Souhrn
Společnost Credolab zveřejnila model pro predikci příjmu, který využívá strojové učení k odhadu příjmu žadatelů o půjčky na základě anonymizovaných metadat ze smartphonů. Tento přístup cílí na veritele expandující do podbankovaných trhů, kde chybí tradiční důkazy o příjmu a kreditní historii. Model analyzuje tisíce chování signálů, jako jsou vzorce vlastnictví aplikací, model a stáří zařízení či návyky interakce.
Klíčové body
- Model funguje na privacy-consented smartphone metadata bez přístupu k osobním údajům (PII) nebo demografickým informacím jako věk, pohlaví či vzdělání.
- Používá proprietární feature engineering k vytvoření přes 11 milionů chování funkcí z raw metadat sbíraných přes SDK s explicitním souhlasem uživatele.
- Instituce mohou model trénovat na svých datech a přizpůsobit lokálním populacím pomocí výběrových strategií jako information value, correlation filtering a gradient boosting.
- Credolab založena v roce 2016, debut na FinovateAsia 2018 v Singapuru, CEO Peter Barcak.
Podrobnosti
Credolab se specializuje na analýzu chování a metadat mobilních zařízení, což umožňuje vytvářet profily uživatelů bez invaze do soukromí. Jejich nový Income Prediction Model řeší klíčový problém veritelů v rozvíjejících se, podbankovaných a digitálně zaměřených trzích, kde tradiční zdroje jako výpisy z účtů nebo daňové přiznání často chybí. I přes šíření open banking, které usnadňuje přístup k finančním datům, zůstávají klienti s minimální historií mimo dosah služeb.
Model zpracovává anonymizovaná data ze smartphonů, sbíraná s explicitním souhlasem uživatele prostřednictvím SDK – software development kitu integrovatelného do aplikací veritelů. Z raw metadat, jako jsou vzorce používání aplikací (např. vlastnictví bankovních vs. herních app), specifikace zařízení (model, stáří) a interakční návyky (frekvence používání, typy dotyků), generuje přes 11 milionů chování funkcí. Tyto funkce pak algoritmy jako gradient boosting redukují na desítky nejdůležitějších na základě information value (míry informační hodnoty) a correlation filtering (filtrování korelací).
Každý klient může model trénovat na svém datasetu, což umožňuje přizpůsobení místním podmínkám – například odlišným chování v Asii oproti Evropě. Důraz na absenci PII zajišťuje shodu s předpisy jako GDPR, ale zároveň vyvolává otázky přesnosti: korelace mezi metadaty a příjmem mohou být ovlivněny kulturními faktory nebo zkreslením v datech. Credolab, s centrem v Praze a pobočkami v Asii, debutovala na konferenci FinovateAsia 2018 a nyní rozšiřuje portfolio o tento nástroj pro inkluzivnější úvěrování.
Proč je to důležité
Tento model posiluje inkluzi v fintechu tím, že umožňuje veritelům obsluhovat miliony podbankovaných uživatelů bez tradičních dokladů, což může zvýšit penetraci finančních služeb v rozvíjejících se ekonomikách. V širším kontextu AI vůči soukromí demonstruje, jak anonymizovaná metadata nahrazují osobní data, ale zároveň zvyšuje rizika profilingu – například diskriminace na základě nepřímých signálů. Pro průmysl znamená snížení rizik defaultů díky lepším predikcím, avšak vyžaduje pečlivou validaci modelů proti biasům. V porovnání s velkými AI modely jako GPT je to specializovaný nástroj, který ukazuje praktické aplikace machine learningu v regulovaném sektoru.
Zdroj: 📰 Finovate.com
| 