Κλειδί εμπλουτισμού δεδομένων για τη βελτίωση της ακρίβειας των μοντέλων AI στο Fintech

Ο εμπλουτισμός δεδομένων, η διαδικασία ενίσχυσης εσωτερικών δεδομένων με σχετικά δεδομένα που λαμβάνονται από εξωτερικές πηγές, είναι κρίσιμης σημασίας για τις εταιρείες χρηματοοικονομικών υπηρεσιών που θέλουν να αξιοποιήσουν στο έπακρο τις επενδύσεις τους στην τεχνητή νοημοσύνη (AI), επιτρέποντάς τους να δημιουργήσουν πιο ακριβή μοντέλα πρόβλεψης και βελτιώστε τη λήψη αποφάσεων, λέει η Mobilewalla, ένας πάροχος λύσεων ευφυΐας καταναλωτών με έδρα τη Σιγκαπούρη.

Σε νέο χαρτί με τίτλο Improving Predictive Modeling Accuracy for Fintechs with Data-Centric AI, η εταιρεία διερευνά γιατί η ποιότητα, το εύρος και το βάθος των δεδομένων είναι ζωτικής σημασίας για τις επιχειρήσεις να δημιουργήσουν ακριβή μοντέλα πρόβλεψης και πώς ο εμπλουτισμός δεδομένων και η μηχανική χαρακτηριστικών ωφελούν την τεχνητή νοημοσύνη στο fintech.

Σύμφωνα με το έγγραφο, ενώ η πλειονότητα της προσοχής που σχετίζεται με την τεχνητή νοημοσύνη επικεντρώνεται σε πολύπλοκες τεχνικές ML και τον καθαρισμό του κώδικα αλγορίθμων, είναι κρίσιμο για τους παρόχους χρηματοοικονομικών υπηρεσιών να θυμούνται ότι τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση αλγορίθμων μπορούν να είναι ακόμη πιο σημαντικά για την πρόβλεψη της ακρίβειας μοντελοποίησης.

Η εφημερίδα αναφέρει την αξιολόγηση πιστοληπτικής ικανότητας ως περίπτωση χρήσης όπου οι πληροφορίες που συλλέγονται απευθείας από τους αιτούντες είναι συχνά ανεπαρκείς για να φιλτράρουν πιθανούς κακοπληρωτές και να αποτρέψουν την απάτη. Αντίθετα, τα δεδομένα που συλλέγονται από τους αιτούντες θα πρέπει να εμπλουτίζονται με πρόσθετες πληροφορίες όπως η τοποθεσία, τα δημογραφικά στοιχεία και τα πρότυπα συμπεριφοράς και πολλά άλλα, για να καταστεί δυνατή μια πιο ακριβής αξιολόγηση της πιστοληπτικής ικανότητας, λέει η εφημερίδα.

Αυτές οι δηλώσεις απηχούν εκείνες που έγιναν νωρίτερα φέτος από τον ιδρυτή, διευθύνοντα σύμβουλο και πρόεδρο της Mobilewalla, Anindya Datta. Κατά τη διάρκεια μιας συζήτησης πάνελ Fintech Fireside Asia που φιλοξενήθηκε από το Fintech News Singapore, ο Anindya είπε ότι ενώ ορισμένες πληροφορίες, όπως τα χαρακτηριστικά του νοικοκυριού και η δέσμευση εφαρμογών, μπορεί να φαίνονται άχρηστες για την αξιολόγηση της τάσης κάποιου για χρεοκοπία, στην πραγματικότητα είναι προγνωστικές για την πιθανότητα αθέτησης του δανείου.

Περισσότεροι από δώδεκα παίκτες buy now, pay later (BNPL) βασίζονται στα δεδομένα της Mobilewalla για την αξιολόγηση του κινδύνου αθέτησης των καταναλωτών, καθώς και στη διαδικασία είσπραξης χρεών, είπε, σημειώνοντας ότι η ανάπτυξή και η επιτυχία τους προέρχονται εν μέρει από την ικανότητά τους να κάνουν χρήση του εναλλακτικά δεδομένα για την αξιολόγηση του κινδύνου, επεκτείνοντας τελικά την πρόσβαση σε πιστώσεις σε όσους δεν διαθέτουν παραδοσιακά πιστωτικά δεδομένα.

εικόνα μέσω Freepik

Η Mobilewalla, ηγέτης στην ευφυΐα των καταναλωτών, συλλέγει, καθαρίζει και επεξεργάζεται ένα πλούσιο σύνολο δεδομένων, το οποίο στη συνέχεια μπορεί να χρησιμοποιηθεί από τις επιχειρήσεις για την καλύτερη κατανόηση των πελατών τους. Στον χρηματοοικονομικό τομέα, η εταιρεία έχει συνεργαστεί με εταιρείες όπως η Kredivo, η κορυφαία επωνυμία BNPL της Ινδονησίας, επιτρέποντάς τους να τμηματοποιούν τους πελάτες τους καταλληλότερα, να προσαρμόζουν την εμπειρία των πελατών και να κάνουν cross-selling άλλες ψηφιακές λύσεις μετά την απόκτηση.

Η αυξανόμενη ζήτηση για δεδομένα τρίτων και τεχνικές εμπλουτισμού δεδομένων στον χρηματοοικονομικό τομέα οφείλεται στην άνθηση της υιοθέτησης της τεχνητής νοημοσύνης στον κλάδο.

Επιλεγμένη πίστωση εικόνας: Επεξεργάστηκε από το Freepik εδώ και εδώ