Kredi Skorlamasında Açıklanabilir Yapay Zeka

Makine Öğreniminde (ML) Rastgele Orman ve Gradyan Arttırma Makineleri gibi topluluk sınıflandırma algoritmaları, bir borçlunun kredi riskini tam olarak değerlendirmede oldukça başarılıdır. Ancak bu modellerin şeffaf olmaması, karar vericileri, müşterileri, paydaşları ve denetçileri belirli faktörlerin kredi puanlarını nasıl etkilediği konusunda genellikle karanlıkta bırakmaktadır.

Kara kutu kredi skorlama yöntemlerindeki bu şeffaflık eksikliği, bankacılık sektörüne olan güveni sarsabilir ve işletmelerin finansmanı ile büyümesi üzerinde potansiyel olumsuz etkiler yaratabilir. Avrupa Birliği ve Amerika Birleşik Devletleri’nin şeffaf ve açıklanabilir kredi karar süreçlerine yönelik düzenlemelerini dikkate alarak, yeni bir vekil modelleme çerçevesi öneriyoruz.

Bu çerçeve, şeffaf olmayan bir kara kutu kredi puanlama modelini, açıklanabilir bir kredi puanlama modeline dönüştürmek için tasarlanmıştır. Ortaya çıkan vekil model, kara kutu extreme gradient boosting (XGBoost) modelinin tahminleriyle yakından eşleşen şeffaf bir karar ağacı üretmektedir.

Ocak 2019 ve Mayıs 2023 tarihleri arasında bir Türk bankasından 100.000 çek keşidecisinin yaklaşık 800.000 ticari çek işleminden oluşan tescilli bir veri tabanını kullanarak vekil modelin uygulanabilirliğini test ettik. Bulgularımız, vekil karar ağacı modelinin performans açısından yalnızca kıyaslama karar ağacını aşmakla kalmayıp aynı zamanda XGBoost modelinin doğruluğuna da yaklaştığını göstermektedir.

Genel olarak, bulgularımız tahmin doğruluğunda minimum kayıpla açıklanabilir kredi puanlama modelleri geliştirmenin mümkün olduğunu ortaya koymaktadır.

Proje  Yılı: 2022

Proje Ortağı: Fibabanka