Tôi cho rằng việc sử dụng trí tuệ nhân tạo trong các quyết định cho vay đã đi từ sự tò mò trở thành xu hướng chủ đạo trong XNUMX năm qua. Hầu hết các bên cho vay đều đã bắt đầu một chương trình thử nghiệm hoặc đang xem xét nó một cách nghiêm túc và một số, dẫn đầu là các công ty cho vay fintech như Upstart, đã biến nó thành cốt lõi cho hoạt động kinh doanh của họ.

Vị khách tiếp theo của chúng tôi trên podcast Fintech One-on-One là Shri Santhanam. Anh ấy là EVP và GM của Global Analytics tại Experian. Shri đã dành phần lớn sự nghiệp của mình để cung cấp dữ liệu lớn và AI để đối mặt với vô số thách thức kinh doanh. Trong hai năm qua, ông đã dẫn đầu các sáng kiến ​​phân tích toàn cầu cho Experian.

Trong podcast này, bạn sẽ học:

• Nền tảng của Shri với AI và phân tích dữ liệu.
• Ba thay đổi lớn đã tăng tốc đối với những người cho vay trong 18 tháng qua.
• Các nhà cho vay fintech cần những gì để thành công trong môi trường cạnh tranh ngày nay.
• Người cho vay đang thúc đẩy tác động tốt nhất từ ​​AI như thế nào.
• Những gì Experian đang làm để giúp những người cho vay trong hành trình khách hàng của họ.
• Cách họ đang giúp người cho vay tăng tốc độ tiếp cận thị trường.
• Tác động của các ràng buộc quy định đối với các mô hình bảo lãnh phát hành AI.
• Ba cách mà Experian đang phân biệt chính họ ngày nay.
• Ngày nay, những người cho vay nên sử dụng AI như thế nào.
• Tất cả các khoản cho vay sẽ được thực hiện thông qua các mô hình AI sẽ cần những gì.
• Các xu hướng thú vị trong không gian AI sẽ định hình tương lai.
• Kế hoạch của Experian ở đây là gì trong năm năm tới.

Bạn có thể đăng ký Fintech One on One Podcast qua Podcast của Apple or Spotify. Để nghe tập podcast này, có một trình phát âm thanh ngay phía trên hoặc bạn có thể tải tập tin MP3 tại đây.

Tải về một PDF của Bản ghi hoặc Đọc nó bên dưới

Chào mừng bạn đến với Fintech One-on-One Podcast, Tập số 316. Đây là người dẫn chương trình của bạn, Peter Renton, Chủ tịch và Đồng sáng lập của LendIt Fintech.

(âm nhạc)

Peter Renton: Hôm nay trong chương trình, tôi rất vui mừng được chào đón Shri Santhanam, anh ấy là EVP & GM của Phân tích toàn cầu và Sản phẩm AI tại Experian. Rõ ràng, anh ấy là một chuyên gia về AI và tôi muốn cho Shri tham gia bởi vì chúng tôi đã không thực sự nghiên cứu sâu về AI trong một thời gian dài và đã có rất nhiều thay đổi mà chúng tôi sẽ tìm hiểu sâu hơn trong tập này. Bạn biết đấy, chúng ta nói về những gì các bên cho vay đang làm ngày nay, những gì họ cần làm để thành công, cách họ sử dụng AI. 

Chúng tôi nghiên cứu khá sâu về cách Experian đang thực sự giúp đỡ một số việc họ đang làm thực sự độc đáo trong lĩnh vực này, chúng tôi nói về cách người cho vay nên sử dụng AI và những xu hướng mà Shri đang thấy, cả về lịch sử và tương lai. , và anh ấy cũng nhìn vào quả cầu pha lê của mình và đưa ra dự đoán cho XNUMX năm kể từ bây giờ. Đó là một cuộc phỏng vấn hấp dẫn, hy vọng bạn sẽ thích chương trình.

(âm nhạc)

Peter: Chào mừng đến với podcast, Shri!

Shri Santhanam: Cảm ơn bạn. Cảm ơn vì đã có tôi, Peter.

Peter: Rất hân hạnh. Vì vậy, hãy bắt đầu bằng cách cung cấp cho người nghe một chút thông tin cơ bản về bản thân bạn. Bạn có thể cho chúng tôi biết một số điểm nổi bật trong sự nghiệp trước khi bạn đến với Experian không?

Shri: Tôi đã dành một phần đáng kể sự nghiệp của mình tại Oliver Wyman, một công ty tư vấn chiến lược và hoạt động trong lĩnh vực dịch vụ tài chính. Tôi bắt đầu sự nghiệp của mình với Oliver Wyman ngay khi còn đi học, tôi đang thực sự lấy bằng tiến sĩ tại Stanford mà cuối cùng tôi vẫn chưa hoàn thành, nhưng điều thực sự thu hút tôi đến với nghề tư vấn là mang lại cách tiếp cận kỹ thuật cho các vấn đề kinh doanh và đó là chủ đề của thời gian của tôi ở Oliver Wyman. 

Trong bảy hoặc tám năm qua tại Oliver Wyman, tôi đã giúp xây dựng một doanh nghiệp có tên Oliver Wyman Labs, nơi chúng tôi đã nhìn thấy cơ hội vào khoảng năm 2011/2012 để đưa công nghệ và AI theo phong cách Thung lũng Silicon vào một số thách thức mà các ngân hàng và tổ chức tài chính lớn phải đối mặt. -cuộc khủng hoảng. Đó là một hành trình thú vị khi đưa Python, Dữ liệu lớn đến công nghệ AI vào loại không gian đó và dành rất nhiều thời gian ở đó. 

Và sau đó khoảng hai năm, lãnh đạo cấp cao tại Experian đã đề nghị tôi đến đóng vai trò dẫn dắt phân tích toàn cầu về AI, giúp thúc đẩy tác động với dữ liệu của Experian theo cách đơn giản hơn nên tôi đã có mặt tại đây.

Peter: Được rồi, Vì vậy, trước khi chúng ta đi vào trọng tâm của cuộc thảo luận, tôi muốn tìm hiểu một chút thông tin cơ bản về trải nghiệm của bạn với AI và phân tích, hành trình đó đã diễn ra như thế nào đối với bạn trong suốt sự nghiệp của mình.

Shri: Đối với tôi, ngay cả trước khi nó được gọi bằng tất cả những cái tên ưa thích như bây giờ, AI / ML, tôi đã luôn bị thu hút bởi việc theo đuổi việc ra quyết định dựa trên dữ liệu. Điều thu hút tôi đến với công việc tư vấn là một nhóm gọi là Kỹ thuật Giá trị Bán lẻ và người sáng lập nhóm đó là một người đàn ông tên là Jacques Cesar, người thường mô tả công việc chúng tôi làm là “vắt máu từ đá” đó là một loại dữ liệu, đúng không. 

Trên thực tế, công việc ban đầu mà chúng tôi đã làm là với các nhà bán lẻ và vào đầu những năm 2000, họ có một lượng lớn dữ liệu được lưu giữ phần lớn trong các hệ thống nguyên khối khổng lồ này và tôi rất bị thu hút bởi triển vọng đưa dữ liệu đó vào hoạt động và giúp doanh nghiệp của họ hoạt động tốt hơn , giúp cải thiện cuộc sống của người tiêu dùng và doanh nghiệp. Điều đó, cuối cùng, trong suốt thập kỷ đầu tiên của thế kỷ này được chuyển thành Phân tích nâng cao, AI và công nghệ là những công cụ để biến loại sứ mệnh đó thành hiện thực, giống như một trong những điều thú vị mà chúng tôi đã làm trong bán lẻ, chẳng hạn như phân tích ăn thịt người. . 

Các nhà bán lẻ, như họ thường nghĩ về…. giả sử bạn đang quảng cáo một mặt hàng kem đánh răng, bạn chủ yếu nhìn vào doanh số bán kem đánh răng, nhưng nó có tác động rất lớn đến các mặt hàng khác trong tuần đó, đưa khách hàng đến cửa hàng đó và tác động của một việc đơn giản như quảng cáo Colgate kem đánh răng thực sự rất sâu sắc và AI và phân tích có thể giúp bạn hiểu điều đó và đưa ra lựa chọn tốt hơn. Vì vậy, đó là điểm khởi đầu của tôi, tôi nghĩ rằng nó cuối cùng đã trở thành mối quan tâm của tôi trong việc thúc đẩy các dịch vụ tài chính sau khủng hoảng và giúp các ngân hàng cho vay tốt hơn. 

Hiện nay, trong lịch sử, các ngân hàng và tổ chức cho vay hầu hết sử dụng các quy tắc hoặc mô hình hồi quy logistic cơ bản để đưa ra quyết định, nhưng đối với tôi, việc đưa AI và ML để thực sự thúc đẩy sự bao gồm tài chính giúp người tiêu dùng tiếp cận tốt hơn với tín dụng và loại người cho vay đưa ra quyết định tốt hơn là một một phần quan trọng của nhiệm vụ mà tôi thấy.

Peter: Được rồi. Vâng, chúng ta hãy đi ngay vào nó và nói về không gian cho vay. Bạn biết đấy, 18 tháng qua rất thú vị đối với tất cả các bên cho vay, và rõ ràng là chúng tôi đã thấy họ chuyển sang kỹ thuật số mà tôi nghĩ đã trở nên bắt buộc đối với toàn thế giới. Nhưng, tôi rất muốn biết được những gì bạn đang thấy ở Experian khi sự biến đổi này diễn ra như thế nào. Bạn biết đấy, bạn đang thấy gì về sự dân chủ hóa các khả năng kỹ thuật số và những thứ đại loại như vậy.

Shri: Đây là thời điểm tuyệt vời để nói về cuộc cách mạng cho vay và thậm chí trước cả COVID, tôi sẽ tranh luận rằng đã có một cuộc cách mạng cho vay rất quan trọng đang diễn ra mà nếu bạn nhìn, về mặt lịch sử, về cách cho vay đã xảy ra, thì đó là giấy bút . Trong thập kỷ rưỡi qua, thực sự khái niệm về các công cụ kỹ thuật số, xác định kỹ thuật số, phân tích và bảo lãnh kỹ thuật số đã ra đời. Bây giờ, COVID đã tăng tốc đáng kể điều đó và chúng ta đang thấy ba điều lớn khác nhau. 

Đầu tiên, khi bạn nhìn vào thậm chí có thể ba / bốn năm trước, bạn có Capital One, một số ngân hàng lớn, tinh vi thực sự đi đầu trong việc dẫn đầu cuộc cách mạng này trong việc đưa công cụ học máy hoặc kỹ thuật số vào toàn bộ quy trình cho vay. Giờ đây, nó gần như trở thành một nhu cầu cần thiết cho toàn bộ các tổ chức cho vay, lớn, vừa và nhỏ, hoạt động kỹ thuật số và đưa ra một số quyết định đó. 

Điều thứ hai chúng ta đang thấy với cuộc cách mạng cho vay thực sự là sự tập trung sâu sắc vào trải nghiệm của khách hàng. Cách đây XNUMX/XNUMX năm, việc chờ đợi vài ngày, vài tuần để phê duyệt khoản vay hoặc đưa ra quyết định về khoản vay cho người tiêu dùng và doanh nghiệp là điều bình thường, thì giờ đây, kỳ vọng đó đã thay đổi đáng kể. Chúng tôi thấy các tổ chức cho vay sẵn sàng đưa ra quyết định đó trong thời gian thực thay vì hàng phút, hàng giờ, loại kích thước đó. 

Thứ ba, về cơ bản, loại hình sản phẩm đổi mới và bao gồm. Bạn đang thấy toàn bộ không gian fintech đi vào và thực sự là thách thức hoạt động và câu hỏi của fintech là, liệu tôi có thể tìm thấy một thị trường ngách chưa được khai thác mà tôi có quan điểm độc đáo và cách nghĩ về rủi ro đó và tôi có thể cải thiện chúng và cho vay đối với họ. Đó có phải là các khoản cho vay dành cho sinh viên không, đó có phải là những người nhập cư đã đến đất nước này, nơi mà các phương thức tín dụng và cho vay truyền thống của chúng ta không thực hiện chúng theo cùng một cách. Vì vậy, có một sự thay đổi đáng kể trong cách các nhà cho vay bắt đầu xem xét không gian và bạn đang thấy ba xu hướng đó là những gì chúng ta đang thấy ở Experian.

Peter: Đúng vậy. Và, tôi cũng muốn nhận được sự giúp đỡ của bạn, bởi vì tôi biết bạn làm việc với cả ngân hàng và người cho vay fintech và tôi nghĩ đây là thời điểm tò mò cho những người cho vay fintech bởi vì họ đã có một loại không gian kỹ thuật số rộng mở cho họ, ý tôi là , một số trong số họ trong hơn một thập kỷ và bây giờ khoảng cách đó đang thu hẹp. Bạn nghĩ những người cho vay fintech ngày nay cần gì để thành công trong môi trường chúng ta đang ở?

Shri: Những người cho vay Fintech, như tôi thấy, thực sự đang phá vỡ thị trường theo cách mà thực sự mang lại lợi ích cho người tiêu dùng bởi vì nếu tôi nhìn vào bốn phần của fintech trong không gian cho vay này, họ sẽ tham gia và nói, tôi có thể chọn một phân khúc thị trường nơi tôi áp dụng loại cho vay bảo lãnh phát hành và tôi áp dụng khoản cho vay trải nghiệm khách hàng, rất rất khác, đúng không. Và bạn đang thấy một số fintech như Affirm, Prosper, bắt đầu rất thành công trong không gian đó. 

Vì vậy, tôi nghĩ để họ thành công, họ cần ba điều lớn. Đầu tiên là họ cần nắm bắt công nghệ máy học và bảo lãnh phát hành nâng cao bởi vì cốt lõi của mô hình kinh doanh của họ liên quan đến việc họ đi đầu trong lĩnh vực bảo lãnh phát hành với một lăng kính có vẻ hơi khác một chút. Vì vậy, tôi nghĩ nên áp dụng máy học, hiểu được cách thức hoạt động và điều đó có thể cải thiện khả năng bao gồm tài chính. 

Tôi nghĩ điều thứ hai mà các fintech cần để có thể thành công là thực sự phá vỡ và tái tạo lại trải nghiệm của khách hàng và quyết định xung quanh vấn đề đó. Rất nhiều trong số đó là kỹ thuật số, nhưng về cơ bản, đổi mới sản phẩm thú vị, nơi bạn có thể tham gia vào hành trình của khách hàng bán lẻ hoặc gần hơn với dịp mua hàng hoặc trường hợp sử dụng của tất cả các loại khách hàng theo cách mà hoạt động cho vay truyền thống vẫn có nhiều va chạm.

Peter: Thật thú vị. Vì vậy, chúng ta có thể tìm hiểu về AI và phân tích một chút ở đây không. Với tư cách là những người cho vay, bạn biết đấy, họ đang thúc đẩy tác động tốt nhất từ ​​AI như thế nào.

Shri: Nếu bạn nhìn vào cách, hãy nói, phần lớn thị trường trung lưu đã cho vay, thậm chí bốn/XNUMX năm trước, nó chỉ dựa trên hai điều đơn giản. Đó là một tập hợp các quy tắc chính sách và nó là một mô hình bảo lãnh phát hành nào đó. Đó là cách mà rất nhiều khuôn khổ cho vay đã thực sự hoạt động. Và, nhìn chung, nhóm cho vay chủ yếu sử dụng điểm số chuẩn có sẵn hoặc nếu họ tạo ra các mô hình tùy chỉnh cụ thể, họ sẽ chủ yếu sử dụng hồi quy tự logistic. Đó là cách, trong lịch sử, mọi thứ đã hoạt động. 

Bây giờ, thật là một thách thức để thay đổi bất kỳ điều gì trong số đó vì chi phí và cơ sở hạ tầng cần thiết để hỗ trợ các mô hình học máy, đưa chúng vào sản xuất, có các loại quy tắc quyết định và các công cụ tối ưu hóa và phức tạp hơn đã bị cấm, nhưng thực tế là hiện đang thay đổi về cơ bản Vì vậy, điểm số tùy chỉnh, khả năng tạo các quy tắc quyết định được tối ưu hóa và khả năng thực hiện điều này theo cách phù hợp trên các tập dữ liệu thực sự có liên quan đến bạn với tư cách là người cho vay, thực tế đang thay đổi chi phí hoặc đang giảm xuống, ngay cả khi chúng tôi nói, để làm điều đó. 

Vì vậy, việc áp dụng một loại cấu trúc quyết định cho vay hiện đại là một phần quan trọng của những gì AI và phân tích thay thế. Nếu bạn nhìn vào các mô hình là hồi quy logistic bây giờ, có những mô hình cây được tăng cường độ dốc có thể bắt đầu giúp làm tốt hơn những mô hình đó. Bạn có các quy tắc quyết định bắt đầu giúp như hoạt động tốt hơn đáng kể và thực sự nhận được sự chấp thuận tốt hơn và loại trừ phí thấp hơn cho người cho vay.

Peter: Được rồi. Vì vậy, tôi muốn chuyển đổi bánh răng một chút và nói về những gì Experian đang làm, cụ thể là trong không gian. Có lẽ bạn có thể bắt đầu bằng việc chỉ nói về cách Experian giúp những người cho vay với hành trình khách hàng của họ và những điều tương tự ngày hôm nay.

Shri: Vì vậy, khi tôi đến hai năm trước, một trong những lĩnh vực chúng tôi coi là cơ hội lớn là giúp khách hàng về một số phân tích và AI mà họ sử dụng, đặc biệt là ở thị trường tầm trung, để xây dựng các mô hình này. Vì vậy, có các công đoàn tín dụng, có những khách hàng tầm trung, trong đó, về mặt lịch sử, những gì chúng tôi đã làm là xây dựng các mô hình và dự án tùy chỉnh cho họ. Những gì chúng tôi nhận thấy là thời gian điển hình để xây dựng các mô hình tùy chỉnh này là khoảng từ năm/XNUMX tháng và việc triển khai các mô hình này, một lần nữa, khá phức tạp và mất thêm ba tháng nữa. 

Vì vậy, đối với nhiều khách hàng của chúng tôi trong lĩnh vực này, chúng tôi nhận thấy rằng có nhu cầu rõ ràng, nhưng thời gian và khả năng cung cấp những thứ này, có rất nhiều chi phí liên quan. Vì vậy, một trong những điều chúng tôi đã làm là chúng tôi đã xây dựng một nền tảng để phá vỡ không gian một cách đáng kể, một nền tảng được gọi là Dịch vụ thông minh Ascend, mà chúng tôi tin rằng sẽ giảm đáng kể thời gian để xây dựng mô hình, tạo quy tắc quyết định và thực sự đặt điều này trong sản xuất. 

Vì vậy, toàn bộ mô hình xây dựng và sản xuất, chúng tôi vẫn đang ở giai đoạn đầu với những sản phẩm này, nhưng chúng tôi có một số khách hàng có xu hướng thành công, nơi chúng tôi đã giảm đáng kể thời gian cho việc xây dựng đầu cuối và chi phí mà chúng tôi có thể đặt những thứ này vào sản xuất. Một ví dụ là một nghiên cứu điển hình công khai mà chúng tôi có về một công ty cho vay tầm trung tên là Atlas, nơi chúng tôi đã thấy chi phí kết quả rất, rất đáng kể với loại công việc này với nền tảng của chúng tôi.

Peter: Thú vị, thú vị. Vì vậy, bạn có thể đào sâu hơn một chút về điều đó. Ý tôi là, tôi muốn có được một cảm giác nào đó, mà không cần cho đi nước sốt bí mật, nhưng làm thế nào bạn có thể làm cho quá trình này nhanh hơn nhiều?

Shri: Vâng, tuyệt vời, rất vui khi nói về điều đó. Vì vậy, nếu bạn nhìn vào quá trình lịch sử, có lẽ đã có bốn điểm chính của sự cọ xát kéo dài thêm rất nhiều thời gian. Đầu tiên xoay quanh việc quản lý và giải quyết dữ liệu, nơi chúng tôi phải mang rất nhiều dữ liệu và thao tác với nó để tạo ra các mô hình. Điểm ma sát thứ hai đã thực sự chạy giống như quy mô được tính toán. Thông thường, để xây dựng một mô hình tùy chỉnh, bạn cần thực sự thích thử 30/40 loại mô hình khác nhau, chạy nhiều loại tính toán và sau đó quyết định. Thứ ba là tuân thủ quy định và tài liệu. 

Những mô hình này… .lý do nó thách thức trong các dịch vụ tài chính giống như bạn có một khuôn khổ quy định toàn bộ và bạn phải đi ngược lại cách quản lý đó. Và sau đó, cuối cùng, giống như triển khai. Khi bạn đã xây dựng một mô hình, cách tiếp cận truyền thống là nói, tuyệt vời, tôi đã xây dựng cái này, tôi sẽ ghi lại nó, bây giờ tôi sẽ lấy nó và ném nó qua hàng rào và nhờ ai đó mã hóa nó. . 

Vì vậy, chúng tôi đã giải quyết bốn vấn đề này theo một cách rất quan trọng. Chúng tôi có một số lợi thế chiến lược và cách chúng tôi có thể giúp khách hàng của mình vì chúng tôi đang xây dựng những lợi thế này trên nền tảng và dữ liệu của mình. Vì vậy, tôi sẽ lần lượt đưa bạn đến những điều này. 

Vì vậy, trước tiên, chúng tôi có rất nhiều dữ liệu cho một số khách hàng của mình, vì vậy nó cho phép chúng tôi chủ động tìm nguồn dữ liệu đó, quản lý nó và giảm đáng kể thời gian cũng như tạo ra loại tập dữ liệu đào tạo phù hợp. Vì vậy, nếu tôi là một fintech đang tìm cách đổi mới một sản phẩm mới, như tại Experian, chúng tôi có thể rất nhanh chóng tạo ra một tập dữ liệu proxy và về mặt lịch sử, đó là một quy trình thủ công, giờ chúng tôi đã thêm tự động hóa. 

Phần thứ hai là một điều thú vị nằm trên các mô hình. Trong năm rưỡi / hai năm qua, chúng tôi đã xây dựng một công nghệ tương tự như công nghệ mà Google, Facebook, một số công ty công nghệ hàng đầu đang điều hành, thực sự cho phép chúng tôi sử dụng máy tính dựa trên đám mây và chạy các loại tương tự như hàng chục và hàng trăm mẫu mã. 

Tại một khách hàng gần đây, một trong những nhà khoa học dữ liệu của chúng tôi đã nói rằng, trong một ngày, anh ấy có thể đã thử 80 loại mô hình khác nhau và xem xét kết quả của chúng, một bài tập thường mất vài tuần làm việc của một nhà khoa học dữ liệu vì mặc dù bạn đã mở thư viện nguồn, sự tẻ nhạt của việc tạo một mô hình, xem xét kết quả của nó, quản lý nó, quản lý tất cả các kỹ thuật rất phức tạp. Vì vậy, những gì chúng tôi đã làm là chúng tôi đã tóm tắt tất cả các kỹ thuật để cho phép nhà khoa học dữ liệu thực sự làm công việc của họ là tìm ra nó sẽ hoạt động như thế nào. 

Thứ ba là về tài liệu và bảng điều khiển. Chúng tôi có các sản phẩm cung cấp rất nhiều khuôn khổ tài liệu quy định tiêu chuẩn và rất nhiều tự động hóa xung quanh điều này, vì vậy nó không hạn chế số lần bạn thử và những gì bạn làm khi tài liệu tiêu chuẩn được đối chiếu. 

Và cuối cùng, việc triển khai liền mạch đã được ví như Chén Thánh của tất cả các hoạt động máy học và ML này. Những gì chúng tôi đã xây dựng là một cơ chế để triển khai liền mạch các mô hình vào sản xuất, cho phép cả thế giới hy vọng được biết đến như là Chu trình MLOps để chúng có thể được theo dõi trực tiếp, chúng có thể được đào tạo lại, chúng có thể được quản lý. 

Vì vậy, đó là bốn trong số những điều lớn mà chúng tôi đã làm việc với một số khoản đầu tư của nhân viên công nghệ mà chúng tôi có và chủ đề chính của chúng tôi là sản xuất toàn bộ chủ đề, vì vậy chúng tôi đã sản xuất nó để cung cấp cho khách hàng của mình.

Peter: Đúng vậy. Vì vậy, tôi muốn đào sâu một chút về điểm thứ ba, phần quy định, bởi vì đó là điều tôi luôn tò mò. Bạn có bao nhiêu mô hình AI này để sắp xếp điều chỉnh lại hoặc điều chỉnh bởi vì cần phải có, bạn biết đấy, bạn cần phải tuân thủ tất cả FCRA và tất cả những thứ cần phải giải thích được, bạn phải giải thích quyết định tín dụng, tác động như thế nào? 

Bạn đã nói về các tập dữ liệu từ Google và Facebook, nơi họ sẽ có các yêu cầu quy định rất khác nhau. Theo một số cách, họ không nhất thiết phải thu nhỏ quy mô hoặc thay đổi để giải thích những việc như bạn phải làm trong các dịch vụ tài chính, vậy tác động của việc áp dụng loại khuôn khổ quy định đó lên chính các mô hình là gì?

Shri: Vâng. Đó là một câu hỏi tuyệt vời vì nó có ý nghĩa đối với các mô hình cuối cùng sẽ được phép đưa vào sản xuất và quá trình bạn xây dựng nó. Nếu bạn nhìn vào một thế giới không bị giới hạn, trong đó bạn không có khuôn khổ pháp lý, điều bạn sẽ làm là bạn sẽ sử dụng khuôn khổ phức tạp nhất mà bạn có và dữ liệu tốt nhất mà bạn có và bạn sẽ tung ra các mô hình và bạn sẽ có những chiếc máy giống như vậy. khám phá loại trạng thái đó, đúng vậy, vì vậy hãy tạo và có một cây tăng cường độ dốc.

Vấn đề là sau đó bạn gặp phải những ràng buộc tăng trưởng cụ thể như có một số thuộc tính nhất định mà bạn sử dụng phải có thể giải thích được, chúng phải đơn điệu để bạn có thể căng thẳng xung quanh một số thuộc tính nhất định, Hơn nữa, chủ đề về sự thiên vị và tiêu chuẩn cũng đang trở thành một vấn đề quan trọng . Vì vậy, nếu tôi phóng đại về hiệu quả rằng quy trình truyền thống về cách một nhà khoa học dữ liệu thực hiện sau điều này, thì anh ấy nói, tôi sẽ áp dụng những ràng buộc này, xây dựng mô hình đầu tiên, xem nó có hoạt động không và sau đó xem liệu tôi có thể chơi không. với một loạt những thứ này và áp dụng lại các ràng buộc. Và, đó thường là một sự cân bằng thực sự giữa hiệu suất và loại khuôn khổ quy định và những gì chúng ta có thể quản lý. 

Bây giờ, những gì chúng tôi đã làm với sản phẩm thực sự là chúng tôi đã cho phép nhiều ràng buộc trong số đó được đưa vào cách dữ liệu được quản lý cũng như cách bản thân mô hình được phép truy cập và tìm kiếm giải pháp. Vì vậy, nó làm cho công việc của một nhà khoa học dữ liệu dễ dàng hơn rất nhiều khi nói rằng, được rồi, bạn được phép sử dụng các thuộc tính này, các thuộc tính này chỉ có thể được sử dụng theo những cách nhất định và cuối cùng, máy không nói, hãy đi, khám phá loại không gian thẳng này và đó là một bước thực sự quan trọng đối với một nhà khoa học dữ liệu bởi vì, nếu không, nó tạo ra rất nhiều công việc tẻ nhạt, nơi bạn gần như đang chơi trò chơi mèo và chuột này và nói rằng, này, tôi đã có hiệu suất tốt hơn, nhưng tôi đã vi phạm các ràng buộc quy định. 

Vì vậy, có một sự đánh đổi và tôi nghĩ rằng trong không gian, chúng ta sẽ tiếp tục thấy nhiều loại đánh đổi đó khi các quy định của chúng tôi phát triển để quản lý loại ML và AI, nhưng chúng tôi cũng tin rằng sản phẩm và công nghệ có thể phát triển để giải quyết cái này.

Peter: Đúng, đúng, có lý. Vì vậy, rõ ràng là chúng ta đang sống trong một thế giới cạnh tranh và Experian cũng có các đối thủ cạnh tranh. Bạn đang làm điều gì khác biệt, làm thế nào để bạn phân biệt mình với những người khác trong không gian?

Shri: Tôi nghĩ, đối với chúng tôi, chúng tôi tin rằng có một cơ hội rất quan trọng trong thị trường tầm trung và dân chủ hóa nhiều khả năng này, trong lịch sử, có thể bị giới hạn ở một số ngân hàng hoặc tổ chức cho vay lớn, nơi họ có thể mua được cơ sở hạ tầng này. Vì vậy, chúng tôi đang phân biệt bản thân theo ba cách. 

Đầu tiên là chúng tôi đang cung cấp trải nghiệm đầu cuối về dữ liệu, phân tích và xác định. Experian có, như bạn biết, một số bộ dữ liệu có giá trị nhất về cho vay trên hành tinh. Chúng tôi cũng có một hoạt động kinh doanh mang tính quyết định là cung cấp quy trình làm việc và phần mềm cho khách hàng để cho phép họ đưa ra các quyết định cho vay, các quy tắc chính sách và chúng tôi cung cấp các loại phân tích. Vì vậy, một điểm khác biệt lớn mà chúng tôi có là chúng tôi có khả năng thực sự cung cấp và nếu tôi có thể rút ra một phép tương tự bán lẻ, chúng tôi có khả năng cung cấp Shopify tương đương với thị trường tầm trung. 

Nhưng, chúng tôi nói, này, giống như nếu bạn là một người cho vay và bạn tập trung vào những gì bạn làm, bạn biết rõ nhất điều gì đang thực sự tìm ra thị trường cho vay phù hợp, xác định khách hàng và mục tiêu của bạn. Chúng tôi có thể cung cấp loại dữ liệu phân tích đầu cuối thay vì công nghệ. Đó là điểm khác biệt chính đối với chúng tôi. 

Tôi nghĩ điểm khác biệt thứ hai đối với chúng tôi là chúng tôi đang thực hiện một động thái cụ thể để tăng quyền truy cập vào một số loại công cụ này và cách chúng tôi định giá và những gì chúng tôi đang làm như dân chủ hóa thực sự. Vì vậy, chúng tôi đang hướng về phía trước và phát triển cơ sở của mình. 

Và điểm khác biệt thứ ba mà chúng tôi có là chúng tôi đã có sự thâm nhập dữ liệu rất, rất đáng kể với một số tổ chức cho vay. Qua đêm, giống như phần lớn các tổ chức cho vay ở Bắc Mỹ, dưới một số hình thức, sử dụng loại dữ liệu của Experian và những gì chúng tôi muốn làm là mang một bộ sản phẩm hoặc phân tích có thể truy cập và AI cho tất cả chúng. Hiện tại, tỷ lệ thâm nhập của chúng tôi trên đó là một con số thấp, chúng tôi tin rằng đó là một cơ hội rất lớn trước mắt nếu chúng tôi dân chủ hóa thành công là đưa nó vào đuôi dài của những người cho vay.

Peter: Được rồi, thú vị. Vì vậy, sau đó, bạn đang nói chuyện với khách hàng của mình, điều gì sẽ xảy ra, xem xét tất cả những điều khác nhau mà AI có thể làm, điều quan trọng nhất mà các doanh nghiệp nên sử dụng AI cho ngày hôm nay là gì?

Shri: Tôi nghĩ có lẽ câu trả lời có hai phần cho câu hỏi đó. Đầu tiên là họ nên sử dụng AI như thế nào và họ nên sử dụng nó để làm gì. Về cách lớn nhất để có được tác động, tôi nghĩ rằng một công ty nên có một cái nhìn tổng thể hơn về AI để có được tác động. Trong lịch sử, có rất nhiều người say mê một phần của AI, phần lớn là hiệu suất của AI, nhưng khi bạn nhìn vào việc tạo ra tác động từ AI một cách tổng thể hơn, chúng tôi nghĩ rằng có bốn thành phần. Không chỉ có hiệu suất AI mà thôi, tôi đã xây dựng một mô hình tốt hơn, mà còn là việc áp dụng AI, khả năng mở rộng AI và sự tin tưởng của AI để thực sự có được tác động từ AI, chỉ cần có hiệu suất AI là một dữ liệu là chưa đủ nhà khoa học nói rằng, tôi có một bằng chứng rất tốt về khái niệm. Bạn phải suy nghĩ xem có thể được nhúng vào quy trình làm việc để cho phép khách hàng hoặc công ty đưa ra quyết định tốt hơn không, nó có trên một nền tảng bền vững và có thể mở rộng và cuối cùng là nó có được khách hàng tin tưởng hay không. Bây giờ, về cơ bản đó là những gì chúng tôi nghĩ là sự cần thiết của tác động của AI. Tôi nghĩ đối với những người cho vay, trong tâm trí của tôi, tôi nghĩ điều hiển nhiên và ở một khía cạnh nào đó, cơ hội lớn nhất là sự bao gồm tài chính của chúng tôi. 

Nếu tôi nhìn vào câu chuyện kinh doanh của mình, khi tôi lớn lên ở Ấn Độ, tôi nhớ mẹ tôi là một doanh nhân, giống như có một số ý tưởng và những thứ mà bà có thể sử dụng vốn để đầu tư, nhưng bà thực sự đã không ' không có nhiều quyền tiếp cận cho vay, nhưng nếu tôi nhìn vào cốt lõi của nó như độ tin cậy cho vay hoặc khả năng vỡ nợ đối với một người như cô ấy, những gì cô ấy sẽ làm với loại vốn đó, tôi tin rằng nó là rất lớn. 

Và tôi tin rằng điều đó đúng với một số phân khúc dân số trên khắp Bắc Mỹ, nơi với ống kính phù hợp, với khuôn khổ phù hợp, tôi tin rằng đó có thể là một "chiến thắng" cho cho vay và cho khách hàng. Vì vậy, tôi tin rằng có rất nhiều tiềm năng trong việc sử dụng AI và phân tích để bao gồm tài chính.

Peter: Đúng, đúng, chắc chắn rồi. Tôi muốn hỏi về điều gì đó mà… ..Dave Girouard, Giám đốc điều hành của Upstart, rõ ràng là người tiên phong trong lĩnh vực AI trong lĩnh vực cho vay, anh ấy nói rằng tất cả việc cho vay sẽ được thực hiện bởi AI trong tương lai và tôi có vẻ như khi nói chuyện với người cho vay, có cảm giác như… ..có rất ít người cho vay thuộc bất kỳ loại hình nào chỉ nói rằng, chúng tôi không quan tâm đến việc khám phá điều này, có vẻ như cuộc trò chuyện đó đã thay đổi trong vài năm qua, nhưng tôi muốn nhận được quan điểm của bạn. Liệu tất cả các khoản cho vay có được thực hiện bởi AI và cần những gì để đạt được điều đó?

Shri: Tôi đồng ý với Dave và tôi nghĩ rằng tương lai gần như không thể tránh khỏi. Tôi nghĩ thách thức lớn nhất mà tôi tin rằng chúng tôi sẽ quản lý và vượt qua là sự tin tưởng. Dưới sự tin tưởng thì có khả năng giải thích, có sự thiên vị và công bằng và thực sự tuân theo khuôn khổ quy định. Tôi nghĩ lý do hạn hẹp khiến bạn không có nhiều người áp dụng loại AI, bạn sẽ nghe thấy điều này thường xuyên, à, có quy định và có cấu trúc, nhưng nếu tôi nhìn vào tinh thần của nó thì đại khái hơn, thực sự chủ đề bao trùm là sự tin tưởng, đúng không.

Tôi nghĩ các cơ quan quản lý cũng… .họ là những người nhạy bén, hợp lý đang tạo ra các loại… tạo ra các khuôn khổ quy định và họ thực sự… đã nói chuyện với một số cơ quan quản lý, họ khá suy nghĩ về điều này. Tôi nghĩ câu hỏi rộng hơn là xung quanh loại niềm tin và tạo ra các khuôn khổ phù hợp để đảm bảo rằng việc cho vay bằng AI là công bằng, minh bạch và đáng tin cậy hơn tất cả, nhưng tôi tin rằng chúng ta sẽ đi đến hành trình đó theo cách tương tự. Tại một số điểm, tôi tin rằng cũng không thể tránh khỏi việc phần lớn xe ô tô trên đường không có người lái.

Peter: Đúng, đúng, vâng, vâng. Chúng tôi vẫn chưa hoàn thành. Tôi cho rằng AI để lái xe hơi phức tạp hơn nhiều so với việc quyết định xem người tiêu dùng có nên vay hay không, dường như đối với tôi. 

Dù sao thì, chúng ta đã gần hết thời gian, nhưng còn một vài câu hỏi nữa. Tôi muốn nói về các xu hướng mà bạn đang thấy và dự đoán cho tương lai, ý tôi là, một số xu hướng mà bạn đang thấy ngày nay trong phân tích AI mà các nhóm thực sự nên để ý.

Shri: Tôi nghĩ một xu hướng thú vị mà bạn đang nghe một số chuyên gia trong lĩnh vực không gian nói đến là sự chuyển hướng sang thứ mà Andrew Ang, một trong những nhà tư tưởng hàng đầu trong không gian, gọi là AI lấy dữ liệu làm trung tâm. Về cốt lõi của nó, các khái niệm giống như rất đơn giản và nếu bạn nhìn vào lịch sử, tiếng cười khúc khích lớn xung quanh AI giống như, này, tôi có thể tạo mạng thần kinh hoặc tăng độ dốc không và tôi có thể lấy cùng một dữ liệu không và tôi có thể lấy kết quả tốt hơn và kết quả tốt hơn. Bây giờ, cuộc đối thoại hơi chuyển sang một điểm đòn bẩy rất quan trọng khác, đó là AI tập trung vào dữ liệu mà thực tế đang nói, liệu tôi có thể lấy và tạo loại dữ liệu đào tạo phù hợp để thực sự đưa ra các quyết định tốt hơn không và điều đó mở ra một câu hỏi thú vị như khai thác nhiều nguồn dữ liệu hơn, quản lý dữ liệu và bạn có thể thực sự nhận được hiệu suất tốt hơn không. 

Có rất nhiều việc đang được thực hiện trong không gian AI trên AI lấy dữ liệu làm trung tâm về cách chuẩn bị dữ liệu, quản lý dữ liệu, trích xuất dữ liệu từ các nguồn mà trước đây đã bị loại bỏ. Vì vậy, đó là một xu hướng lớn mà chúng tôi đang thấy mà tôi nghĩ có ý nghĩa quan trọng đối với không gian chúng tôi đang ở và các tổ chức tài chính, bởi vì, về mặt lịch sử, dữ liệu có thể được sử dụng trong cho vay đã được phân định cẩn thận. Tôi nghĩ rằng sẽ có nhiều suy nghĩ hơn trong tương lai về cách mở rộng điều đó và những gì khác mà chúng tôi sẵn sàng cho phép xem xét về điều đó. Vì vậy, tôi nghĩ đó là một trong những xu hướng lớn. 

Tôi nghĩ rằng xu hướng lớn khác gần như là một xu hướng hiển nhiên là chuyển sang đám mây, nhưng trên thực tế, tôi thấy nó theo một chủ đề rộng hơn, nơi AI thực sự đang chuyển sang nhiều lĩnh vực kỹ thuật và công nghệ hơn. Trong lịch sử, khoa học dữ liệu và AI là một tập hợp những thứ mà các nhà khoa học dữ liệu đã làm và nó không hoàn toàn có hệ thống, quy trình, sự nghiêm ngặt mà loại kỹ thuật phần mềm có. Nhưng bây giờ, bạn thực sự bắt đầu thấy tất cả sự khắt khe đó xuất hiện và đặc biệt là với việc di chuyển lên đám mây, bạn đang có mười nhà khoa học dữ liệu có thể làm việc trên cùng một loại mô hình như các nhóm mô hình và cấu trúc này. 

Những vấn đề đó đang bắt đầu trở thành hiện thực và trừ khi bạn có một chuyên ngành kỹ thuật tương tự như phần mềm để có thể quản lý điều đó, bạn sẽ vướng vào một loạt các vấn đề phức tạp trong đó nhà khoa học dữ liệu một tạo ra một mô hình và nhà khoa học dữ liệu hai cố gắng đi xem xét. giống như anh ấy không chắc chắn về những gì được xây dựng dựa trên và khi bạn đưa nó vào sản xuất, nó có bị mất hay không. Vì vậy, toàn bộ lĩnh vực kỹ thuật xoay quanh khoa học dữ liệu và AI cũng là một xu hướng lớn mà chúng ta đang thấy.

Peter: Điều đó thật thú vị, tôi chưa nghe thấy điều đó, điều đó hoàn toàn hợp lý với tôi. Được rồi, vậy câu hỏi cuối cùng, khi bạn đang tìm hiểu, giả sử 2026 năm nữa, Experian sẽ sử dụng AI và phân tích nâng cao như thế nào vào tháng XNUMX năm XNUMX?

Shri: Chúng tôi đã bắt đầu một cuộc hành trình mà chúng tôi có một mô hình rộng hơn và cổ phiếu loại sản phẩm cho một nhóm quỹ nhỏ. Điều tôi hy vọng là chúng tôi đã sắp xếp thành công quy mô đầy đủ trên nền tảng dân chủ hóa đó và chúng tôi có một phần rất, rất quan trọng trong các khách hàng dữ liệu của chúng tôi, nơi chúng tôi thực sự đã mở ra quyền truy cập vào phân tích và AI và nhiều loại như vậy các kỹ thuật và mô hình tiên tiến và rộng hơn là hàng trăm, nếu không phải hàng nghìn quỹ, đó là điều tôi hy vọng. 

Điều thứ hai tôi hy vọng ở Experian là chúng tôi đang cung cấp năng lượng cho Experian với phân tích và loại AI tương tự như vậy trong toàn doanh nghiệp theo một cách rất, rất quan trọng. Chúng tôi đang bắt đầu tạo ra những bước đột phá vào điều đó tại Experian. Ngoài kinh doanh tiêu dùng và kinh doanh phân tích quyết định, chúng tôi còn có các doanh nghiệp trong không gian sức khỏe, không gian BIS và chúng tôi đang bắt đầu sử dụng AI và phân tích trong các không gian đó. Vì vậy, tôi hy vọng rằng AI và phân tích về cơ bản trở thành cốt lõi đối với loại DNA và cổ phiếu của Experian để cung cấp sức mạnh như một số sản phẩm và doanh nghiệp của chúng tôi.

Peter: Được rồi. Chà, chúng ta sẽ phải rời đi để để nó ở đó, Shri, sẽ rất thú vị khi thấy tất cả diễn ra. Tôi thực sự đánh giá cao bạn đến trong chương trình ngày hôm nay.

Shri: Cảm ơn bạn rất nhiều, Peter, cảm ơn bạn đã có tôi.

Peter: Tất nhiên, được rồi, hẹn gặp lại.

Được rồi, bạn biết đấy, tôi không phải là nhà khoa học dữ liệu, nhưng tôi đã nói chuyện với rất nhiều người cho vay và điều khiến tôi ngạc nhiên là tôi không biết bất kỳ người cho vay nào đã thử nghiệm mô hình AI và thực hiện nó một cách nghiêm túc và sau đó nói, bạn biết không, nó không tốt, không tốt như những gì chúng ta đã làm trước đây, tôi nghĩ chúng ta sẽ quay lại những gì chúng ta đã làm trước đây. Điều đó không xảy ra và nó khiến tôi nhận ra rằng như Shri đã nói ở đó, không thể tránh khỏi việc chúng ta sẽ có phong trào này, nó sẽ tiếp tục. 

Không, điều đó không có nghĩa là tất cả mọi người trong khoảng thời gian thậm chí là 15 hoặc XNUMX năm nữa sẽ sử dụng các mô hình AI, nhưng đó là hướng mà chúng tôi đang hướng tới. Tôi không biết liệu có phải là năm năm, mười năm, XNUMX năm nữa hay không, nhưng sẽ sớm không còn ai sử dụng các mô hình truyền thống cũ này nữa vì AI sẽ tiếp quản. Đó là dự đoán của tôi, dù sao.

Trên ghi chú đó, tôi sẽ ký tắt. Tôi rất cảm kích bạn đã lắng nghe và tôi sẽ nắm bắt được bạn vào lần sau. Tạm biệt.

(âm nhạc)

Peter Renton là chủ tịch và đồng sáng lập của LendIt Fintech, công ty tổ chức sự kiện và truyền thông kỹ thuật số đầu tiên và lớn nhất thế giới tập trung vào lĩnh vực fintech.

LendIt Fintech tổ chức ba hội nghị mỗi năm cho các thị trường fintech hàng đầu của Mỹ, Châu Âu và Châu Mỹ Latinh. LendIt cũng cung cấp nội dung tiên tiến suốt cả năm qua các kênh âm thanh, video và văn bản.

Peter đã viết về fintech từ năm 2010 và anh ấy là tác giả và người tạo ra Fintech One-on-One Podcast, loạt bài phỏng vấn fintech đầu tiên và dài nhất.

Peter đã được phỏng vấn bởi Wall Street Journal, Bloomberg, The New York Times, CNBC, CNN, Fortune, NPR, Fox Business News, Financial Times và hàng chục ấn phẩm khác.

PlatoAi. Web3 được mô phỏng lại. Khuếch đại dữ liệu thông minh.
Nhấn vào đây để truy cập.

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