Reduzierung von Bias bei der Kreditwürdigkeitsprüfung mit generativer KI
Die Kreditwürdigkeitsprüfung spielt eine entscheidende Rolle bei der Entscheidung, wer Zugang zu einem Kredit erhält und zu welchen Konditionen. Trotz ihrer Bedeutung werden herkömmliche Kreditbewertungssysteme seit langem von einer Reihe kritischer Probleme geplagt, die von Verzerrungen und Diskriminierung bis hin zur begrenzten Berücksichtigung von Daten und Problemen bei der Skalierbarkeit reichen. So hat
eine Studie über US-Kredite
gezeigt, dass Kreditnehmer, die einer Minderheit angehören, höhere Zinssätze zahlen mussten (+8 %) und Kredite häufiger abgelehnt wurden (+14 %) als Kreditnehmer aus privilegierteren Gruppen.
Die starre Natur der Kreditsysteme bedeutet, dass sie sich nur langsam an die sich verändernden wirtschaftlichen Gegebenheiten und das sich verändernde Verbraucherverhalten anpassen können, so dass einige Personen nicht ausreichend berücksichtigt und übersehen werden. Um dieses Problem zu lösen, setzen Banken und andere Kreditgeber auf künstliche Intelligenz, um immer ausgefeiltere Modelle zur Bewertung des Kreditrisikos zu entwickeln.
In diesem Artikel befassen wir uns mit den Grundlagen der Kreditwürdigkeitsprüfung, den Herausforderungen aktueller Systeme und der Frage, wie
künstliche Intelligenz
(KI), insbesondere generative KI (genAI), genutzt werden kann, um Verzerrungen zu verringern und die Genauigkeit zu verbessern. Von der Einbeziehung alternativer Datenquellen bis hin zur Entwicklung von Modellen des maschinellen Lernens (ML) werden wir das transformative Potenzial der KI bei der Neugestaltung der Zukunft der Kreditwürdigkeitsprüfung aufdecken.
Auf unserer
KI-Ressourcenseite
erfahren Sie mehr über die Entwicklung von KI-gestützten Apps mit MongoDB.
Was ist eine Kreditwürdigkeitsprüfung?
Die Kreditwürdigkeitsprüfung ist ein integraler Bestandteil der Finanzlandschaft und dient als numerischer Maßstab für die Kreditwürdigkeit einer Person. Diese wichtige Kennzahl wird von Kreditgebern verwendet, um das potenzielle Risiko zu bewerten, das mit der Vergabe von Krediten oder Darlehen an Privatpersonen oder Unternehmen verbunden ist.
Traditionell verlassen sich Banken auf vordefinierte Regeln und statistische Modelle, die oft auf linearer oder logistischer Regression basieren. Die Modelle basieren auf historischen Kreditdaten und konzentrieren sich auf Faktoren wie Zahlungsverhalten, Kreditnutzung und Länge der Kredithistorie.
Die Beurteilung neuer Kreditantragsteller stellt jedoch eine Herausforderung dar, sodass eine genauere Profilerstellung erforderlich ist. Um den traditionell diskriminierten unter- oder unversorgten Segmenten entgegenzukommen, integrieren Fintechs und digitale Banken zunehmend Informationen, die über die traditionelle Kredithistorie hinausgehen, mit alternativen Daten, um einen umfassenderen Überblick über das Finanzverhalten einer Person zu erhalten.
Herausforderungen bei der traditionellen Kreditwürdigkeitsprüfung
Bonitätsbewertungen sind aus dem modernen Leben nicht mehr wegzudenken, denn sie sind ein entscheidender Faktor bei verschiedenen Finanztransaktionen, z. B. bei der Sicherung von Krediten, der Anmietung einer Wohnung, dem Abschluss einer Versicherung und manchmal sogar bei der Einstellungsprüfung. Da das Bemühen um eine Kreditvergabe eine verworrene Angelegenheit sein kann, finden Sie hier einige der Herausforderungen oder Einschränkungen bei den traditionellen Kreditbewertungsmodellen, die oft den Weg zur Genehmigung eines Kreditantrags verstellen.
Begrenzte Kredithistorie:
Viele Personen, insbesondere diejenigen, die neu im Kreditgeschäft sind, stoßen auf eine große Hürde – eine begrenzte oder nicht vorhandene Kredithistorie. Herkömmliche Kreditbewertungsmodelle stützen sich stark auf das Kreditverhalten in der Vergangenheit, sodass es für Personen ohne eine solide Kredithistorie schwierig ist, ihre Kreditwürdigkeit nachzuweisen. Etwa
45 Millionen Amerikaner
verfügen nicht über einen Kreditscore, weil es diese Daten für sie nicht gibt.
Unregelmäßiges Einkommen:
Unregelmäßiges Einkommen, typischerweise in Form von Teilzeitarbeit oder Freiberuflichkeit, stellt eine Herausforderung für herkömmliche Kreditwürdigkeitsmodelle dar und kann dazu führen, dass Personen als höheres Risiko eingestuft werden und Anträge abgelehnt oder Kreditlimits eingeschränkt werden.
Im Jahr 2023 gibt es in den Vereinigten Staaten unterschiedliche
Datenquellen darüber, wie viele Menschen selbständig sind. Aus einer Quelle geht hervor, dass mehr als 27 Millionen Amerikaner Steuerunterlagen nach „Schedule C“ eingereicht haben, die das Nettoeinkommen oder den Verlust aus einem Unternehmen abdecken – was die Notwendigkeit anderer Methoden der Kreditwürdigkeitsprüfung für Selbständige unterstreicht.
Hohe Inanspruchnahme bestehender Kredite:
Eine starke Inanspruchnahme bestehender Kredite wird oft als Zeichen einer potenziellen finanziellen Belastung wahrgenommen und beeinflusst die Kreditentscheidungen. Es kann vorkommen, dass Kreditanträge abgelehnt oder zu ungünstigeren Konditionen bewilligt werden, weil man Bedenken hat, ob der Antragsteller in der Lage ist, zusätzliche Kredite vernünftig zu verwalten.
Mangelnde Klarheit bei den Ablehnungsgründen:
Die Gründe für Ablehnungen zu verstehen, hindert die Antragsteller daran, die eigentlichen Ursachen anzugehen. Eine Studie aus dem
Vereinigten Königreich, die zwischen April 2022 und April 2023
durchgeführt wurde, ergab, dass zu den Hauptgründen für eine Ablehnung „schlechte Kreditvergangenheit“ (38 %), „konnte sich die Rückzahlungen nicht leisten“ (28 %) und „zu viele andere Kredite“ (19 %) gehörten. 10 % gaben an, dass ihnen die Gründe nicht mitgeteilt wurden. Die Gründe, selbst wenn sie angegeben werden, sind oft zu vage, sodass die Antragsteller im Unklaren gelassen werden, was es ihnen erschwert, die Ursache zu beseitigen und ihre Kreditwürdigkeit für zukünftige Anträge zu verbessern. Der Mangel an Transparenz ist nicht nur ein Ärgernis für die Kunden, er kann auch zu einer Strafe für die Banken führen. So wurde zum Beispiel eine Berliner Bank im Jahr
2023 zu einer Geldstrafe von 300.000 Euro verurteilt
, weil sie einen Kreditkartenantrag abgelehnt hatte und es dabei an Transparenz mangelte.
Mangel an Flexibilität:
Das veränderte Verbraucherverhalten, insbesondere bei den jüngeren Generationen, die digitale Transaktionen bevorzugen, stellt traditionelle Modelle in Frage. Faktoren wie das Aufkommen der Gig-Economy, nicht-traditionelle Beschäftigungsverhältnisse, Schulden für Studiendarlehen und hohe Lebenshaltungskosten erschweren die Beurteilung der Einkommensstabilität und finanziellen Situation. Herkömmliche Kreditrisikovorhersagen sind bei beispiellosen Störungen wie COVID-19 nur begrenzt möglich, da dies in den Bewertungsmodellen nicht berücksichtigt wird.
Diese Herausforderungen unterstreichen den Bedarf an alternativen Kreditbewertungsmodellen, die sich an das sich verändernde Finanzverhalten anpassen, mit nicht-traditionellen Datenquellen umgehen können und eine umfassendere und genauere Bewertung der Kreditwürdigkeit in der dynamischen Finanzlandschaft von heute ermöglichen.
Kreditwürdigkeitsprüfung mit alternativen Daten
Die alternative Kreditwürdigkeitsprüfung bezieht sich auf die Verwendung von nicht-traditionellen Datenquellen (auch bekannt als alternative Daten) und Methoden zur Bewertung der Kreditwürdigkeit einer Person. Während sich die traditionelle Kreditwürdigkeitsprüfung stark auf die Kredithistorie der großen Kreditbüros stützt, bezieht die alternative Kreditwürdigkeitsprüfung eine breitere Palette von Faktoren ein, um ein umfassenderes Bild des Finanzverhaltens einer Person zu erstellen. Im Folgenden sind einige der beliebtesten alternativen Datenquellen aufgeführt:
Zahlungen für Versorgungsleistungen:
Abgesehen von der Kredithistorie sind regelmäßige Zahlungen für Versorgungsleistungen wie Strom und Wasser ein aussagekräftiger Indikator für finanzielles Verantwortungsbewusstsein und ein Zeichen dafür, dass Sie Ihren finanziellen Verpflichtungen nachkommen, was entscheidende Einblicke über die traditionellen Kennzahlen hinaus ermöglicht.
Miethistorie:
Für Personen ohne Hypothek erweist sich der Zahlungsverlauf von Mieten als eine wichtige alternative Datenquelle. Der Nachweis konsistenter und pünktlicher Mietzahlungen vermittelt ein umfassendes Bild von finanzieller Disziplin und Zuverlässigkeit.
Nutzungsmuster von Mobiltelefonen:
Die Allgegenwart von Mobiltelefonen erschließt eine Fülle alternativer Daten. Die Analyse von Anruf- und Textmustern bietet Einblicke in das Netzwerk, die Stabilität und die sozialen Verbindungen einer Person und liefert damit wertvolle Informationen für die Bonitätsbewertung.
Online-Kaufverhalten:
Die Untersuchung der Häufigkeit, Art und Höhe der Ausgaben für Online-Einkäufe bietet wertvolle Einblicke in das Ausgabeverhalten und trägt zu einem differenzierteren Verständnis der finanziellen Gewohnheiten bei.
Bildungs- und Beschäftigungshintergrund:
Die alternative Kreditwürdigkeitsprüfung berücksichtigt den Bildungs- und Beschäftigungsverlauf einer Person. Positive Indikatoren, wie z. B. Bildungsabschlüsse und stabile Beschäftigungsverhältnisse, spielen eine entscheidende Rolle bei der Bewertung der finanziellen Stabilität.
Diese alternativen Datenquellen stellen eine Verlagerung hin zu einem umfassenderen, nuancierteren und ganzheitlicheren Ansatz für Bonitätsbewertungen dar. Da die Finanztechnologie immer weiter voranschreitet, gewährleistet die Nutzung dieser alternativen Datensätze eine umfassendere Bewertung der Kreditwürdigkeit und stellt einen entscheidenden Schritt in der Entwicklung von Kreditbewertungsmodellen dar.
Alternative Kreditwürdigkeitsprüfung mit künstlicher Intelligenz
Neben der Verwendung alternativer Daten hat sich der Einsatz von KI als alternative Methode aus einer Reihe von Gründen als transformative Kraft erwiesen, um die Herausforderungen der traditionellen Kreditwürdigkeitsprüfung zu bewältigen:
Fähigkeit zur Abschwächung von Bias:
Wie herkömmliche statistische Modelle werden auch KI-Modelle, einschließlich LLMs (Large Language Models), die auf historischen Daten trainiert wurden, die einen Bias aufweisen, diesen vererben, was zu diskriminierenden Ergebnissen führt. LLMs konzentrieren sich möglicherweise mehr auf bestimmte Merkmale als auf andere oder sind nicht in der Lage, den breiteren Kontext der finanziellen Situation einer Person zu verstehen, was zu voreingenommenen Entscheidungen führt. Es gibt jedoch verschiedene Techniken, um den Bias von KI-gestützten Modellen abzumildern:
Strategien zur Eindämmung:
Die Initiativen beginnen mit der Verwendung vielfältiger und repräsentativer Trainingsdaten, um zu vermeiden, dass ein bestehender Bias verstärkt wird. Unzureichende oder unwirksame Strategien zur Risikominderung können dazu führen, dass KI-Kreditbewertungsmodelle weiterhin verzerrte Ergebnisse liefern. Eine sorgfältige Auswahl der gesammelten Daten und die Entwicklung des Modells sind entscheidend, um diesen Bias abzuschwächen. Die Einbeziehung alternativer Daten für die Kreditwürdigkeitsprüfung spielt eine entscheidende Rolle bei der Reduzierung von Bias.
Strenge Tools zur Bias-Erkennung, Fairness-Einschränkungen und Regularisierungstechniken während des Trainings verbessern die Verantwortlichkeit des Modells:
Die ausgewogene Darstellung von Merkmalen und der Einsatz von Nachbearbeitungstechniken und speziellen Algorithmen tragen zur Bias-Minderung bei. Eine umfassende Modellbewertung, kontinuierliche Überwachung und iterative Verbesserung in Verbindung mit der Einhaltung ethischer Richtlinien und Governance-Praktiken vervollständigen einen vielschichtigen Ansatz zur Reduzierung von Bias in KI-Modellen. Dies ist besonders wichtig, um Bedenken hinsichtlich möglicher demographischer oder sozioökonomischer Unausgewogenheiten in historischen Kreditdaten auszuräumen.
Regelmäßige Bias-Audits:
Führen Sie regelmäßige Audits durch, um Bias in LLMs zu erkennen und zu mildern. Dies kann die Analyse der Modellergebnisse auf Unterschiede zwischen demografischen Gruppen und die entsprechende Anpassung der Algorithmen umfassen.
Transparenz und Erklärbarkeit:
Erhöhen Sie die Transparenz und Erklärbarkeit in LLMs, um zu verstehen, wie Entscheidungen getroffen werden. Dies kann dazu beitragen, voreingenommene Entscheidungsprozesse zu erkennen und anzugehen.
Trade Ledger,
ein Software-as-a-Service (SaaS)-Tool für die Kreditvergabe, verwendet einen datengesteuerten Ansatz, um fundierte Entscheidungen mit größerer Transparenz und Rückverfolgbarkeit zu treffen, indem Daten aus mehreren Quellen mit unterschiedlichen Schemata in einer einzigen Datenquelle zusammengeführt werden.
Fähigkeit, große und vielfältige Datensätze zu analysieren:
Im Gegensatz zu herkömmlichen Modellen, die sich auf vordefinierte Regeln und historische Kreditdaten stützen, können KI-Modelle eine Vielzahl von Informationen, einschließlich nicht-traditioneller Datenquellen, verarbeiten, um eine umfassendere Bewertung der Kreditwürdigkeit einer Person zu erstellen und sicherzustellen, dass ein breiteres Spektrum an finanziellen Verhaltensweisen berücksichtigt wird.
AI bringt eine beispiellose Anpassungsfähigkeit mit sich:
Wenn sich die wirtschaftlichen Bedingungen ändern und das Verbraucherverhalten sich weiterentwickelt, können AI-gestützte Modelle sich schnell anpassen und aus neuen Daten lernen. Der Aspekt des kontinuierlichen Lernens gewährleistet, dass die Kreditwürdigkeitsprüfung angesichts der sich ständig verändernden Finanzlandschaft relevant und effektiv bleibt.
Die häufigsten Einwände von Banken gegen den Verzicht auf KI bei der Kreditbewertung sind Transparenz und Erklärbarkeit bei Kreditentscheidungen. Die inhärente Komplexität einiger KI-Modelle, insbesondere von Deep-Learning-Algorithmen, kann zu Problemen bei der Bereitstellung klarer Erklärungen für Kreditentscheidungen führen. Glücklicherweise haben sich die Transparenz und Interpretierbarkeit von KI-Modellen erheblich verbessert. Techniken wie
SHAPley Additive exPlanations (SHAP) Werte und Local Interpretable Model-Agnostic Explanations (LIME) Plots
und verschiedene andere Fortschritte im Bereich der Explainable AI (XAI) ermöglichen es uns nun zu verstehen, wie ein Modell zu bestimmten Kreditentscheidungen kommt. Dies stärkt nicht nur das Vertrauen in den Kreditbewertungsprozess, sondern richtet sich auch gegen die gängige Kritik, dass KI-Modelle „Black Boxes“ seien.
Finanzinstitute haben erkannt, wie wichtig es ist, alternative Daten zu nutzen, die oft in einem halb- oder unstrukturierten Format vorliegen. Sie arbeiten mit MongoDB, um ihre Kreditantragsprozesse durch eine schnellere, einfachere und flexiblere Methode für Zahlungen und Kreditangebote zu verbessern:
Die Amar Bank, Indonesiens führende digitale Bank
, bekämpft Vorurteile, indem sie Mikrokredite an Menschen vergibt, die von traditionellen Banken keine Finanzdienstleistungen erhalten können („unbanked and underserved“). Herkömmliche Underwriting-Prozesse waren für Kunden ohne Kredithistorie oder Sicherheiten unzureichend, so dass sie die Kreditentscheidungen durch die Nutzung unstrukturierter Daten optimiert haben. Mithilfe von MongoDB Atlas entwickelten sie ein prädiktives Analysemodell, das strukturierte und unstrukturierte Daten zur Bewertung der Kreditwürdigkeit von Kreditnehmern integriert. Die Skalierbarkeit von MongoDB und die Fähigkeit, verschiedene Datentypen zu verwalten, waren entscheidend für die Erweiterung und Optimierung des Kreditgeschäfts.
Für die große Mehrheit der Inder ist es aufgrund der strengen Vorschriften und des Mangels an Kreditdaten schwierig, einen Kredit zu bekommen. Durch den Einsatz moderner Underwriting-Systeme trägt
Slice
, ein führender Innovator im indischen Fintech-Ökosystem, dazu bei, den Zugang zu Krediten in Indien zu erweitern, indem es den KYC-Prozess für ein reibungsloseres Krediterlebnis optimiert. Durch den Einsatz von
MongoDB Atlas
in verschiedenen Anwendungsfällen, u. a. als Echtzeitspeicher für ML-Funktionen, konnte Slice den Onboarding-Prozess umgestalten und die Verarbeitungszeiten auf unter eine Minute reduzieren. Slice nutzt den Echtzeit-Feature-Store mit MongoDB und ML-Modellen zur sofortigen Berechnung von über 100 Variablen und ermöglicht so die Bestimmung der Kreditwürdigkeit in weniger als 30 Sekunden.
Die Kreditbewertung mit generativer KI transformieren
Neben der Verwendung von alternativen Daten und KI bei der Kreditwürdigkeitsprüfung hat GenAI das Potenzial, die Kreditwürdigkeitsprüfung und -bewertung zu revolutionieren, da sie in der Lage ist, synthetische Daten zu erstellen und komplizierte Muster zu verstehen, was einen nuancierteren, adaptiven und prädiktiven Ansatz ermöglicht.
Die Fähigkeit von GenAI, verschiedene Datensätze zu synthetisieren, adressiert eine der wichtigsten Einschränkungen der traditionellen Kreditwürdigkeitsprüfung – die Abhängigkeit von historischen Kreditdaten. Durch die Erstellung synthetischer Daten, die das reale Finanzverhalten widerspiegeln, ermöglichen GenAI-Modelle eine umfassendere Bewertung der Kreditwürdigkeit. Dieser Wandel fördert die finanzielle Inklusivität und öffnet einer breiteren Bevölkerungsschicht die Türen für den Zugang zu Kreditmöglichkeiten.
Anpassungsfähigkeit spielt eine entscheidende Rolle, wenn es darum geht, die Dynamik der wirtschaftlichen Bedingungen und das sich ändernde Verbraucherverhalten zu steuern. Im Gegensatz zu herkömmlichen Modellen, die sich nur schwer an unvorhergesehene Störungen anpassen können, sorgt die Fähigkeit von GenAI, kontinuierlich zu lernen und sich anzupassen, dafür, dass die Kreditwürdigkeitsprüfung in Echtzeit effektiv bleibt und ein belastbareres und reaktionsfähigeres Instrument zur Bewertung des Kreditrisikos bietet. Zusätzlich zu ihren Vorhersagefähigkeiten kann GenAI zu Transparenz und Interpretierbarkeit bei der Kreditwürdigkeitsprüfung beitragen. Modelle können Erklärungen für ihre Entscheidungen liefern, die einen besseren Einblick in die Kreditwürdigkeitsprüfung ermöglichen und das Vertrauen zwischen Verbrauchern, Regulierungsbehörden und Finanzinstituten stärken.
Ein Hauptproblem bei der Verwendung von GenAI ist jedoch das Problem der Halluzinationen, bei denen das Modell Informationen präsentieren kann, die entweder unsinnig oder schlichtweg falsch sind. Es gibt verschiedene Techniken, um dieses Risiko zu mindern. Eine davon ist der RAG-Ansatz (
Retrieval Augment Generation
). RAG minimiert Halluzinationen, indem es die Antworten des Modells auf sachliche Informationen aus aktuellen Quellen stützt und so sicherstellt, dass die Antworten des Modells die aktuellsten und genauesten verfügbaren Informationen widerspiegeln.
Patronus AI
beispielsweise nutzt
RAG mit MongoDB Atlas
, um Ingenieuren die Möglichkeit zu geben, die Leistung großer Sprachmodelle (LLMs) in realen Szenarien zu bewerten und zu benchmarken, gegnerische Testfälle in großem Umfang zu generieren und Halluzinationen und anderes unerwartetes und unsicheres Verhalten zu überwachen. Dies kann dazu beitragen, LLM-Fehler in großem Umfang zu erkennen und KI-Produkte sicher und vertrauensvoll einzusetzen.
Ein weiterer Technologiepartner von MongoDB ist
Robust Intelligence
. Die
KI-Firewall
dieses Unternehmens schützt LLMs in der Produktion, indem sie Eingaben und Ausgaben in Echtzeit validiert. Es bewertet und mindert operationelle Risiken wie Halluzinationen, ethische Risiken wie Modellverzerrungen und toxische Ergebnisse sowie Sicherheitsrisiken wie Sofortinjektionen und -extraktionen personenbezogener Daten (Personal Identifiable Information, PII).
Da die generative KI immer weiter reift, verspricht ihre Integration in die Kreditwürdigkeitsprüfung und die breiteren Kreditantragssysteme nicht nur einen technologischen Fortschritt, sondern einen grundlegenden Wandel in der Art und Weise, wie wir Kredite bewerten und vergeben.
Ein entscheidender Moment in der Geschichte des Kredits
Die Konvergenz von alternativen Daten, künstlicher Intelligenz und generativer KI verändert die Grundlagen der Kreditwürdigkeitsprüfung und markiert einen entscheidenden Moment in der Finanzbranche. Die Herausforderungen traditioneller Modelle werden durch die Einführung alternativer Kreditbewertungsmethoden überwunden, die eine umfassendere und nuanciertere Bewertung bieten. Generative KI stellt zwar die potenzielle Herausforderung der Halluzination dar, ist aber ein Vorreiter der Innovation. Sie revolutioniert nicht nur die technologischen Möglichkeiten, sondern definiert auch die Art und Weise, wie Kredite bewertet werden, grundlegend neu und fördert so eine neue Ära der finanziellen Inklusivität, Effizienz und Fairness.
Wenn Sie mehr über die Erstellung von KI-angereicherten Anwendungen mit MongoDB erfahren möchten, werfen Sie einen Blick auf die folgenden Ressourcen:
Digitalisierung des Kredit- und Leasinggeschäfts mit MongoDB
Versehen Sie KI-gestützte Apps
mit den richtigen Sicherheitskontrollen und in der Größe und Leistung, die vom Benutzer erwartet wird
Entdecken Sie, wie Slice für Millionen von Menschen eine Kreditgenehmigung in weniger als einer Minute ermöglicht
February 20, 2024