Fintech

AI কি ঐতিহ্যবাহী ক্রেডিট মডেলের চেয়ে ভালোভাবে ঋণ খেলাপি পূর্বাভাস দিতে পারে?

একজন ঋণগ্রহীতা ঋণ পরিশোধ করবেন কিনা তা পূর্বাভাস দেওয়া ঋণদানের কেন্দ্রীয় সমস্যা, এবং এটিই সেই সমস্যা যা সমাধানের জন্য AI-চালিত ক্রেডিট মডেলগুলি প্রায়শই তৈরি করা হয়। ভারতীয় প্ল্যাটফর্ম Rezolv-এর AI-চালিত ঋণদান ও সংগ্রহ প্রযুক্তি সম্প্রসারণের জন্য ২০২৬ সালের আগস্টে $12.5 million-এর Series A সহ AI-নেটিভ ঋণদাতারা নতুন তহবিল সংগ্রহ করার সাথে সাথে, এই মডেলগুলি প্রকৃতপক্ষে ঐতিহ্যবাহী স্কোরিংয়ের চেয়ে ভালোভাবে খেলাপির পূর্বাভাস দেয় কিনা এই প্রশ্নটি সরাসরি পর্যালোচনার যোগ্য।

ঐতিহ্যবাহী ক্রেডিট মডেলগুলি কয়েক দশক ধরে একটি তুলনামূলকভাবে সংকীর্ণ ইনপুট সেটের উপর নির্ভর করেছে, যা মূলত ব্যুরো ইতিহাস। AI-ভিত্তিক মডেলগুলি সেই ইনপুট সেটকে যথেষ্ট প্রশস্ত করে, যা এই প্রশ্ন তোলে যে আরও বেশি তথ্য এবং আরও জটিল মডেলিং আসলে ভালো খেলাপি পূর্বাভাসে রূপান্তরিত হয়, নাকি এটি শুধু ভিন্ন অন্ধ বিন্দুসহ ভিন্ন পূর্বাভাস।

এই নিবন্ধে দেখা হয়েছে AI-ভিত্তিক খেলাপি পূর্বাভাস ঐতিহ্যবাহী ক্রেডিট মডেলের সাথে কীভাবে তুলনীয়, উন্নতির প্রমাণ কোথায় সবচেয়ে শক্তিশালী, এবং সীমাবদ্ধতাগুলি এখনও কোথায় গুরুত্বপূর্ণ।

ধারণা ব্যাখ্যা

ঐতিহ্যবাহী ক্রেডিট মডেলগুলি সাধারণত ক্রেডিট ব্যুরো থেকে কাঠামোগত, প্রমিত ভেরিয়েবল ব্যবহার করে, যেমন পরিশোধের ইতিহাস, ক্রেডিট ব্যবহার এবং ক্রেডিট ইতিহাসের দৈর্ঘ্য, যা একটি তুলনামূলকভাবে সহজ, সুপরিচিত পরিসংখ্যানগত মডেলের মাধ্যমে একটি স্কোরে একত্রিত করা হয়। এই পদ্ধতি নিরীক্ষা এবং ব্যাখ্যা করা সহজ, কিন্তু প্রতিষ্ঠিত ক্রেডিট ইতিহাসযুক্ত ঋণগ্রহীতাদের মধ্যে সীমাবদ্ধ।

AI-ভিত্তিক খেলাপি পূর্বাভাস মডেলগুলি লেনদেন-স্তরের নগদ প্রবাহের ধরন সহ অনেক বিস্তৃত পরিসরের তথ্য অন্তর্ভুক্ত করতে পারে, এবং ভেরিয়েবলের মধ্যে অ-রৈখিক সম্পর্ক ধরতে পারে যা ঐতিহ্যবাহী স্কোরকার্ডগুলি সনাক্ত করার জন্য তৈরি করা হয়নি। এই নমনীয়তাই প্রধান প্রযুক্তিগত কারণ যে কারণে AI মডেলগুলি ঐতিহ্যবাহী স্কোরিংয়ের চেয়ে ভালো পারফর্ম করতে পারে, বিশেষত দীর্ঘ ক্রেডিট ইতিহাস নেই এমন ঋণগ্রহীতাদের ক্ষেত্রে।

এখন কেন এটি গুরুত্বপূর্ণ

ঋণদাতারা বাণিজ্যিক চাপে রয়েছেন সম্ভাব্য ঋণযোগ্য বিপুল সংখ্যক ঋণগ্রহীতাকে বাদ না দিয়ে খেলাপির হার কমাতে, এবং AI-নেটিভ প্ল্যাটফর্মগুলি বিশেষভাবে এই ট্রেড-অফ মোকাবেলার জন্য অর্থায়ন করা হচ্ছে। Rezolv-এর মডেল, যা AI-চালিত ঋণদানকে AI-চালিত ঋণ সংগ্রহের সাথে একত্রিত করে, এমন একটি পদ্ধতি প্রতিফলিত করে যেখানে পূর্বাভাস এবং বিতরণ-পরবর্তী ব্যবস্থাপনাকে পৃথক সমস্যা হিসেবে নয় বরং সংযুক্ত সমস্যা হিসেবে বিবেচনা করা হয়।

Cambridge Centre for Alternative Finance-এর গবেষণা যা দেখায় ফিনটেক প্রতিষ্ঠানগুলি প্রযুক্তি ও পণ্য বিভাগে ৮৬ শতাংশ উৎপাদনশীলতা বৃদ্ধির কথা জানিয়েছে, ঐতিহ্যবাহী প্রতিষ্ঠানগুলির ৬৮ শতাংশের বিপরীতে, ইঙ্গিত দেয় যে AI-চালিত সিদ্ধান্ত গ্রহণের কার্যকরী সুবিধা পরিমাপযোগ্য, এমনকি যেখানে বিশুদ্ধ পূর্বাভাসমূলক নির্ভুলতার অন্তর্নিহিত প্রশ্নটি শুধুমাত্র সরকারি তথ্য থেকে যাচাই করা কঠিন।

এই ট্রেড-অফ সবচেয়ে গুরুত্বপূর্ণ ঐসব বাজারে যেখানে সীমিত-ফাইল ঋণগ্রহীতাদের বিপুল জনসংখ্যা রয়েছে, যেখানে অতিরিক্ত রক্ষণশীল ঐতিহ্যবাহী স্কোরিংয়ের মাধ্যমে ঋণযোগ্য আবেদনকারীদের বাদ দেওয়ার খরচ একটি ঋণদাতার প্রবৃদ্ধির জন্য পরবর্তীতে খেলাপি হওয়া ঋণ অনুমোদনের খরচের মতোই ক্ষতিকর হতে পারে।

AI কীভাবে এই ক্ষেত্রকে বদলে দিচ্ছে

AI মডেলগুলি খেলাপি পূর্বাভাসকে একটি স্থির, নির্দিষ্ট-সময়ের স্কোর থেকে একটি ক্রমাগত হালনাগাদকৃত ঝুঁকি মূল্যায়নের দিকে স্থানান্তরিত করছে, যা নতুন পরিশোধ ও লেনদেনের তথ্য আসার সাথে সাথে প্রতিক্রিয়া জানায়। এটি সেসব ঋণগ্রহীতাদের জন্য সবচেয়ে গুরুত্বপূর্ণ যাদের আর্থিক পরিস্থিতি সময়ের সাথে পরিবর্তিত হয়, কারণ শুধুমাত্র পর্যায়ক্রমে হালনাগাদকৃত একটি ঐতিহ্যবাহী স্কোর উন্নতিশীল এবং অবনতিশীল উভয় ধরনের পরিশোধ ক্ষমতা মিস করতে পারে।

সংগ্রহের দিক থেকে, AI মডেলগুলি একটি প্রকৃত পেমেন্ট মিস হওয়ার আগেই কোন অ্যাকাউন্টগুলি উচ্চতর খেলাপি ঝুঁকিতে রয়েছে তা পূর্বাভাস দিতেও ব্যবহৃত হচ্ছে, যা ঋণদাতাদের খেলাপি ঘটার পরে শুধুমাত্র মানক সংগ্রহ কর্মপ্রবাহের উপর নির্ভর করার পরিবর্তে উপযুক্ত পরিশোধ বিকল্প নিয়ে আগেই হস্তক্ষেপ করতে দেয়।

এই পূর্ব-সতর্কতা ক্ষমতা একটি খেলাপি পূর্বাভাস মডেল আসলে কী কাজে ব্যবহৃত হয় তা পরিবর্তন করে। শুধুমাত্র আবেদনের মুহূর্তে একটি গেটকিপার হিসেবে কাজ করার পরিবর্তে, মডেলটি এমন একটি সরঞ্জাম হয়ে ওঠে যা ঋণের সমগ্র জীবনকাল জুড়ে বারবার পরামর্শ করা হয়, যা একজন ঋণদাতাকে কখন এবং কীভাবে আর্থিক চাপের প্রাথমিক লক্ষণ দেখানো একজন ঋণগ্রহীতার সাথে যোগাযোগ করা উচিত তা জানায়।

বাস্তব বিশ্বের উদাহরণ

ঋণদান এবং ঋণ সংগ্রহ উভয় ক্ষেত্রেই Rezolv-এর AI ব্যবহার শুধুমাত্র আন্ডাররাইটিং সিদ্ধান্তের পরিবর্তে সম্পূর্ণ ঋণ জীবনচক্রে পূর্বাভাসমূলক মডেলিং প্রয়োগের একটি প্রত্যক্ষ উদাহরণ, যা আংশিকভাবে ব্যাখ্যা করে কেন প্ল্যাটফর্মটি বিশেষভাবে এই সম্মিলিত পদ্ধতি সম্প্রসারণের জন্য নতুন Series A তহবিল আকৃষ্ট করেছে।

আরও ব্যাপকভাবে ঝুঁকি সনাক্তকরণের দিক থেকে, Visa-এর BioCatch-কে $2.4 billion-এ অধিগ্রহণ দেখায় যে AI-চালিত সিস্টেমে খেলাপি এবং জালিয়াতি ঝুঁকি পূর্বাভাস কতটা ঘনিষ্ঠভাবে সংযুক্ত হয়ে উঠছে, কারণ জালিয়াতি ধরার জন্য ব্যবহৃত আচরণগত এবং পরিচয় সংকেতগুলি প্রকৃত পরিশোধের ঝুঁকি মূল্যায়নেও অবদান রাখতে পারে।

Rabobank-এর পরিকল্পিত বহু-বছরের AI বিনিয়োগ এবং ABN Amro-এর Mistral AI-এর সাথে অংশীদারিত্ব উভয়ই ইঙ্গিত দেয় যে বড়, প্রতিষ্ঠিত ঋণদাতারা আশা করেন এই ধরনের পূর্বাভাসমূলক মডেলিং নতুন, AI-নেটিভ প্রবেশকারীদের মধ্যে সীমাবদ্ধ একটি বিশেষায়িত সক্ষমতার পরিবর্তে ঝুঁকি ব্যবস্থাপনার একটি মানক অংশ হয়ে উঠবে।

ব্যবহারিক আর্থিক পরামর্শ

ঋণগ্রহীতাদের বোঝা উচিত যে AI-চালিত খেলাপি পূর্বাভাস মডেলগুলি সাধারণত একটি একক তথ্য বিন্দু নয়, বরং সময়ের সাথে ধরন পড়ার জন্য তৈরি করা হয়, তাই ধারাবাহিক, শনাক্তযোগ্য আর্থিক আচরণ, যেমন নিয়মিত আয়ের জমা এবং সমস্ত দায়বদ্ধতার ক্ষেত্রে সময়মতো পরিশোধ, পুরনো, স্থির স্কোরিং মডেলের তুলনায় বেশি গুরুত্বপূর্ণ হওয়ার সম্ভাবনা রয়েছে।

AI-ভিত্তিক এবং ঐতিহ্যবাহী মডেলের তুলনাকারী ঋণদাতাদের একটি তুলনামূলক ঋণগ্রহীতা জনসংখ্যায় পূর্বাভাসমূলক কার্যক্ষমতার প্রমাণ চাওয়া উচিত, আদর্শভাবে একাধিক অর্থনৈতিক চক্রের বেশি সময় ধরে, কারণ স্থিতিশীল পরিস্থিতিতে ভালো পারফর্ম করা একটি মডেল স্বয়ংক্রিয়ভাবে আর্থিক চাপের সময়কালে নির্ভুলভাবে খেলাপি পূর্বাভাস দেওয়ার জন্য প্রমাণিত নয়।

এটিও জিজ্ঞাসা করার মতো যে একজন ঋণদাতার AI মডেল প্রশ্নবিদ্ধ নির্দিষ্ট ঋণগ্রহীতা অংশের ফলাফলের বিপরীতে যাচাই করা হয়েছে কিনা, কারণ মূলত একধরনের ঋণগ্রহীতার উপর প্রশিক্ষিত একটি মডেল অতিরিক্ত পরীক্ষা ছাড়া খুব ভিন্ন জনসংখ্যার জন্য ভালোভাবে সাধারণীকরণ নাও করতে পারে।

ভবিষ্যৎ দৃষ্টিভঙ্গি

আরও বেশি AI-নেটিভ ঋণদাতা সম্প্রসারিত হওয়ার সাথে সাথে, আশা করা যায় বাস্তব-বিশ্বের পরিশোধের ফলাফলের একটি ক্রমবর্ধমান সংগ্রহ পরীক্ষা করবে যে AI-ভিত্তিক খেলাপি পূর্বাভাস শুধুমাত্র নিয়ন্ত্রিত পরীক্ষার পরিবর্তে বিভিন্ন ঋণগ্রহীতা অংশ এবং অর্থনৈতিক পরিস্থিতি জুড়ে প্রকৃতপক্ষে ঐতিহ্যবাহী স্কোরিংয়ের চেয়ে ভালো পারফর্ম করে কিনা।

Rabobank-এর পরিকল্পিত তিন বছরের €2 billion বিনিয়োগের মতো AI-তে উল্লেখযোগ্য পুঁজি প্রতিশ্রুতিবদ্ধ করা বড় ব্যাংকগুলি প্রতিষ্ঠিত ঝুঁকি ব্যবস্থাপনা কাঠামোর ভিতরে বড় পরিসরে AI-ভিত্তিক পূর্বাভাস কীভাবে কাজ করে তার উপর আরও তথ্য তৈরি করবে, যা আগামী কয়েক বছরে ঐতিহ্যবাহী মডেলের সাথে তুলনাকে আরও দৃঢ় করে তুলবে।

খেলাপি পূর্বাভাসে AI এখনও যেসব সীমাবদ্ধতার সম্মুখীন

AI-ভিত্তিক খেলাপি পূর্বাভাস মডেলগুলি ঐতিহ্যবাহী স্কোরকার্ডের তুলনায় ব্যাখ্যা করা কঠিন, যা নিয়ন্ত্রক সম্মতি এবং ঋণগ্রহীতাকে প্রত্যাখ্যান যাচাই করতে হয় এমন ঋণদাতাদের জন্য চ্যালেঞ্জ তৈরি করে। জটিল মডেলগুলি পক্ষপাতের জন্য নিরীক্ষা করাও কঠিন হতে পারে, কারণ কোন অন্তর্নিহিত তথ্য ধরন একটি পূর্বাভাস চালিত করছে তা সবসময় স্পষ্ট হয় না।

এই মডেলগুলি সেগুলিতে সরবরাহকৃত তথ্যের মতোই নির্ভরযোগ্য, এবং যেসব ঋণগ্রহীতা বা অর্থনৈতিক পরিস্থিতি তাদের প্রশিক্ষণের জন্য ব্যবহৃত তথ্যের থেকে উল্লেখযোগ্যভাবে ভিন্ন দেখায় তাদের জন্য নির্ভুলভাবে খেলাপি পূর্বাভাস দিতে সংগ্রাম করতে পারে, যে কারণে একবারের মডেল স্থাপনার পরিবর্তে চলমান পর্যবেক্ষণ এবং পুনরায় প্রশিক্ষণ প্রয়োজনীয় থেকে যায়।