdek dit soort rechte ruimte en dat is een heel belangrijke stap voor een datawetenschapper, omdat het anders veel vervelend werk oplevert waarbij je bijna speelt als dit kat-en-muisspel en zegt: hey, ik heb betere prestaties, maar heb ik de wettelijke beperkingen geschonden. 

Er is dus een afweging en ik denk dat we in de ruimte meer van dat soort afwegingen zullen blijven zien naarmate onze regelgeving zich ontwikkelt om een ​​soort ML en AI te beheren, maar we geloven ook dat het product en de technologie kunnen evolueren om aan te pakken dit.

Peter: Juist, juist, logisch. Het is dus duidelijk dat we in een competitieve wereld leven en Experian heeft ook concurrenten. Wat doe je dat anders is, hoe onderscheid je jezelf van anderen in de ruimte?

Shri: Ik denk dat we voor ons geloven dat er een zeer belangrijke kans is in de mid-market en het democratiseren van veel van deze mogelijkheden, die historisch gezien beperkt waren tot misschien een soort grote banken of kredietinstellingen waar ze deze infrastructuur kunnen betalen. We onderscheiden ons dus op drie manieren. 

Ten eerste bieden we een end-to-end-ervaring op het gebied van data, analyse en besluitvorming. Experian heeft, zoals u weet, enkele van de meest waardevolle gegevenssets over kredietverlening ter wereld. We hebben ook een beslissingsbedrijf dat zich bezighoudt met het leveren van workflow en software aan klanten zodat ze een soort van kredietbeslissingen kunnen nemen, beleidsregels en we brengen een soort analyse. Dus een grote onderscheidende factor die we hebben, is dat we de mogelijkheid hebben om echt te bieden, en als ik een retail-analogie mag trekken, hebben we de mogelijkheid om het Shopify-equivalent van de middenmarkt te bieden. 

Maar, we zeggen, hey, als je een geldschieter bent en je concentreert je op wat je doet, weet je het beste wat eigenlijk het uitzoeken van de juiste kredietniche is, het uitzoeken van de klanten en je doelen. We kunnen dat soort end-to-end analysegegevens leveren in plaats van technologie. Dat is voor ons de belangrijkste onderscheidende factor. 

Ik denk dat de tweede onderscheidende factor voor ons is dat we een specifieke stap zetten om de toegang tot sommige van dit soort tools te vergroten en hoe we prijzen en wat we doen, zoals echte democratisering. Dus we leunen naar voren en breiden onze basis uit. 

En de derde onderscheidende factor die we hebben, is dat we een zeer, zeer significante penetratie van gegevens hebben bij een aantal kredietinstellingen. Van de ene op de andere dag gebruiken we, net als de overgrote meerderheid van kredietinstellingen in Noord-Amerika, in een of andere vorm Experian-gegevens en wat we willen doen is een reeks toegankelijke producten of analyses en AI naar ze allemaal brengen. Op dit moment is onze penetratiegraad daarvan lage eencijferige cijfers, we geloven dat er een enorme kans voor ons ligt als we met succes democratiseren door het in de lange staart van geldschieters te brengen.

Peter: Oké, interessant. Dus je praat met je klanten, wat zou het zijn, kijkend naar alle verschillende dingen die AI kan doen, wat is het belangrijkste dat bedrijven vandaag de dag zouden moeten gebruiken?

Shri: Ik denk dat het antwoord op die vraag misschien uit twee delen bestaat. De eerste is hoe ze AI moeten gebruiken en waarvoor ze het moeten gebruiken. Wat betreft de grootste manier om impact te krijgen, denk ik dat een bedrijf een meer holistische kijk op AI zou moeten hebben om impact te krijgen. Historisch gezien is er veel verliefdheid geweest op een deel van AI, dat grotendeels een soort AI-prestaties is, maar als je meer holistisch kijkt naar het genereren van impact van AI, denken we dat er vier componenten zijn. Er zijn niet alleen AI-prestaties die, hey, ik heb een beter model gebouwd, maar AI-adoptie, AI-schaalbaarheid en AI-vertrouwen, dus om echt impact te krijgen van AI, is het niet voldoende om alleen AI-prestaties te hebben, wat een gegevens is wetenschapper die zegt: ik heb een soort van zeer goede proof of concept. Je moet nadenken over de vraag of dit kan worden ingebed in de workflow om klanten of bedrijven in staat te stellen betere beslissingen te nemen, is het op een duurzaam en schaalbaar platform en wordt het uiteindelijk vertrouwd door klanten. Dat is volgens ons fundamenteel de noodzaak van AI-impact. Ik denk dat voor geldschieters, in mijn gedachten, ik denk dat het voor de hand liggende en in sommige opzichten de grootste kans onze financiële inclusie is. 

Als ik naar mijn bedrijfsverhaal kijk, toen ik opgroeide in India, herinner ik me dat mijn moeder een soort ondernemer was, alsof ze een aantal ideeën en dingen had waarin ze kapitaal had kunnen gebruiken om te investeren, maar dat deed ze echt' Ik heb niet zoveel toegang tot leningen, maar als ik naar de kern ervan kijk, zoals de geloofwaardigheid van de kredietverlening of de kans op wanbetaling voor iemand zoals zij, wat ze met dat soort kapitaal zou hebben gedaan, denk ik dat het nogal enorm is. 

En ik geloof dat dat geldt voor een aantal bevolkingssegmenten in Noord-Amerika, waar ik met de juiste lens, met het juiste soort kader, geloof dat het een "win-win" kan zijn voor kredietverlening en voor de klant. Ik geloof dus dat er veel potentieel is in het gebruik van AI en analyses voor financiële inclusie.

Peter: Juist, juist, ja, zeker. Ik wil iets vragen dat…..Dave Girouard, de CEO van Upstart, duidelijk een pionier in de AI-ruimte in kredietverlening, hij zei dat alle kredietverlening in de toekomst door AI zal worden gedaan en het lijkt mij als ik praat met kredietverstrekkers, het voelt alsof de …..er zijn maar heel weinig kredietverstrekkers van welk type dan ook die alleen maar zeggen, we zijn niet geïnteresseerd om dit te onderzoeken, het voelt alsof dat gesprek de afgelopen jaren is veranderd, maar ik zou graag krijg je perspectief. Zullen alle leningen worden gedaan door AI en wat is ervoor nodig om daar te komen?

Shri: Ik ben het met Dave eens en ik denk dat de toekomst bijna onvermijdelijk is. Ik denk dat vertrouwen de grootste uitdaging is die we volgens mij een beetje zullen aangaan en overwinnen. Onder soort vertrouwen is er verklaarbaarheid, er is vooringenomenheid en eerlijkheid en echt onder regelgevend kader. Ik denk dat de beperkte reden waarom je niet een stel mensen hebt die een soort AI hebben geadopteerd, je dit vaak zult horen, nou ja, er is regulering en er is structuur, maar als ik de geest ervan breder bekijk, echt het overkoepelende thema is vertrouwen, toch.

Ik denk dat de regelgevers ook zijn... het zijn scherpe, redelijke mensen die een soort van... het creëren van regelgevende kaders en eigenlijk... na met een aantal regelgevers te hebben gesproken, denken ze hier goed over na. Ik denk dat de bredere vraag draait om een ​​soort vertrouwen en het creëren van de juiste kaders om ervoor te zorgen dat lenen met AI vooral eerlijk, transparant en vertrouwd is, maar ik geloof wel dat we die reis op dezelfde manier zullen bereiken. Op een gegeven moment denk ik dat het ook onvermijdelijk is dat de meeste auto's op de weg zonder bestuurder zullen zijn.

Peter: Juist, juist, ja, ja. We zijn er nog niet helemaal. Ik zou willen beweren dat de AI voor het autorijden veel complexer is dan om te beslissen of een consument een lening moet krijgen of niet, lijkt mij. 

Hoe dan ook, we hebben bijna geen tijd meer, maar nog een paar vragen. Ik wil het hebben over de trends die je ziet en voorspellingen voor de toekomst, ik bedoel, wat zijn enkele van de trends die je vandaag ziet in AI-analyse waar teams echt op moeten letten.

Shri: Ik denk dat een interessante trend waarover je sommige experts in de ruimte hoort praten, de verschuiving is naar wat Andrew Ang, een van de leidende denkers in de ruimte, datacentrische AI ​​noemt. In de kern zijn de concepten als heel eenvoudig en als je historisch kijkt, is het grote gegiechel rond AI, hey, kan ik een neuraal netwerk of een gradiëntboost creëren en kan ik dezelfde gegevens nemen en kan ik het leuk vinden om betere resultaten en betere resultaten. Nu verschuift de dialoog enigszins naar een ander zeer belangrijk hefboompunt, namelijk datacentrische AI, die eigenlijk zegt: kan ik de juiste soort trainingsgegevens krijgen en maken om echt betere beslissingen te nemen en dat opent een interessante vraag zoals het aanboren van meer gegevensbronnen, het beheren van de gegevens en kunt u echt betere prestaties krijgen. 

Er wordt veel werk verzet in de AI-ruimte over datacentrische AI ​​over het voorbereiden van gegevens, het beheren van gegevens en het extraheren van gegevens uit bronnen die eerder werden afgewezen. Dat is dus een soort grote trend die we zien en waarvan ik denk dat deze belangrijke implicaties heeft voor de ruimte waarin we ons bevinden en ook voor financiële instellingen, omdat historisch gezien de gegevens die kunnen worden gebruikt bij kredietverlening zorgvuldig zijn afgebakend. Ik denk dat er in de toekomst meer zal worden nagedacht over hoe we dat kunnen uitbreiden en wat we nog meer willen overwegen. Dus ik denk dat dat een grote trend is. 

Ik denk dat de andere grote trend bijna een voor de hand liggende is, namelijk de overstap naar de cloud, maar eigenlijk zie ik het onder een breder thema, waarbij AI eigenlijk meer een technische discipline en een technologiediscipline gaat worden. Historisch gezien waren datawetenschap en AI een reeks dingen die datawetenschappers deden en het had niet helemaal de systemen, het proces, de nauwkeurigheid die software-engineering had. Maar nu begin je al die striktheid binnen te zien komen en vooral met de migratie naar de cloud heb je tien datawetenschappers die aan hetzelfde soort model zouden kunnen werken als deze ensembles van modellen en structuren. 

Die problemen beginnen echt te worden en tenzij je een technische discipline hebt die lijkt op software om dat te kunnen beheren, kom je in een hele reeks complexe problemen waarbij datawetenschapper één een model maakt en datawetenschapper twee probeert te gaan kijken dat alsof hij niet helemaal zeker weet waarop is gebouwd en wanneer je het in productie neemt, is het verloren. Dus de hele technische discipline rond datawetenschap en AI is ook een grote trend die we zien.

Peter: Dat is interessant, dat had ik nog niet gehoord, dat lijkt me volkomen logisch. Oké, dus dan, laatste vraag, terwijl je uitkijkt, laten we zeggen dat over vijf jaar, hoe zal Experian AI en geavanceerde analyse gebruiken in bijvoorbeeld september 2026?

Shri: We zijn begonnen aan een reis waarbij we een breder model- en producttypevoorraad hebben voor een klein aantal fondsen. Wat ik zou hopen is dat we met succes de volledige schaal op dat democratiseringsbit hebben geregeld en dat we een zeer, zeer aanzienlijk deel van onze dataclients hebben waar we daadwerkelijk toegang hebben verleend tot analyses en AI en veel van dit soort van geavanceerde technieken en modellen en een soort van bredere, honderden, zo niet duizenden fondsen, dat is wat ik zou hopen. 

Het tweede dat ik bij Experian zou hopen, is dat we Experian op een heel, heel belangrijke manier voorzien van analyses en AI die veel meer lijken op het hele bedrijf. Bij Experian beginnen we daar een soort van uitstapjes in te maken. Naast onze consumentenactiviteiten en onze beslissingsanalyse-activiteiten, hebben we ook bedrijven in de gezondheidsruimte, de BIS-ruimte en we beginnen AI en analyse in die ruimten te gebruiken. Dus ik hoop dat AI en analyse fundamenteel de kern worden van Experian soort DNA en voorraden om als een aantal van onze producten en bedrijven aan de macht te komen.

Pieter: Oké. Nou, we zullen moeten vertrekken om het daar te laten, Shri, het zal fascinerend zijn om het allemaal te zien ontvouwen. Ik waardeer het echt dat je vandaag naar de show komt.

Shri: Heel erg bedankt, Peter, bedankt dat je me hebt.

Peter: Natuurlijk, oké, tot ziens.

Oké, weet je, ik ben geen datawetenschapper, maar ik praat met veel geldschieters en wat me opvalt is dat ik geen enkele geldschieter ken die een AI-model heeft getest en het op een serieuze manier heeft gedaan en dan zeggen, weet je wat, het is niet zo goed, het is niet zo goed als wat we eerder deden, ik denk dat we gewoon teruggaan naar wat we eerder deden. Dat gebeurt gewoon niet en het doet me beseffen dat, zoals Shri daar zei, het onvermijdelijk is dat we deze beweging zullen hebben, het zal doorgaan. 

Nee, het betekent niet dat iedereen over vijf of tien jaar AI-modellen zal gebruiken, maar dat is de richting die we uitgaan. Ik weet niet of het vijf jaar, tien jaar, 15 jaar is, maar binnenkort zal niemand deze oude traditionele modellen gebruiken, aangezien AI het overneemt. Dat is in ieder geval mijn voorspelling.

Op dat punt zal ik me afmelden. Ik waardeer het enorm dat je luistert en ik zie je de volgende keer. Doei.

(Music)

Peter Renton is de voorzitter en mede-oprichter van LendIt Fintech, 's werelds eerste en grootste digitale media- en evenementenbedrijf gericht op fintech.

LendIt Fintech organiseert drie conferenties per jaar voor de leidende fintech-markten van de VS, Europa en Latijns-Amerika. LendIt biedt ook het hele jaar door geavanceerde inhoud via audio, video en geschreven kanalen.

Peter schrijft sinds 2010 over fintech en hij is de auteur en maker van de Fintech One-on-One Podcast, de eerste en langstlopende fintech-interviewserie.

Peter is geïnterviewd door de Wall Street Journal, Bloomberg, The New York Times, CNBC, CNN, Fortune, NPR, Fox Business News, de Financial Times en tientallen andere publicaties.

PlatoAi. Web3 opnieuw uitgevonden. Gegevensintelligentie versterkt.
Klik hier om toegang te krijgen.

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