Збагачення даних — ключ до підвищення точності моделей штучного інтелекту у фінтех

Збагачення даних, процес покращення внутрішніх даних релевантними, контекстними даними, отриманими із зовнішніх джерел, має вирішальне значення для компаній, що надають фінансові послуги, які прагнуть отримати максимальну віддачу від своїх інвестицій у штучний інтелект (ШІ), дозволяючи їм створювати точніші прогнозні моделі та покращити процес прийняття рішень, каже Mobilewalla, сінгапурський постачальник рішень споживчої інформації.

В новий папір Під назвою «Покращення точності прогнозного моделювання для фінтех-компаній за допомогою штучного інтелекту, орієнтованого на дані», компанія досліджує, чому якість, ширина та глибина даних є вирішальними для компаній для створення точних прогнозних моделей, а також як збагачення даних та розробка функцій приносять користь ШІ у фінтех.

Згідно з документом, хоча більшість уваги, пов’язаної з ШІ, зосереджено на складних методах машинного навчання та вдосконаленні коду алгоритму, для постачальників фінансових послуг важливо пам’ятати, що дані, які використовуються для навчання алгоритмів, можуть бути навіть більш впливовими для прогнозування точності моделювання.

У статті згадується кредитний рейтинг як випадок використання, коли інформації, зібраної безпосередньо від заявників, часто недостатньо для відфільтрування ймовірних неплатників і запобігання шахрайству. Натомість дані, зібрані від заявників, повинні бути збагачені додатковою інформацією, як-от місцезнаходження, демографічні показники та моделі поведінки тощо, щоб забезпечити більш точну кредитну оцінку, йдеться в документі.

Ці заяви перегукуються із заявами, зробленими на початку цього року засновником, генеральним директором і головою правління Mobilewalla Аніндією Даттою. Під час панельної дискусії Fintech Fireside Asia, організованої Fintech News Singapore, Anindya сказав хоча деяка інформація, як-от характеристики домогосподарства та залученість додатків, може здаватися марною для оцінки схильності до дефолту, насправді вона є прогнозною ймовірністю дефолту за кредитом.

Понад десяток гравців «купуй зараз, плати пізніше» (BNPL) покладаються на дані Mobilewalla для оцінки ризику дефолту споживачів, а також у процесі стягнення боргів, сказав він, зазначивши, що їхній ріст і успіх частково зумовлені їхньою здатністю використовувати альтернативні дані для оцінки ризику, що зрештою розширює доступ до кредиту для тих, хто не має традиційних кредитних даних.

зображення через Freepik

Mobilewalla, лідер у розвідці споживачів, збирає, очищає та обробляє багатий набір даних, який потім може використовуватися підприємствами для кращого розуміння своїх клієнтів. У фінансовому секторі компанія співпрацювала з Kredivo, провідним індонезійським брендом BNPL, що дозволило їм більш правильно сегментувати своїх клієнтів, адаптувати клієнтський досвід і продавати інші цифрові рішення після придбання.

Зростання попиту на сторонні дані та методи збагачення даних у фінансовому секторі відбувається на тлі бурхливого впровадження штучного інтелекту в галузі.

Рекомендовані зображення: відредаговано з Freepik тут та тут