دانلود ترجمه مقاله کاربرد هوش مصنوعی در تحلیل اعتباری بانک

نتیجه‌گیری:
رویکردهای سنتی برای تحلیل اعتباری در بانکداری، ترکیبی از انواع پیش پردازش داده‌ها و رویکردهای آماری پارامتری هستند که عملکرد قابل اعتمادی ارائه می‌دهند، به عنوان مثال، امتیازدهی رگرسیون لجستیک. اگر حجم داده‌ها ثابت نگه داشته شود، الگوریتم‌های هوش مصنوعی تنها دستاوردهای عملکردی حاشیه‌ای را در کنار برخی از دستاوردهای بهره‌وری به دلیل روش‌های عملیاتی خود ارائه می‌دهند. با این حال، با معرفی هوش مصنوعی، مبنای داده‌ها بدون تغییر باقی نمی‌ماند. این به این دلیل است که تکنیک‌های هوش مصنوعی امکان بسیج منابع جدید اطلاعات، معروف به کلان داده را فراهم می‌کنند، که به دلیل اندازه آنها نمی‌توانستند در مدل‌های سنتی مدیریت ریسک اعتباری ادغام شوند. این منابع جدید اطلاعات که توسط هوش مصنوعی بسیج شده‌اند، امکان ثبت سیگنال‌های ضعیف را فراهم می‌کنند - چه در قالب تعاملات یا غیرخطی‌ها - که، بدون اینکه همیشه دلیل آن را بدانیم، به نظر می‌رسد ارزیابی اعتبار مشتری را بهبود می‌بخشند. به طور اساسی‌تر، این دستاوردهای پیش‌بینی جمعی گاهی اوقات در سطح اقتصاد خرد به دستاوردهای فردی تبدیل می‌شوند، برای مثال، با بهبود شمول مالی و دسترسی به اعتبار برای آسیب‌پذیرترین وام‌گیرندگان. در عین حال، این منابع جدید داده می‌توانند منجر به سوگیری‌های زیادی شوند که سوالات اخلاقی، قانونی و نظارتی را برمی‌انگیزند - حتی بدون اینکه بانک‌ها متوجه شوند. این فرصت‌های نوظهور و خطرات مرتبط با آنها، مستلزم اجرای نسل جدیدی از مقررات مالی هستند که قوانین حقوقی مربوط به مسئولیت بانک را اصلاح کرده و اشکال گواهی‌نامه‌ای را برای الگوریتم‌های هوش مصنوعی و داده‌های مورد استفاده توسط بانک‌ها معرفی کنند.

Conclusion:
Traditional approaches to credit analysis in banking combine a variety of data pre-processing and parametric statistical approaches that offer reliable performance, e.g., logistic regression scoring. If the mass of data is held constant, AI algorithms only offer marginal performance gains, alongside some productivity gains because of their operating methods. However, with the introduction of AI the basis of data does not remain unchanged. This is because AI techniques make it possible to mobilise new sources of information, known as big data, which could not have been integrated into traditional credit risk management models, due to their size. These new sources of information mobilised by AI make it feasible to capture weak signals—whether in the form of interactions or non-linearities—which, without always knowing the reason, seem improve assessment of customer creditworthiness. More fundamentally, these aggregate predictive gains sometimes translate at the microeconomic level into individual gains, for instance, by improving financial inclusion and access to credit for the most vulnerable borrowers. At the same time, these new sources of data can give rise to many biases evoking ethical, legal, and regulatory questions—even without banks noticing. These emerging opportunities, and their attendant risks, call for the implementation of a new generation of financial regulation reforming the legal rules on bank liability, and introducing forms of certification for AI algorithms and for data used by banks.