Fintech

શું AI પરંપરાગત ક્રેડિટ મોડેલો કરતાં લોન ડિફોલ્ટની વધુ સારી આગાહી કરી શકે છે?

ઋણધારક લોન ચૂકવશે કે નહીં તેની આગાહી કરવી એ લેન્ડિંગમાં કેન્દ્રીય સમસ્યા છે, અને તે એવી સમસ્યા છે જેને ઉકેલવા માટે AI-સંચાલિત ક્રેડિટ મોડેલો મોટાભાગે બનાવવામાં આવે છે. જેમ જેમ AI-નેટિવ ધિરાણકર્તાઓ તાજું ફંડિંગ ઉભું કરે છે, જેમાં ભારતીય પ્લેટફોર્મ Rezolv ની ઓગસ્ટ 2026માં તેની AI-સંચાલિત લેન્ડિંગ અને વસૂલાત ટેકનોલોજીને વિસ્તૃત કરવા માટેની $12.5 million ની Series A નો સમાવેશ થાય છે, ત્યારે આ મોડેલો ખરેખર પરંપરાગત સ્કોરિંગ કરતાં ડિફોલ્ટની વધુ સારી આગાહી કરે છે કે નહીં તે પ્રશ્ન સીધી નજર નાખવા લાયક છે.

પરંપરાગત ક્રેડિટ મોડેલો દાયકાઓથી પ્રમાણમાં સંકુચિત ઈનપુટ સમૂહ, મોટાભાગે બ્યુરો ઇતિહાસ પર આધાર રાખતા આવ્યા છે. AI-આધારિત મોડેલો તે ઈનપુટ સમૂહને નોંધપાત્ર રીતે વિસ્તૃત કરે છે, જે એ પ્રશ્ન ઉભો કરે છે કે શું વધુ ડેટા અને વધુ જટિલ મોડેલિંગ ખરેખર વધુ સારી ડિફોલ્ટ આગાહીમાં પરિણમે છે, કે ફક્ત અલગ અંધ સ્થળો સાથેની અલગ આગાહીમાં.

આ લેખ એ જુએ છે કે AI-આધારિત ડિફોલ્ટ આગાહી પરંપરાગત ક્રેડિટ મોડેલો સાથે કેવી રીતે સરખાવાય છે, સુધારા માટેના પુરાવા ક્યાં સૌથી મજબૂત છે, અને મર્યાદાઓ ક્યાં હજુ પણ મહત્વની છે.

કન્સેપ્ટ સમજૂતી

પરંપરાગત ક્રેડિટ મોડેલો સામાન્ય રીતે ક્રેડિટ બ્યુરોમાંથી સ્ટ્રક્ચર્ડ, પ્રમાણિત ચલોનો ઉપયોગ કરે છે, જેમ કે ચુકવણી ઇતિહાસ, ક્રેડિટ ઉપયોગ, અને ક્રેડિટ ઇતિહાસની લંબાઈ, જેને પ્રમાણમાં સરળ, સારી રીતે સમજી શકાય તેવા આંકડાકીય મોડેલ દ્વારા સ્કોરમાં જોડવામાં આવે છે. આ અભિગમ ઓડિટ કરવો અને સમજાવવો સરળ છે, પરંતુ સ્થાપિત ક્રેડિટ ઇતિહાસ ધરાવતા ઋણધારકો સુધી મર્યાદિત છે.

AI-આધારિત ડિફોલ્ટ આગાહી મોડેલો ટ્રાન્ઝેક્શન-સ્તરના કેશ-ફ્લો પેટર્ન સહિત ડેટાની ઘણી વિશાળ શ્રેણીનો સમાવેશ કરી શકે છે, અને ચલો વચ્ચેના બિન-રેખીય સંબંધોને પકડી શકે છે જેને શોધવા માટે પરંપરાગત સ્કોરકાર્ડ બનાવવામાં આવ્યા નથી. તે લવચીકતા મુખ્ય તકનીકી કારણ છે કે AI મોડેલો પરંપરાગત સ્કોરિંગ કરતાં વધુ સારું પ્રદર્શન કરી શકે છે, ખાસ કરીને લાંબા ક્રેડિટ ઇતિહાસ વિનાના ઋણધારકો માટે.

તે હવે કેમ મહત્વનું છે

ધિરાણકર્તાઓ પર સંભવિત રીતે ક્રેડિટપાત્ર ઋણધારકોની મોટી સંખ્યાને બાકાત રાખ્યા વિના ડિફોલ્ટ દર ઘટાડવાનું વ્યાપારી દબાણ છે, અને AI-નેટિવ પ્લેટફોર્મ્સને ખાસ કરીને આ ટ્રેડ-ઓફને ઉકેલવા માટે ફંડ કરવામાં આવી રહ્યા છે. AI-સંચાલિત લેન્ડિંગને AI-સંચાલિત દેવું વસૂલાત સાથે જોડતું Rezolv નું મોડેલ, એવો અભિગમ પ્રતિબિંબિત કરે છે જ્યાં આગાહી અને વિતરણ પછીના સંચાલનને અલગ સમસ્યાઓને બદલે જોડાયેલી સમસ્યાઓ તરીકે ગણવામાં આવે છે.

Cambridge Centre for Alternative Finance નું સંશોધન, જે દર્શાવે છે કે ફિનટેક કંપનીઓએ ટેકનોલોજી અને પ્રોડક્ટ કાર્યોમાં 86 percent ઉત્પાદકતા લાભ નોંધાવ્યો, જ્યારે પરંપરાગત સંસ્થાઓમાં તે 68 percent હતો, સૂચવે છે કે AI-સંચાલિત નિર્ણય પ્રક્રિયાનો કાર્યકારી લાભ માપી શકાય તેવો છે, ભલે શુદ્ધ આગાહી ચોકસાઈનો મૂળભૂત પ્રશ્ન ફક્ત જાહેર માહિતી પરથી ચકાસવો વધુ મુશ્કેલ હોય.

આ ટ્રેડ-ઓફ પાતળી ફાઇલો ધરાવતા ઋણધારકોની મોટી વસ્તી ધરાવતા બજારોમાં સૌથી વધુ મહત્વનું છે, જ્યાં અતિ રૂઢિચુસ્ત પરંપરાગત સ્કોરિંગ દ્વારા ક્રેડિટપાત્ર અરજદારોને બાકાત રાખવાનો ખર્ચ ધિરાણકર્તાની વૃદ્ધિ માટે એટલો જ નુકસાનકારક હોઈ શકે છે જેટલો પાછળથી ડિફોલ્ટ થતી લોન મંજૂર કરવાનો ખર્ચ.

AI આ ક્ષેત્રમાં કેવી રીતે પરિવર્તન લાવી રહ્યું છે

AI મોડેલો ડિફોલ્ટ આગાહીને સ્થિર, ચોક્કસ-સમય સ્કોરમાંથી સતત અપડેટ થતા જોખમ મૂલ્યાંકન તરફ ખસેડી રહ્યા છે જે નવો ચુકવણી અને ટ્રાન્ઝેક્શન ડેટા આવે તેમ પ્રતિક્રિયા આપે છે. આ એવા ઋણધારકો માટે સૌથી વધુ મહત્વનું છે જેમની નાણાકીય પરિસ્થિતિ સમય જતાં બદલાય છે, કારણ કે ફક્ત સામયિક રીતે અપડેટ થતો પરંપરાગત સ્કોર સુધરતી અને બગડતી બંને પ્રકારની ચુકવણી ક્ષમતાને ચૂકી શકે છે.

વસૂલાતની બાજુએ, AI મોડેલોનો ઉપયોગ ચુકવણી ખરેખર ચૂકી જાય તે પહેલાં કયા ખાતાઓ ડિફોલ્ટના વધેલા જોખમમાં છે તેની આગાહી કરવા માટે પણ થઈ રહ્યો છે, જે ધિરાણકર્તાઓને ડિફોલ્ટ થયા પછી ફક્ત પ્રમાણભૂત વસૂલાત વર્કફ્લો પર આધાર રાખવાને બદલે અનુરૂપ ચુકવણી વિકલ્પો સાથે વહેલા હસ્તક્ષેપ કરવાની મંજૂરી આપે છે.

આ વહેલી-ચેતવણી ક્ષમતા ડિફોલ્ટ આગાહી મોડેલનો ખરેખર ઉપયોગ શેના માટે થાય છે તે બદલે છે. અરજીના સમયે ફક્ત ગેટકીપર તરીકે કાર્ય કરવાને બદલે, મોડેલ એવું સાધન બની જાય છે જેની લોનના સમગ્ર જીવન દરમિયાન વારંવાર સલાહ લેવામાં આવે છે, જે જણાવે છે કે ધિરાણકર્તાએ નાણાકીય તાણના વહેલા સંકેતો દર્શાવતા ઋણધારકનો ક્યારે અને કેવી રીતે સંપર્ક કરવો જોઈએ.

વાસ્તવિક વૈશ્વિક ઉદાહરણો

લેન્ડિંગ અને દેવું વસૂલાત બંનેમાં Rezolv નો AI નો ઉપયોગ ફક્ત અન્ડરરાઇટિંગ નિર્ણયને બદલે સંપૂર્ણ લોન જીવનચક્રમાં આગાહી મોડેલિંગ લાગુ કરવાનું સીધું ઉદાહરણ છે, જે એક કારણ છે કે પ્લેટફોર્મે ખાસ કરીને આ સંયુક્ત અભિગમને વિસ્તૃત કરવા માટે તાજું Series A ફંડિંગ આકર્ષ્યું.

વ્યાપક રીતે જોખમ-શોધની બાજુએ, Visa દ્વારા BioCatch ના $2.4 billion માં કરવામાં આવેલા સંપાદન દર્શાવે છે કે AI-સંચાલિત સિસ્ટમોમાં ડિફોલ્ટ અને છેતરપિંડી જોખમ આગાહી કેટલી નજીકથી જોડાયેલી બની રહી છે, કારણ કે છેતરપિંડી પકડવા માટે ઉપયોગમાં લેવાતા વર્તન અને ઓળખ સંકેતો સાચા ચુકવણી જોખમનું મૂલ્યાંકન કરવામાં પણ ફાળો આપી શકે છે.

Rabobank નું આયોજિત બહુ-વર્ષીય AI રોકાણ અને ABN Amro ની Mistral AI સાથેની ભાગીદારી બંને સંકેત આપે છે કે મોટા, સ્થાપિત ધિરાણકર્તાઓ અપેક્ષા રાખે છે કે આ પ્રકારનું આગાહી મોડેલિંગ ફક્ત નવા, AI-નેટિવ પ્રવેશકર્તાઓ સુધી મર્યાદિત વિશિષ્ટ ક્ષમતાને બદલે જોખમ વ્યવસ્થાપનનો પ્રમાણભૂત ભાગ બનશે.

વ્યવહારુ નાણાકીય ટિપ્સ

ઋણધારકોએ સમજવું જોઈએ કે AI-સંચાલિત ડિફોલ્ટ આગાહી મોડેલો સામાન્ય રીતે એક જ ડેટા પોઈન્ટને બદલે સમય જતાં પેટર્ન વાંચવા માટે બનાવવામાં આવે છે, તેથી નિયમિત આવક જમા અને તમામ જવાબદારીઓમાં સમયસર ચુકવણી જેવું સતત, ટ્રેસ કરી શકાય તેવું નાણાકીય વર્તન જૂના, સ્થિર સ્કોરિંગ મોડેલો હેઠળ હતું તેના કરતાં વધુ મહત્વનું બનવાની શક્યતા છે.

AI-આધારિત અને પરંપરાગત મોડેલોની સરખામણી કરી રહેલા ધિરાણકર્તાઓએ તુલનાત્મક ઋણધારક વસ્તી પર આગાહી પ્રદર્શનના પુરાવા માંગવા જોઈએ, આદર્શ રીતે એક કરતાં વધુ આર્થિક ચક્ર દરમિયાન, કારણ કે સ્થિર પરિસ્થિતિઓમાં સારું પ્રદર્શન કરતું મોડેલ આપોઆપ નાણાકીય તાણના સમયગાળા દરમિયાન ડિફોલ્ટની ચોક્કસ આગાહી કરવા માટે સાબિત થતું નથી.

એ પણ પૂછવા લાયક છે કે ધિરાણકર્તાના AI મોડેલને પ્રશ્નમાં રહેલા ચોક્કસ ઋણધારક સેગમેન્ટ માટેના પરિણામો સામે માન્ય કરવામાં આવ્યું છે કે નહીં, કારણ કે મુખ્યત્વે એક પ્રકારના ઋણધારક પર તાલીમ પામેલું મોડેલ વધારાના પરીક્ષણ વિના ખૂબ જ અલગ વસ્તી માટે સારી રીતે સામાન્યીકૃત ન થઈ શકે.

ભવિષ્યની દિશા

જેમ જેમ વધુ AI-નેટિવ ધિરાણકર્તાઓ વિસ્તૃત થાય છે, તેમ ફક્ત નિયંત્રિત પરીક્ષણને બદલે વિવિધ ઋણધારક સેગમેન્ટ્સ અને આર્થિક પરિસ્થિતિઓમાં AI-આધારિત ડિફોલ્ટ આગાહી ખરેખર પરંપરાગત સ્કોરિંગ કરતાં વધુ સારું પ્રદર્શન કરે છે કે નહીં તેની ચકાસણી કરવા માટે વાસ્તવિક-વિશ્વ ચુકવણી પરિણામોનો વધતો સંગ્રહ અપેક્ષિત છે.

Rabobank ના આયોજિત ત્રણ વર્ષમાં €2 billion ના રોકાણ જેવી, AI માટે નોંધપાત્ર મૂડી પ્રતિબદ્ધ કરી રહેલી મોટી બેંકો પણ સ્થાપિત જોખમ વ્યવસ્થાપન ફ્રેમવર્કની અંદર મોટા પાયે AI-આધારિત આગાહી કેવી રીતે કામ કરે છે તેના પર વધુ ડેટા ઉત્પન્ન કરશે, જે આગામી થોડા વર્ષોમાં પરંપરાગત મોડેલો સાથેની સરખામણીઓને વધુ નક્કર બનાવવી જોઈએ.

ડિફોલ્ટ આગાહીમાં AI હજુ પણ સામનો કરી રહેલી મર્યાદાઓ

AI-આધારિત ડિફોલ્ટ આગાહી મોડેલો પરંપરાગત સ્કોરકાર્ડ કરતાં સમજાવવા મુશ્કેલ છે, જે નિયમનકારી પાલન માટે અને ઋણધારકને અસ્વીકારને ન્યાયી ઠેરવવાની જરૂર હોય તેવા ધિરાણકર્તાઓ માટે પડકારો ઉભા કરે છે. જટિલ મોડેલોને પક્ષપાત માટે ઓડિટ કરવા પણ મુશ્કેલ હોઈ શકે છે, કારણ કે કઈ અંતર્ગત ડેટા પેટર્ન આગાહીને ચલાવી રહી છે તે હંમેશા સ્પષ્ટ હોતું નથી.

આ મોડેલો પણ ફક્ત તેમને આપવામાં આવતા ડેટા જેટલા જ વિશ્વસનીય છે, અને એવા ઋણધારકો અથવા આર્થિક પરિસ્થિતિઓ માટે જે તેમને તાલીમ આપવા માટે ઉપયોગમાં લેવાયેલા ડેટા કરતાં નોંધપાત્ર રીતે અલગ દેખાય છે, તેમના માટે ડિફોલ્ટની ચોક્કસ આગાહી કરવામાં સંઘર્ષ કરી શકે છે, જેના કારણે એક વખતના મોડેલ ડિપ્લોયમેન્ટને બદલે સતત દેખરેખ અને રિટ્રેનિંગ જરૂરી રહે છે.