পাতলা ফাইল এবং অনানুষ্ঠানিক অর্থনীতির জন্য এআই-চালিত ক্রেডিট স্কোরিং

অর্থায়নের সবচেয়ে রক্ষণশীল দিকগুলির মধ্যে একটি, কাউকে ঋণ দেওয়ার সিদ্ধান্ত, AI-চালিত ক্রেডিট স্কোরিং দ্বারা রূপান্তরিত হচ্ছে। যাদের ক্রেডিট ইতিহাস সমৃদ্ধ এবং যারা দীর্ঘ সময় ধরে বিভিন্ন ব্যাংকের সাথে যুক্ত রয়েছেন তাদের জন্য এটি একটি ক্রমবর্ধমান পরিবর্তন। তবে এটি থিন-ফাইল ঋণগ্রহীতা এবং অনানুষ্ঠানিক অর্থনীতিতে যারা রয়েছেন তাদের জন্য জীবন পরিবর্তনকারী হতে পারে। তারা অবশেষে সিস্টেমে অদৃশ্য থাকার বিপরীতে সনাক্ত হতে পারে। এই নিবন্ধটি প্রচলিত ক্রেডিট রেকর্ডের অভাবরয়েছে এমন ব্যক্তি এবং ছোট ব্যবসার জন্য AI-ভিত্তিক ক্রেডিট স্কোর তৈরি করতে বিকল্প ডেটার প্রয়োগ, ব্যুরো ডেটা অনুপলব্ধ থাকলে অন্যায় এবং পক্ষপাতের ঝুঁকি এবং আন্ডারব্যাংকড জনসংখ্যার আন্ডাররাইটিংয়ে ব্যাখ্যাযোগ্য AI তৈরির নিয়ন্ত্রক প্রচেষ্টা নিয়ে আলোচনা করে।

থিন ফাইল এবং অনানুষ্ঠানিক অর্থনীতির সমস্যা

প্রচলিত ক্রেডিট রেটিং কোনো ধরনের আর্থিক অস্তিত্ব অনুমান করে। তারা ধরে নেয় যে একজন ব্যক্তির একটি ব্যাংক অ্যাকাউন্ট, আনুষ্ঠানিক আর্থিক পণ্য রয়েছে এবং পূর্বে ঋণ নিয়েছে বা ক্রেডিট কার্ড ব্যবহার করেছে। তারা অনুমান করে যে নিয়োগকর্তারা আনুষ্ঠানিকভাবে পেরোল পরিচালনা করেন এবং ব্যবসায়ীরা অর্থনীতির দৃশ্যমান অংশে - নথিভুক্ত অংশে কাজ করেন। বাস্তবিকভাবে, বিশ্বের একটি বিশাল অংশ তা নয়। তরুণ প্রাপ্তবয়স্কদের প্রায়ই কোনো ঋণ বা কার্ড থাকে না। অভিবাসীরা তাদের উৎপত্তি দেশে ভালো ক্রেডিট পটভূমি থাকতে পারে এবং তাদের নতুন দেশে কিছুই নেই। তাদের বেশিরভাগ লেনদেন নগদে বা ডিজিটাল প্ল্যাটফর্মে করা হয় যা ব্যুরোতে রিপোর্ট করে না: গিগ কর্মী, রাস্তার বিক্রেতা, অনানুষ্ঠানিক দোকানদার এবং প্রচুর মাইক্রো-উদ্যোক্তা। যেখানে ব্যুরো রয়েছে, সেখানেও তাদের কভারেজ পৃষ্ঠভূমি হতে পারে বা শহুরে, আনুষ্ঠানিকভাবে নিযুক্ত জনসংখ্যার প্রতি পক্ষপাতদুষ্ট হতে পারে। এই ধরনের আবেদনকারীদের ব্যুরো ফাইল ঋণদাতাদের কাছে ফাঁকা বা প্রায় ফাঁকা দেখায়। যেহেতু ঝুঁকি দলগুলি ব্যুরো ডেটা বিশ্বাস করতে প্রশিক্ষিত, তারা সতর্কতার পক্ষে ভুল করে। ফলাফল অনুমানযোগ্য: বর্ধিত প্রত্যাখ্যান, সংকীর্ণ সীমা, বর্ধিত মূল্য, বা সম্পূর্ণ বর্জন।

এই ঋণগ্রহীতারা অগত্যা ঝুঁকিপূর্ণ নয়; এটা শুধু যে সিস্টেম তাদের আর্থিক জীবনকে প্রকৃতপক্ষে চিহ্নিত করে এমন সংকেতগুলির প্রতি বধির এবং অন্ধ। ক্রেডিট স্কোরিংয়ে AI প্রয়োগের মূল ধারণা এখানে সহজবোধ্য। যেখানে ব্যুরো পরিসংখ্যান অভাবজনক বা খুব বিক্ষিপ্ত, অন্যত্র খুঁজুন। আধুনিক জীবনে অসংখ্য ডিজিটাল পদচিহ্ন রয়েছে। যখন এই ধরনের পদচিহ্ন সম্মতি সহ দায়িত্বশীল পদ্ধতিতে সংগ্রহ করা হয় এবং আরও সংগঠিত সংকেতে রূপান্তরিত হয়, তখন তারা একজন ব্যক্তির স্থিতিশীলতা, তাদের উপার্জনের সম্ভাবনা এবং তাদের পরিশোধের সম্ভাবনা সম্পর্কে অনেক কিছু বলতে পারে। প্রথম এবং সবচেয়ে মূল্যবান উৎসগুলির মধ্যে একটি প্রায়ই টেলিকম ডেটা। মোবাইল অপারেটররা বোঝেন কিভাবে কেউ নিয়মিত ভিত্তিতে প্রিপেইড ব্যালেন্স পূরণ করে, তারা বছরের পর বছর একই নম্বর ব্যবহার করে নাকি ঘন ঘন পরিবর্তন করে, তারা তাদের কার্যকলাপে স্থির নাকি এলোমেলো এবং তারা একই আকারের ডেটা প্যাক অধিগ্রহণ করে কিনা। যে ব্যক্তি সময়ের সাথে একটি নম্বর রাখে, নম্বরটি রিলোড করে এবং ব্যবহারের সামঞ্জস্যপূর্ণ প্যাটার্ন প্রদর্শন করে সে সাধারণত একটি সম্প্রদায়ের মধ্যে আরও গভীরভাবে এমবেডেড এবং তাদের আচরণে আরও সামঞ্জস্যপূর্ণ যার তুলনায় যে ব্যবহারে ড্রপ বা সুইং করে। স্থিতিশীলতা আছে কিনা তা হ্রাসকৃত ক্রেডিট ঝুঁকির সাথে সম্পর্কিত।

শক্তির আরেকটি উৎস হল ই-কমার্স এবং ডিজিটাল প্ল্যাটফর্ম থেকে ডেটা। একজন রাইড-হেইলিং ড্রাইভারের ব্যুরো ফাইলে খুব কমই থাকতে পারে, কিন্তু একটি প্ল্যাটফর্ম ট্রিপের সংখ্যা, সপ্তাহে আয়, বাতিলকরণ ডেটা, গ্রাহক পর্যালোচনা এবং ড্রাইভারের সময়কাল অ্যাক্সেস করতে পারে। একটি বাজারে বিক্রেতা হিসাবে একজন মাইক্রো-মার্চেন্ট সম্পূর্ণ অর্ডার, রিফান্ড করা, অভিযোগ উত্থাপিত, স্টক-আউট এবং বৃদ্ধির প্যাটার্নের একটি ইতিহাস রেখে যায়। অনানুষ্ঠানিক ব্যবসার ক্ষেত্রে, প্ল্যাটফর্ম ডেটা সরকারী আর্থিক বিবৃতির নিকটতম সমতুল্য হিসাবে ব্যবহার করা যেতে পারে। এরপর, একটি ব্যাংক অ্যাকাউন্ট, ডিজিটাল ওয়ালেট এবং ওপেন ব্যাংকিং API নগদ-প্রবাহ ডেটা রয়েছে। যদিও একজন ঋণগ্রহীতার দীর্ঘ ক্রেডিট ইতিহাসের অভাব থাকতে পারে, তার বা তার একটি অ্যাকাউন্ট থাকার প্রবণতাও থাকে যেখানে বেতন, গিগ আয়, রেমিট্যান্স বা ব্যবসায়িক আয় জমা হয়। সময়-ভিত্তিক ইনফ্লো এবং আউটফ্লো বিশ্লেষণের মাধ্যমে, ঋণদাতারা সাধারণ আয়, এর পরিবর্তনশীলতা, এতে বাফার আছে কিনা এবং আয়ের কোন অংশ ইতিমধ্যে ভাড়া, ইউটিলিটি এবং বিদ্যমান ঋণের মতো পুনরাবৃত্তিমূলক খরচে বরাদ্দ করা হয়েছে তা অনুমান করতে পারে। আন্ডারব্যাংকড ঋণগ্রহীতার ক্ষেত্রে, নগদ-প্রবাহ আন্ডাররাইটিং প্রায়ই প্রচলিত স্কোরকার্ডের চেয়ে বেশি নির্ভরযোগ্য, যা পূর্ববর্তী ঋণের উপর এত বেশি নির্ভর করে। আরও একটি স্তর পেরোল এবং কর্মসংস্থান API দ্বারা সরবরাহ করা হয়।

যেসব পরিস্থিতিতে নিয়োগকর্তারা পেরোল সেবার সাথে সংযুক্ত, ঋণদাতারা কর্মসংস্থান, মাসিক আয়, কর্মসংস্থানের সময়কাল এবং ক্ষতিপূরণ পরিবর্তন নিশ্চিত করতে সক্ষম হয়। যাদের বেশ কয়েকটি খণ্ডকালীন চাকরি রয়েছে, তাদের জন্য এই সমন্বিত চিত্র একটি পে স্লিপের চেয়ে অনেক বেশি তথ্যপূর্ণ হবে। সবশেষে, সঠিক ব্যবহারের সাথে, আচরণগত এবং ডিভাইস-স্তরের ডেটা প্রতারণা এবং ঝুঁকি অনুমান উভয়ের ক্ষেত্রে সহায়তা করতে ব্যবহার করা যেতে পারে। একজন ব্যক্তি একই ডিভাইস কতক্ষণ ব্যবহার করছে, তাদের লগইন অবস্থানের নিয়মিততা, মাসগুলিতে তারা কীভাবে অ্যাপটি ব্যবহার করে, সেইসাথে দিনের যে সময়ে তারা সাধারণত লেনদেন করে, তা সত্যতা এবং স্থিরতার সূচক প্রদান করতে পারে। প্রক্সি বৈষম্য প্রতিরোধ করতে এই সংকেতগুলি সাবধানে পরিচালনা করা উচিত, যদিও তারা দরকারী সমর্থন হতে পারে। এই সমস্ত উৎস এই সত্যের দ্বারা সংযুক্ত যে তারা একজন ব্যক্তির প্রকৃত জীবন সম্পর্কে এবং সে কীভাবে জীবনযাপন করে, কীভাবে সে উপার্জন করে এবং অর্থ প্রদান করে তা বলে এমনকি যখন এটি স্পষ্ট যে সে তার জীবনে কখনও ক্রেডিট কার্ডে তার আঙুল রাখেনি।

\

কীভাবে AI অগোছালো সংকেতগুলিকে একটি স্কোরে রূপান্তরিত করে?

এই অন্যান্য ডেটা উৎসগুলি ঘনভাবে জনবহুল এবং অসংগঠিত। টেলিকম লগ, প্ল্যাটফর্ম ইভেন্ট, ব্যাংক লেনদেন এবং ডিভাইস টেলিমেট্রির গঠন একটি ঐতিহ্যগত ব্যুরো রিপোর্টের মতো নয়। তারা শোরগোলপূর্ণ, মাত্রিক এবং স্বতন্ত্রতার প্যাটার্নে পূর্ণ। এই সময়ে, AI, বিশেষভাবে আধুনিক মেশিন লার্নিং, প্রয়োজনীয়। সাধারণ জীবনচক্র ডেটা সমষ্টি দিয়ে শুরু হয়। ডেটা সুরক্ষা আইন এবং গ্রাহকদের সরাসরি সম্মতির শর্তে ঋণদাতাদের টেলিকম পার্টনার, ওপেন ব্যাংকিং ফিড, পেরোল API এবং প্ল্যাটফর্ম পার্টনারদের অ্যাক্সেস রয়েছে।

তারা নিরাপদ পরিবেশে কাঁচা ডেটা শোষণ করে এবং এটিকে স্বাভাবিক করে। ফোন রিচার্জ কার্যক্রম, ওয়ালেট ক্রেডিট এবং ই-কমার্স অর্ডার নিয়মিত ফরম্যাট সহ সময় সিরিজে রূপান্তরিত হয়। অপ্রয়োজনীয় অসঙ্গতি এবং ডুপ্লিকেট নির্মূল করা হয় এবং অনুপস্থিত মান প্রক্রিয়া করা হয়। এর থেকে, বৈশিষ্ট্যগুলি ডেটা বিজ্ঞানীদের দ্বারা নির্মিত হয়। তারা সমস্ত কাঁচা লেনদেন একটি মডেলে ফিড করার পরিবর্তে সারাংশ ভেরিয়েবল তৈরি করে: গড় মাসিক নেট নগদ প্রবাহ; মাসের শেয়ার যেখানে সঞ্চয় ইতিবাচক; পাওনাদারদের কোন পেমেন্ট না করার দীর্ঘতম পরপর সময়কাল; আন্ডার-আর্নিংয়ের মাস; প্ল্যাটফর্ম আয়ের বৃদ্ধি বা ক্ষয়; কর্মঘণ্টার পরিবর্তনশীলতা; সপ্তাহে সপ্তাহে অবস্থানের স্থায়িত্ব।

এই বৈশিষ্ট্যগুলি একটি ব্যক্তির অর্থনৈতিক জীবনকে সংখ্যায় সংকুচিত করার চেষ্টা করছে যা মডেল দ্বারা হজম করা যায়। গ্রেডিয়েন্ট বুস্টিং ট্রি, র্যান্ডম ফরেস্ট এবং নিউরাল নেটওয়ার্কগুলি তখন মেশিন লার্নিং অ্যালগরিদম যা ঐতিহাসিক ডেটাতে প্রশিক্ষিত হয় যেখানে ফলাফল ইতিমধ্যে জানা আছে। ক্রেডিট স্কোরিংয়ের ক্ষেত্রে, ফলাফলটি সাধারণত একটি নির্দিষ্ট সময়ের মধ্যে, যেমন ছয় বা বারো মাসে ঋণগ্রহীতার ডিফল্ট। মডেল বৈশিষ্ট্যগুলির সংমিশ্রণ জানতে পারে যা বেশি বা কম ঝুঁকি নির্দেশ করে। মানুষের আন্ডাররাইটারদের মধ্যে পাওয়া প্যাটার্নগুলি মানুষের বিচক্ষণতা দ্বারা চিহ্নিত করা যেত না, যেমন নগদ-প্রবাহের অস্থিরতা এবং প্ল্যাটফর্ম মেয়াদের মধ্যে ছোট ইন্টারঅ্যাকশন। বৈধতা গুরুত্বপূর্ণ। মডেলটি এমন ডেটাতে প্রয়োগ করা হয় যা এটি প্রশিক্ষিত হয়নি যাতে এর কার্যকারিতা বাস্তব এবং ওভারফিটিংয়ের ফলাফল নয়।

AUC, জিনি সহগ এবং কোলমোগোরভ-স্মির্নভ পরিসংখ্যানের মতো পরিমাপগুলি বৈষম্যের শক্তি পরিমাপ করতে ব্যবহৃত হয়, যেখানে ক্যালিব্রেশন প্লট নির্দেশ করে পূর্বাভাসিত সম্ভাবনাগুলি প্রকৃত ডিফল্ট হারের সাথে অভিন্ন কিনা। শিরোনাম সংখ্যার পাশাপাশি, ঋণদাতাদের বিভাগের উপর ভিত্তি করে কর্মক্ষমতা দেখতে হবে: নতুন-টু-ক্রেডিট বনাম অভিজ্ঞ ঋণগ্রহীতা, বিভিন্ন পেশা, অঞ্চল এবং আয়ের ব্যান্ড। স্থাপনার পরে, মডেল তখন নতুন আবেদনকারীদের তাৎক্ষণিক রেট করবে এবং কয়েক সেকেন্ডের মধ্যে একটি প্রতিক্রিয়া প্রদান করা হবে। প্রক্রিয়া সেখানে শেষ হতে পারে না। পরিসংখ্যান সময়ের সাথে পরিবর্তিত হয়, প্ল্যাটফর্ম তাদের নীতি বিকশিত করে এবং সামষ্টিক অর্থনীতি বিকশিত হয়।

\

:::tip এই গল্পটি সানিয়া কাপুর দ্বারা HackerNoon's Business Blogging Program-এর অধীনে একটি রিলিজ হিসাবে বিতরণ করা হয়েছিল।

:::

\