מודלי דירוג אשראי בעידן הבינה המלאכותית
כלי AI מאיצים כתיבת קוד, אימון מודלים והשוואת מדדים, אך בתחום דירוג האשראי המבחן האמיתי אינו רק דיוק. הוא שילוב של יציבות, שקיפות, יכולת הסבר ועמידה בציפיות עסקיות ורגולטוריות.
לא כל מודל חזק הוא מודל שמתאים לבנק
ההתלהבות סביב בינה מלאכותית יוצרת תחושה שמודלי סיכון אשראי עומדים להשתנות מן היסוד: כמה פרומפטים, קצת קוד שנכתב אוטומטית, טבלת מדדים, והנה מודל חדש מוכן לפריסה. בפועל, בעולם הפיננסי התמונה מורכבת בהרבה. מודל Scoring אינו רק מנוע חיזוי. הוא רכיב עסקי ורגולטורי שמחליט מי יקבל אשראי, באילו תנאים, ובאיזו רמת סיכון הארגון מוכן לשאת.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
מתודולוגיה לבניית מודל דירוג אשראי שהוצגה ב TDS מתחילה מרגרסיה לוגיסטית, תוך שימוש בכלי AI כמו Codex להאצת עבודת הפיתוח. התרומה החשובה של הגישה אינה בעצם השימוש בבינה מלאכותית, אלא בהדגשה שכלי AI צריכים לתמוך בשיקול הדעת האנליטי, לא להחליף אותו.
למה רגרסיה לוגיסטית נשארת סטנדרט זהב
בעידן שבו Random Forest, Gradient Boosting ורשתות נוירונים זמינים כמעט בלחיצת כפתור, הבחירה ברגרסיה לוגיסטית עשויה להיראות שמרנית. אבל בדירוג אשראי, שמרנות מתודולוגית היא לעיתים יתרון. רגרסיה לוגיסטית מאפשרת להבין את כיוון ההשפעה של כל משתנה, לבדוק מובהקות סטטיסטית, להסביר החלטות לגורמי ממשל תאגידי, ולנטר את המודל לאחר הפריסה.
היכולת להסביר מדוע לווה מסוים מסווג כבעל סיכון גבוה אינה תוספת נחמדה. היא דרישה תפעולית, משפטית ורגולטורית. מודל מורכב עם שיפור קטן במדד AUC עלול להיות פחות שימושי ממודל פשוט ויציב יותר, אם קשה להסביר אותו או אם הוא מתנהג אחרת בתקופות זמן שונות.
המדד החשוב באמת: יציבות לאורך זמן
אחד הלקחים המרכזיים הוא שמודל אשראי צריך להיבחן בשלושה ממדים לפחות: ביצוע על מדגם האימון, ביצוע על מדגם בדיקה, וביצוע על מדגם מחוץ לזמן הפיתוח. פער גדול בין המדגמים עלול להעיד על התאמת יתר, כלומר מודל שלמד את העבר יותר מדי טוב אך מתקשה לדרג סיכון בעתיד.
לכן, במקום לבחור אוטומטית במודל עם Gini הגבוה ביותר באימון, נכון להשתמש במדד שמעניש חוסר יציבות. גישה כזו מתגמלת מודלים שמציגים יכולת הבחנה טובה בין לווים מסוכנים ללא מסוכנים, אך גם שומרים על ביצועים דומים בין תקופות ומדגמים. בעולם האשראי, עקביות חשובה כמעט כמו דיוק.
הבינה המלאכותית כמאיץ, לא כשופט
כלי AI יכולים לבצע היטב משימות שחוזרות על עצמן: יצירת קומבינציות של משתנים, קידוד משתנים קטגוריאליים, חישוב AUC, Gini, Precision, Recall ו-PR-AUC, הפקת גרפים וטבלאות, ואף תיעוד תהליך העבודה. זהו שינוי משמעותי בפרודוקטיביות של צוותי סיכון ומדעי נתונים.
אבל הסיכון טמון באוטומציה עיוורת. אם המודל בוחר משתנה עם כיוון עסקי לא הגיוני, אם קטגוריה מסוימת אינה יציבה, או אם קיימת מולטיקולינאריות שמערערת את מקדמי המודל, כלי AI לא תמיד יזהה את הבעיה בהקשר הנכון. ההחלטה הסופית חייבת להישאר אצל אנליסט או צוות מודלים שמבין את הנתונים, את המוצר הפיננסי ואת סביבת הסיכון.
המשמעות העסקית
המסר למנהלי סיכון, בנקים וחברות אשראי ברור: בינה מלאכותית יכולה לקצר דרמטית את מחזור הפיתוח של מודלי דירוג, אך היא אינה מבטלת את הצורך בממשל מודלים קפדני. המנצחים יהיו ארגונים שידעו לשלב בין אוטומציה חכמה לבין תהליכי ולידציה, הסבריות וניטור לאורך זמן.
מודל דירוג טוב אינו זה שמרשים ביותר במעבדה. הוא זה שממשיך לעבוד גם כשהשוק משתנה, כשהתיק מתבגר וכשהרגולטור שואל שאלות קשות.