Fintech

பாரம்பரிய கடன் மாதிரிகளை விட AI கடன் தவறுத் தொகைகளை சிறப்பாக கணிக்க முடியுமா?

ஒரு கடன் வாங்குபவர் கடனைத் திருப்பிச் செலுத்துவாரா என்பதைக் கணிப்பது கடன் வழங்குதலில் மைய பிரச்சனையாகும், மேலும் இதுவே AI-அடிப்படையிலான கடன் மாதிரிகள் தீர்க்க பெரும்பாலும் கட்டமைக்கப்படும் பிரச்சனையாகும். இந்திய தளமான Rezolv-ன் தனது AI-தலைமையிலான கடன் வழங்குதல் மற்றும் வசூல் தொழில்நுட்பத்தை விரிவுபடுத்த ஆகஸ்ட் 2026-ல் திரட்டிய $12.5 மில்லியன் சீரிஸ் A உட்பட, AI-நேட்டிவ் கடன் வழங்குநர்கள் புதிய நிதியுதவியைத் திரட்டும்போது, இந்த மாதிரிகள் பாரம்பரிய மதிப்பெண்ணிடலை விட உண்மையிலேயே தவறுத் தொகையை சிறப்பாக கணிக்கின்றனவா என்ற கேள்வி நேரடியான ஆய்வுக்கு தகுதியானது.

பாரம்பரிய கடன் மாதிரிகள் பல தசாப்தங்களாக ஒப்பீட்டளவில் குறுகிய அளவிலான உள்ளீடுகளை, பெரும்பாலும் பணிய வரலாற்றை, சார்ந்திருந்துள்ளன. AI-அடிப்படையிலான மாதிரிகள் அந்த உள்ளீட்டு தொகுப்பை கணிசமாக விரிவுபடுத்துகின்றன, இது அதிக தரவும் அதிக சிக்கலான மாடலிங்கும் உண்மையில் சிறந்த தவறுத் தொகை கணிப்பாக மாறுகிறதா, அல்லது வெறுமனே வெவ்வேறு குருட்டுப் புள்ளிகளுடன் கூடிய வேறுபட்ட கணிப்பாக இருக்கிறதா என்ற கேள்வியை எழுப்புகிறது.

AI-அடிப்படையிலான தவறுத் தொகை கணிப்பு பாரம்பரிய கடன் மாதிரிகளுடன் எவ்வாறு ஒப்பிடப்படுகிறது, மேம்பாட்டிற்கான சான்று மிகவும் வலுவாக இருக்கும் இடங்கள், மற்றும் வரம்புகள் இன்னும் முக்கியத்துவம் வாய்ந்ததாக இருக்கும் இடங்கள் ஆகியவற்றை இந்தக் கட்டுரை ஆராய்கிறது.

கருத்து விளக்கம்

பாரம்பரிய கடன் மாதிரிகள் பொதுவாக கடன் பணியங்களிலிருந்து கட்டமைக்கப்பட்ட, தரப்படுத்தப்பட்ட மாறிகளைப் பயன்படுத்துகின்றன, அதாவது திருப்பிச் செலுத்தும் வரலாறு, கடன் பயன்பாடு, மற்றும் கடன் வரலாற்றின் நீளம், இவை ஒப்பீட்டளவில் எளிமையான, நன்கு புரிந்துகொள்ளப்பட்ட புள்ளிவிவர மாதிரி மூலம் ஒரு மதிப்பெண்ணாக இணைக்கப்படுகின்றன. இந்த அணுகுமுறை தணிக்கை செய்யவும் விளக்கவும் எளிதானது, ஆனால் நிறுவப்பட்ட கடன் வரலாற்றைக் கொண்ட கடன் வாங்குபவர்களுக்கு மட்டுப்படுத்தப்பட்டது.

AI-அடிப்படையிலான தவறுத் தொகை கணிப்பு மாதிரிகள், பரிவர்த்தனை-நிலை பணப்புழக்க முறைகள் உட்பட, மிகவும் பரந்த அளவிலான தரவை உள்ளடக்க முடியும், மேலும் பாரம்பரிய ஸ்கோர்கார்டுகள் கண்டறிய கட்டமைக்கப்படாத மாறிகளுக்கிடையேயான நேரியல்-அல்லாத உறவுகளைப் பிடிக்க முடியும். இந்த நெகிழ்வுத்தன்மையே, குறிப்பாக நீண்ட கடன் வரலாறு இல்லாத கடன் வாங்குபவர்களுக்கு, AI மாதிரிகள் பாரம்பரிய மதிப்பெண்ணிடலை விட சிறப்பாக செயல்பட முடியும் என்பதற்கான முக்கிய தொழில்நுட்ப காரணமாகும்.

இது ஏன் இப்போது முக்கியம்

கடன் வழங்குநர்கள், சாத்தியமான கடன் தகுதியுள்ள ஏராளமான கடன் வாங்குபவர்களை விலக்காமல் தவறுத் தொகை விகிதங்களைக் குறைக்க வணிக அழுத்தத்தில் உள்ளனர், மேலும் அந்த சமரசத்தை நிவர்த்தி செய்ய AI-நேட்டிவ் தளங்கள் குறிப்பாக நிதியளிக்கப்படுகின்றன. AI-தலைமையிலான கடன் வழங்குதலை AI-தலைமையிலான கடன் வசூலுடன் இணைக்கும் Rezolv-ன் மாதிரி, கணிப்பு மற்றும் கடன் வழங்கிய பிறகான மேலாண்மை தனித்தனி பிரச்சனைகளாக அல்லாமல் இணைக்கப்பட்ட பிரச்சனைகளாக கருதப்படும் ஒரு அணுகுமுறையை பிரதிபலிக்கிறது.

தொழில்நுட்பம் மற்றும் தயாரிப்பு செயல்பாடுகளில் நிதி தொழில்நுட்ப நிறுவனங்கள் 86 சதவீத உற்பத்தித்திறன் ஆதாயங்களை புகாரளிப்பதைக் காட்டும், பாரம்பரிய நிறுவனங்களுக்கு 68 சதவீதத்திற்கு எதிரான, Cambridge Centre for Alternative Finance-ன் ஆராய்ச்சி, தூய கணிப்பு துல்லியம் என்ற அடிப்படைக் கேள்வியை பொது தகவலிலிருந்து மட்டும் சரிபார்ப்பது கடினமாக இருந்தாலும், AI-அடிப்படையிலான முடிவெடுத்தலின் செயல்பாட்டு நன்மை அளவிடக்கூடியது என்பதைக் காட்டுகிறது.

இந்த சமரசம், மெலிதான-கோப்பு கடன் வாங்குபவர்களின் பெரிய மக்கள்தொகையைக் கொண்ட சந்தைகளில் மிகவும் முக்கியத்துவம் வாய்ந்தது, அங்கு அதிக பழமைவாத பாரம்பரிய மதிப்பெண்ணிடல் மூலம் கடன் தகுதியுள்ள விண்ணப்பதாரர்களை விலக்கும் செலவு, பின்னர் தவறும் கடன்களை அங்கீகரிக்கும் செலவைப் போலவே ஒரு கடன் வழங்குநரின் வளர்ச்சிக்கு தீங்கு விளைவிக்கும்.

இந்த துறையை AI எவ்வாறு மாற்றியமைக்கிறது

AI மாதிரிகள், தவறுத் தொகை கணிப்பை ஒரு நிலையான, ஒரு-நேர-புள்ளி மதிப்பெண்ணிலிருந்து, புதிய திருப்பிச் செலுத்தும் மற்றும் பரிவர்த்தனை தரவு வரும்போது அதற்கு எதிர்வினையாற்றும் தொடர்ந்து புதுப்பிக்கப்படும் ஆபத்து மதிப்பீட்டை நோக்கி மாற்றுகின்றன. இது காலப்போக்கில் நிதி நிலைமை மாறும் கடன் வாங்குபவர்களுக்கு மிகவும் முக்கியமானது, ஏனெனில் அவ்வப்போது மட்டும் புதுப்பிக்கப்படும் ஒரு பாரம்பரிய மதிப்பெண், மேம்படும் மற்றும் மோசமடையும் திருப்பிச் செலுத்தும் திறன் இரண்டையும் தவறவிடக்கூடும்.

வசூல் தரப்பில், ஒரு கட்டணம் உண்மையில் தவறும் முன்பே எந்த கணக்குகள் தவறுத் தொகைக்கான உயர்ந்த ஆபத்தில் உள்ளன என்பதை கணிக்கவும் AI மாதிரிகள் பயன்படுத்தப்படுகின்றன, இது ஒரு தவறுத் தொகை ஏற்பட்ட பிறகான நிலையான வசூல் பணிப்பாய்வுகளை மட்டும் சார்ந்திருப்பதற்குப் பதிலாக, தனிப்பயனாக்கப்பட்ட திருப்பிச் செலுத்தும் விருப்பங்களுடன் கடன் வழங்குநர்கள் முன்னதாகவே தலையிட அனுமதிக்கிறது.

இந்த முன்கூட்டிய-எச்சரிக்கை திறன், ஒரு தவறுத் தொகை கணிப்பு மாதிரி உண்மையில் எதற்குப் பயன்படுத்தப்படுகிறது என்பதை மாற்றுகிறது. விண்ணப்ப புள்ளியில் ஒரு வாயில்காப்பாளராக மட்டும் செயல்படுவதற்குப் பதிலாக, மாதிரி கடன் காலம் முழுவதும் மீண்டும் மீண்டும் ஆலோசிக்கப்படும் ஒரு கருவியாக மாறுகிறது, நிதி நெருக்கடியின் ஆரம்ப அறிகுறிகளைக் காட்டும் ஒரு கடன் வாங்குபவரை ஒரு கடன் வழங்குநர் எப்போது, எவ்வாறு தொடர்பு கொள்ள வேண்டும் என்பதைத் தெரிவிக்கிறது.

உலகளாவிய நிஜ-உலக உதாரணங்கள்

கடன் வழங்குதல் மற்றும் கடன் வசூல் இரண்டிலும் Rezolv AI-ஐப் பயன்படுத்துவது, அண்டர்ரைட்டிங் முடிவை மட்டும் அல்லாமல் முழு கடன் வாழ்க்கைச் சுழற்சிக்கும் கணிப்பு மாடலிங்கை பயன்படுத்துவதன் நேரடி உதாரணமாகும், இந்த இணைந்த அணுகுமுறையை விரிவுபடுத்த குறிப்பாக தளம் புதிய சீரிஸ் A நிதியுதவியை ஈர்த்ததற்கு இதுவும் ஒரு காரணம்.

இன்னும் பரந்த அளவில் ஆபத்து-கண்டறிதல் தரப்பில், BioCatch-ஐ Visa $2.4 பில்லியனுக்கு கையகப்படுத்தியது, AI-அடிப்படையிலான அமைப்புகளில் தவறுத் தொகை மற்றும் மோசடி ஆபத்து கணிப்பு எவ்வளவு நெருக்கமாக இணைக்கப்பட்டு வருகிறது என்பதைக் காட்டுகிறது, ஏனெனில் மோசடியைப் பிடிக்கப் பயன்படுத்தப்படும் நடத்தை மற்றும் அடையாள சமிக்ஞைகள் உண்மையான திருப்பிச் செலுத்தும் ஆபத்தை மதிப்பிடுவதிலும் உள்ளீடாகலாம்.

Rabobank-ன் திட்டமிடப்பட்ட பல-ஆண்டு AI முதலீடும், Mistral AI உடனான ABN Amro-ன் கூட்டாண்மையும், புதிய, AI-நேட்டிவ் நுழைவோர்களுக்கு மட்டுப்படுத்தப்பட்ட ஒரு சிறப்புத் திறனாக அல்லாமல், இந்த வகையான கணிப்பு மாடலிங் ஆபத்து மேலாண்மையின் நிலையான பகுதியாக மாறும் என்று பெரிய, நிறுவப்பட்ட கடன் வழங்குநர்கள் எதிர்பார்க்கின்றனர் என்பதைக் காட்டுகின்றன.

நடைமுறை நிதி குறிப்புகள்

AI-அடிப்படையிலான தவறுத் தொகை கணிப்பு மாதிரிகள் பொதுவாக ஒரு தனி தரவு-புள்ளியை அல்ல, காலப்போக்கில் முறைகளைப் படிக்க கட்டமைக்கப்பட்டுள்ளன என்பதை கடன் வாங்குபவர்கள் புரிந்துகொள்ள வேண்டும், எனவே சீரான வருமான வைப்புகள் மற்றும் அனைத்து கடமைகளுக்கும் சரியான நேரத்தில் திருப்பிச் செலுத்துதல் போன்ற சீரான, கண்டறியக்கூடிய நிதி நடத்தை, பழைய, நிலையான மதிப்பெண்ணிடல் மாதிரிகளின் கீழ் இருந்ததை விட அதிக முக்கியத்துவம் பெறக்கூடும்.

AI-அடிப்படையிலான மற்றும் பாரம்பரிய மாதிரிகளை ஒப்பிடும் கடன் வழங்குநர்கள், ஒரு ஒப்பிடத்தக்க கடன் வாங்குபவர் மக்கள்தொகையில் கணிப்பு செயல்திறனுக்கான சான்றுகளை, சிறந்த முறையில் ஒன்றுக்கு மேற்பட்ட பொருளாதார சுழற்சிகளில், கேட்க வேண்டும், ஏனெனில் நிலையான நிலைமைகளில் நன்றாக செயல்படும் ஒரு மாதிரி, நிதி நெருக்கடி காலங்களில் தவறுத் தொகையை துல்லியமாக கணிக்கும் என்று தானாக நிரூபிக்கப்படுவதில்லை.

ஒரு கடன் வழங்குநரின் AI மாதிரி, கேள்விக்குரிய குறிப்பிட்ட கடன் வாங்குபவர் பிரிவுக்கான முடிவுகளுக்கு எதிராக சரிபார்க்கப்பட்டுள்ளதா என்று கேட்பதும் மதிப்புள்ளது, ஏனெனில் ஒரு வகையான கடன் வாங்குபவரை மட்டும் முதன்மையாக பயிற்சி பெற்ற ஒரு மாதிரி, கூடுதல் சோதனை இல்லாமல் மிகவும் வேறுபட்ட மக்கள்தொகைக்கு நன்றாகப் பொருந்தாமல் போகலாம்.

எதிர்கால நோக்கு

மேலும் AI-நேட்டிவ் கடன் வழங்குநர்கள் விரிவடையும்போது, கட்டுப்படுத்தப்பட்ட சோதனையில் மட்டும் அல்லாமல், வெவ்வேறு கடன் வாங்குபவர் பிரிவுகள் மற்றும் பொருளாதார நிலைமைகள் முழுவதும் AI-அடிப்படையிலான தவறுத் தொகை கணிப்பு உண்மையிலேயே பாரம்பரிய மதிப்பெண்ணிடலை விட சிறப்பாக செயல்படுகிறதா என்பதை சோதிக்க, வளர்ந்து வரும் நிஜ-உலக திருப்பிச் செலுத்தும் முடிவுகளின் தொகுப்பை எதிர்பாருங்கள்.

Rabobank-ன் மூன்று ஆண்டுகளில் திட்டமிடப்பட்ட €2 பில்லியன் முதலீடு போன்ற, AI-க்கு கணிசமான மூலதனத்தை ஒதுக்கும் பெரிய வங்கிகள், நிறுவப்பட்ட ஆபத்து மேலாண்மை கட்டமைப்புகளுக்குள் AI-அடிப்படையிலான கணிப்பு பெரிய அளவில் எவ்வாறு செயல்படுகிறது என்பதில் அதிக தரவை உருவாக்கும், இது அடுத்த சில ஆண்டுகளில் பாரம்பரிய மாதிரிகளுடன் ஒப்பீடுகளை இன்னும் திடமானதாக்க வேண்டும்.

தவறுத் தொகை கணிப்பில் AI இன்னும் எதிர்கொள்ளும் வரம்புகள்

AI-அடிப்படையிலான தவறுத் தொகை கணிப்பு மாதிரிகள், பாரம்பரிய ஸ்கோர்கார்டுகளை விட விளக்குவது கடினமானது, இது ஒழுங்குமுறை இணக்கத்திற்கும், ஒரு கடன் வாங்குபவருக்கு நிராகரிப்பை நியாயப்படுத்த வேண்டிய கடன் வழங்குநர்களுக்கும் சவால்களை உருவாக்குகிறது. சிக்கலான மாதிரிகள் சார்பு நிலைக்காக தணிக்கை செய்வதும் கடினமாக இருக்கலாம், ஏனெனில் எந்த அடிப்படை தரவு முறைகள் ஒரு கணிப்பை இயக்குகின்றன என்பது எப்போதும் தெளிவாக இருப்பதில்லை.

இந்த மாதிரிகள் அவற்றுக்கு உணவளிக்கும் தரவைப் போலவே நம்பகமானவை, மேலும் அவற்றை பயிற்சியளிக்கப் பயன்படுத்தப்பட்ட தரவிலிருந்து குறிப்பிடத்தக்க அளவில் வேறுபட்டதாகத் தோன்றும் கடன் வாங்குபவர்கள் அல்லது பொருளாதார நிலைமைகளுக்கு தவறுத் தொகையை துல்லியமாக கணிப்பதில் சிரமப்படலாம், இதனால்தான் ஒரு-முறை மாதிரி வரிசைப்படுத்தலுக்குப் பதிலாக தொடர்ச்சியான கண்காணிப்பும் மறுபயிற்சியும் அவசியமாக உள்ளன.