Adatgazdagítás kulcsa az AI-modellek pontosságának növeléséhez a Fintechben

Az adatgazdagítás, a belső adatok külső forrásokból származó releváns, kontextuális adatokkal való kiegészítésének folyamata kritikus fontosságú azon pénzügyi szolgáltató vállalatok számára, amelyek a legtöbbet szeretnék kihozni mesterséges intelligenciába (AI) történő befektetéseikből, lehetővé téve számukra, hogy pontosabb prediktív modelleket és javítja a döntéshozatalt, mondja a Mobilewalla, a szingapúri fogyasztói intelligencia megoldások szolgáltatója.

egy új lap A prediktív modellezés pontosságának javítása a fintechek számára adatközpontú mesterségesintelligencia segítségével a cég azt vizsgálja, hogy az adatok minősége, szélessége és mélysége miért kulcsfontosságú a vállalkozások számára a pontos prediktív modellek felépítéséhez, és hogy az adatok gazdagítása és a funkciótervezés milyen előnyökkel jár a mesterséges intelligencia számára a fintechben.

A cikk szerint míg az MI-vel kapcsolatos figyelem nagy része az összetett ML technikákra és az algoritmuskód finomítására összpontosul, a pénzügyi szolgáltatók számára kritikus fontosságú, hogy ne feledjék, hogy az algoritmusok betanításához felhasznált adatok még nagyobb hatást gyakorolhatnak a modellezés pontosságának előrejelzésére.

A lap a hitelminősítést olyan felhasználási esetként említi, amikor a közvetlenül a kérelmezőktől gyűjtött információk gyakran nem elegendőek a valószínűleg nem teljesítők kiszűréséhez és a csalások megelőzéséhez. Ehelyett a kérelmezőktől gyűjtött adatokat olyan további információkkal kell gazdagítani, mint a hely, a demográfiai és viselkedési minták stb., hogy pontosabb hitelminősítést lehessen végezni – írja a lap.

Ezek a kijelentések megegyeznek a Mobilewalla alapítója, vezérigazgatója és elnöke, Anindya Datta év elején tett kijelentéseivel. A Fintech Fireside Asia panelbeszélgetés során, amelynek házigazdája a Fintech News Singapore, Anindya mondott hogy bár egyes információk, például a háztartás jellemzői és az alkalmazások elköteleződése értéktelennek tűnhetnek az egyén nemteljesítési hajlamának felmérése során, valójában előre jelzik a kölcsön nemteljesítésének valószínűségét.

Több mint tucatnyi „vásároljon most, fizessen később” (BNPL) játékos a Mobilewalla adataira támaszkodik a fogyasztók nemteljesítési kockázatának felmérésében, valamint az adósságbehajtási folyamatban – mondta, megjegyezve, hogy növekedésük és sikerük részben abból fakad, hogy képesek kihasználni alternatív adatok a kockázat felmérésére, végső soron a hitelhez való hozzáférés kiterjesztése a hagyományos hiteladatokkal nem rendelkezőkre.

kép a Freepik-en keresztül

A Mobilewalla, a fogyasztói intelligencia piacvezető vállalata gazdag adatkészletet gyűjt, tisztít és dolgoz fel, amelyet aztán a vállalatok felhasználhatnak ügyfeleik jobb megértésére. A pénzügyi szektorban a vállalat olyan partnerekkel dolgozott együtt, mint a Kredivo, Indonézia legjobb BNPL márkája, lehetővé téve számukra, hogy megfelelőbben szegmentálják ügyfeleiket, személyre szabják az ügyfélélményt és keresztértékesítsék más digitális megoldásokat az akvizíció után.

A harmadik féltől származó adatok és adatgazdagítási technikák iránti növekvő kereslet a pénzügyi szektorban a mesterséges intelligencia iparági elterjedésének köszönhető.

Kiemelt kép jóváírása: Freepikből szerkesztve itt és a itt