Kreditgeber und Gesetze zur Regelung fairer Kreditvergabe sind seit Hunderten von Jahren Zielscheibe für Diskriminierung. Oftmals haben bestimmte Personengruppen keine Chance, sich für einen Kredit zu qualifizieren. Zu diesen Gruppen gehören Farbige, Menschen ohne höhere Bildungsabschlüsse, Einwanderer und jüngere Generationen mit geringer oder nicht vorhandener Kreditvergangenheit. Da diese unterversorgten Bevölkerungsgruppen als diejenigen mit dem größten Risiko angesehen werden, stehen sie bei der Kreditvergabe meist an letzter Stelle.
Oft werden diese Menschen als "underbanked". Das bedeutet, dass sie keine herkömmliche Kreditwürdigkeit haben oder nur sehr wenige Informationen in ihren Kreditakten haben. Diese Menschen befinden sich in einem Teufelskreis, in dem sie keinen Kredit bekommen können, weil sie keinen Kredit in ihrer Akte haben oder keinen zur Verfügung haben. Ein fehlerhaftes herkömmliches Scoring-Modell hält diese potenziell qualifizierten Antragsteller vom Zugang zu Krediten ab.
Banken, Hypothekarkreditgeber und FinTech-Startups beginnen damit, die riesige Menge an verfügbaren Daten zu nutzen, um genauere, fundierte Entscheidungen bei der Kreditvergabe zu treffen. Dies ist der Punkt, an dem künstliche Intelligenz (AI) und maschinelles Lernen (ML) das Potenzial, den fairen Kreditvergabeprozess, wie wir ihn heute kennen, zu revolutionieren.
Was ist ein Darlehen?
Investopedia definiert ein Darlehen als "Geld, Eigentum oder andere materielle Güter, die einer anderen Partei im Austausch für die zukünftige Rückzahlung des Darlehenswerts oder Kapitalbetrags zusammen mit Zinsen oder Finanzierungskosten gegeben werden".
Bei Krediten gibt es viele Dinge zu beachten. Bei Darlehen mit hohen Zinssätzen sind die monatlichen Raten höher - oder die Rückzahlung dauert länger - als bei Darlehen mit niedrigen Zinssätzen. Darlehen können durch Sicherheiten wie eine Hypothek oder ungesichert wie eine Kreditkarte abgesichert sein. Revolvierende Darlehen oder Kreditlinien können ausgegeben, zurückgezahlt und wieder ausgegeben werden, während Laufzeitdarlehen Darlehen mit festem Zinssatz und fester Rückzahlung sind.
Es gibt auch verschiedene Arten von Krediten, z. B. gesicherte und ungesicherte sowie revolvierende und befristete. Hypotheken und Autokredite sind besicherte Kredite, während Kreditkartenkredite in der Regel unbesichert oder nicht durch Sicherheiten abgesichert sind. Eine Kreditkarte ist ein unbesicherter, revolvierender Kredit, während ein Eigenheimkredit (HELOC) ein besicherter, revolvierender Kredit ist.
Das traditionelle Modell der Kreditwürdigkeitsprüfung
Das Gesetz über fairen Wohnraum (FHA) und das Equal Credit Opportunity Act (ECOA) schützen die Verbraucher durch das Verbot unfairer und diskriminierender Praktiken. Obwohl diese Gesetze seit Jahrzehnten in Kraft sind, haben Kreditsachbearbeiter und Vermieter notorisch Schlupflöcher im System gefunden, um bestimmte Personengruppen zu diskriminieren.
Vor der Einführung der KI wurden Kredite von einem Bankmitarbeiter anhand von Papierkram bearbeitet. Der Kreditsachbearbeiter bewertete nach eigenem Ermessen (das anfällig für Voreingenommenheit ist) die Vertrauenswürdigkeit des Kreditantragstellers, seine Schulden vollständig und pünktlich zu bezahlen und seine Finanzen zu verwalten. In dem Bewusstsein, dass bestimmte Personengruppen "kreditunfähig" oder nicht ausreichend kreditwürdig sind, scheuen diese Kreditsachbearbeiter entweder vor der Kreditvergabe an diese Personen zurück oder empfehlen "hochriskante, hochpreisige Produkte." Das Ergebnis? Die Personengruppen, die dem Kreditsachbearbeiter am ähnlichsten sind, erhalten mehr Kredite, während diejenigen, die dem Kreditsachbearbeiter am wenigsten ähnlich sind, darunter leiden.
Da es keine Möglichkeit gab, wirklich zu verstehen, wie die einzelnen Kreditgeber ihre Entscheidungen treffen, nutzten die Aufsichtsbehörden statistische Ergebnisse, um festzustellen, wer eine faire Kreditvergabe praktizierte und wer nicht. Aber diese Statistiken sind oft verzerrt und berücksichtigen nicht das Gesamtbild, das erforderlich ist, um zu bestimmen, ob jemand "riskant" ist oder nicht. Wenn man sich nur auf eine Kreditwürdigkeitsprüfung und Berichte verlässt lässt wertvolle Informationen aus die einen Antragsteller für einen Kredit qualifizieren können, auch wenn die Punktzahl etwas anderes aussagt.
Jeder Kreditgeber legt seine eigenen Kriterien für die Kreditvergabe und die Preisgestaltung fest. Der Mangel an Standardisierung macht es schwierig, den effektiven Jahreszins für jemanden mit schlechter Bonität vorherzusagen. Wenn jemand eine schlechte Bonität hat, erhält ein Antragsteller in der Regel Angebote am oberen Ende der Zinssätze von über 36 %. Untersuchungen haben gezeigt, dass bestimmte Gruppen von Menschen anfälliger sind schlechtere Kreditwürdigkeit und dünnere Kreditakten haben, sind diese Menschen oft das Ziel von unlauteren Kreditvergabepraktiken und Diskriminierung, wenn es darum geht, einen Kredit zu bekommen.
Wie KI das Spielfeld ebnen kann
Das maschinelle Lernen ist in der Lage, die Diskriminierung bei Krediten zu verringern. ML-Modelle verwenden beispielsweise bis zu 100 Mal mehr Datenpunkte und ausgefeiltere mathematische Verfahren, um in wenigen Sekunden eine bessere Risikovorhersage zu erstellen. ML-Kreditmodelle können mehr Indikatoren für die Kreditwürdigkeit einbeziehen und subtile Verbindungen zwischen einzelnen Informationen aufdecken, die ein klareres Bild davon vermitteln, ob jemand ein gutes Kreditrisiko darstellt.
Es gibt eine wachsende Zahl von FinTech-Startups, die sich KI zunutze machen, um die faire Kreditvergabe zu revolutionieren. Zu diesen Unternehmen gehören unter anderem solche wie Underwrite.aiein Unternehmen, das Algorithmen entwickelt, die maschinelles Lernen nutzen und von Kreditgebern angepasst werden können, um sie bei Kreditentscheidungen zu unterstützen. Andere Unternehmen wie Upstart haben Big Data und maschinelles Lernen in den Kreditvergabeprozess integriert. Upstart vergibt Privatkredite an Verbraucher auf der Grundlage einer Bewertung ihrer Kreditwürdigkeit, die zum Teil auf der Ausbildung und der Beschäftigungsgeschichte basiert. Nach Angaben von Verbraucherfinanz-Monitorhaben die Ergebnisse des Modells von Upstart, das alternative Daten und maschinelles Lernen nutzt, "27 % mehr Anträge genehmigt als ein traditionelles Kreditvergabemodell und einen um 16 % niedrigeren durchschnittlichen effektiven Jahreszins ergeben. "
Es liegt auf der Hand, dass KI den Zugang zu Krediten für Minderheiten und einkommensschwache Kreditnehmer verbessern kann, die von der herkömmlichen Kreditvergabe ausgeschlossen sind. Ein wichtiger Aspekt ist, dass unfaire Kreditvergabe immer noch ein Risiko für maschinelle Lernmodelle darstellt. "Die Verbreitung des maschinellen Lernens wird menschliche Voreingenommenheit aufdecken und als 'moralischer Spiegel' fungieren", so Shannon Vallor, Professorin für Philosophie an der Santa Clara University und KI-Ethikerin bei Google. "Modelle sind nicht nur Mustererkenner, sondern auch Musterverstärker", erklärte sie gegenüber Forrester.
Um Vallors Aussage zu ergänzen: Technologie ist neutral und an sich nicht schädlich. Schädlich sind die Einstellungen, die es gibt und die das Potenzial haben, die Technologie zu beeinflussen. In diesem Sinne können Technologen die Fähigkeiten der KI nutzen, um eine faire Kreditvergabe zu ermöglichen, solange die Ethik bei der Produktgestaltung und -programmierung im Vordergrund steht. Kodierung.
Zusammenfassung
Angesichts der Vielzahl möglicher gesellschaftlicher Auswirkungen müssen die politischen Entscheidungsträger überlegen, welche Praktiken zulässig sind und welche nicht, und welche rechtlichen und regulatorischen Strukturen erforderlich sind, um die Verbraucher vor unlauteren oder diskriminierenden Kreditvergabepraktiken zu schützen. Die Kreditvergabegesetze des Landes werden aktualisiert werden müssen, um mit diesen technologischen Entwicklungen Schritt zu halten, wenn sie von Banken und anderen Finanzunternehmen in größerem Umfang eingesetzt werden.
Die künstliche Intelligenz ist ein leistungsfähiges Instrument zur Revolutionierung fairer Kreditvergabepraktiken. Wenn sie mit Bedacht eingesetzt wird, kann diese Technologie mehr qualifizierten Menschen Zugang zu Krediten verschaffen, um ihre finanzielle Situation zu verbessern. Dies trägt zur Beseitigung von Diskriminierung und zur Verringerung der Armut bei, was die Gesellschaft insgesamt verbessert und eine gerechtere Chancengleichheit für alle verwirklicht.
Möchten Sie mehr darüber erfahren, wie automatisierte Einblicke und Entscheidungen den Kreditvergabeprozess unterstützen können? Sehen Sie sich unsere Briefing zur Kreditvergabe für automatisierte, faire Kreditlösungen. Wir helfen Unternehmen wie dem Ihren dabei, sicherzustellen, dass Ihre Kreditvergabeprozesse jederzeit konform und fair sind.
Über ProcessMaker
ProcessMaker ist eine low-code Geschäftsprozessmanagement- und Workflow-Software. ProcessMaker erleichtert die Zusammenarbeit von Business-Analysten mit der IT-Abteilung, um komplexe Geschäftsprozesse zu automatisieren, die Menschen und bestehende Unternehmenssysteme miteinander verbinden. ProcessMaker hat seinen Hauptsitz in Durham, North Carolina in den Vereinigten Staaten und verfügt über ein Partnernetzwerk in 35 Ländern auf fünf Kontinenten. Hunderte von Geschäftskunden, darunter viele Fortune-100-Unternehmen, verlassen sich auf ProcessMaker, wenn es darum geht, ihre Kerngeschäftsprozesse digital zu transformieren, um schnellere Entscheidungen zu treffen, die Einhaltung von Vorschriften zu verbessern und die Leistung zu steigern.
