מודלי דירוג אשראי בעידן הבינה המלאכותית דורשים יותר מדיוק
מנהלים בתחום הפיננסי פוגשים היום הבטחה מפתה: כלי AI כותבים קוד, מייצרים משתנים, מריצים ניסויים ומשווים מדדים בתוך דקות. בפועל, מודלי דירוג אשראי אינם עוד פרויקט אנליטי רגיל. כאשר מודל משפיע על אישור הלוואה, מסגרת אשראי או תמחור סיכון, הארגון חייב לשאול לא רק האם המודל מדויק, אלא האם ניתן להסביר אותו, לנטר אותו ולסמוך עליו גם בתקופה אחרת.
מודלי דירוג אשראי צריכים ממשל ולא רק אלגוריתם
הגישה המקצועית שמתחילה ברגרסיה לוגיסטית ומשלבת כלי פיתוח כמו Codex ממחישה נקודה חשובה: בינה מלאכותית יכולה להאיץ מאוד את עבודת צוותי הסיכון, אך היא אינה מחליפה מתודולוגיה. רגרסיה לוגיסטית נשארת סטנדרט חזק בתחום האשראי משום שהיא מאפשרת להבין את כיוון ההשפעה של משתנים, לבחון מובהקות, לזהות חריגות ולתרגם את התוצאה לשפה עסקית ורגולטורית.
השאלה הנכונה אינה האם Gradient Boosting או רשת נוירונים נותנים עוד חצי אחוז במדד AUC. השאלה היא האם המודל יישאר עקבי מול תיק לקוחות משתנה, סביבת ריבית אחרת, מדיניות חיתום חדשה ולחץ רגולטורי. מודל מורכב שאינו ניתן להסבר עלול להפוך מנכס אנליטי לסיכון תפעולי.
יציבות מודלים חשובה כמו מדדי ביצוע
בדירוג אשראי נכון לבחון לפחות שלושה עולמות: אימון, בדיקה ומדגם מחוץ לזמן הפיתוח. פערים גדולים בין המדגמים מעידים לעיתים על התאמת יתר, כלומר מודל שלמד היטב את ההיסטוריה אך יתקשה להכליל קדימה. לכן מדדים כמו Gini, Recall ו-PR-AUC חייבים להיבחן לצד יציבות, דריפט במשתנים, שינויי אוכלוסייה והתנהגות חריגה של קטגוריות.
כאשר אנו מלווים חברות בתהליכים דומים, הפער המרכזי אינו תמיד ביכולת הטכנית להריץ מודלים. הפער נמצא בממשל: מי מאשר משתנים, מי בודק היגיון עסקי, מי מנטר ביצועים חודשיים, ומתי עוצרים מודל שסטה מהתנהגותו המקורית. בלי מנגנון כזה, אוטומציה מהירה רק מגדילה את קצב ייצור הסיכון.
בינה מלאכותית כמאיץ מקצועי עם אדם בלולאה
כלי AI יכולים ליצור קומבינציות משתנים, לבצע קידוד קטגוריאלי, להפיק טבלאות השוואה, לתעד ניסויים ולבנות דוחות ולידציה ראשוניים. היתרון העסקי ברור: מחזור פיתוח שיכול להתקצר משבועות לימים. אבל אדם בלולאה נשאר רכיב קריטי, לא כחותמת גומי אלא כגורם שמוודא כיוון עסקי, הוגנות, יציבות ותאימות רגולטורית. האתגר הניהולי הוא לא להציב אדם על כל פעולה, אלא לבנות תהליך שבו מומחה אחד מפקח על מאות ריצות באמצעות בקרות, ספים והתראות.
הצעד הנכון לארגונים פיננסיים הוא לבנות מסלול כפול: אוריינות AI לצוותי סיכון, חיתום וציות, לצד תשתית פנימית לפיתוח, תיעוד וניהול מודלים. יש להגדיר מראש מדדי קבלה, מדדי יציבות, כללי פסילה למשתנים, תהליך ולידציה בלתי תלוי ולוח ניטור לאחר פריסה. מודל דירוג טוב אינו זה שנראה מרשים במעבדה, אלא זה שממשיך לקבל החלטות סבירות כשהשוק משתנה וכשהרגולטור מבקש הסבר ברור.
