The Pulse
Affirm implementa un modello transformer per decisioni sul credito in tempo reale
Affirm ha implementato negli Stati Uniti un modello di valutazione del merito creditizio basato su transformer, utilizzato al momento del pagamento. L’azienda afferma che il sistema ha prodotto il 3,4% in più di acquisti completati, mantene
AI.info Team ·
«L’aspetto entusiasmante dell’architettura del modello transformer è che ora possiamo trovare nuove informazioni nei dati che già possediamo.»
Libor Michalek, presidente, Affirm
Affirm ha messo in produzione un modello di machine learning basato su transformer per prendere decisioni sul credito in tempo reale al momento del pagamento negli Stati Uniti. Il 17 settembre, la società che offre la formula «compra ora, paga dopo» ha annunciato l’implementazione, affermando che il sistema ha approvato altre richieste idonee che i precedenti modelli di valutazione del merito creditizio avrebbero respinto.
In un’implementazione iniziale confrontata con un gruppo di controllo, Affirm ha dichiarato che il modello ha generato il 3,4% in più di acquisti completati. Secondo Affirm, i prestiti aggiuntivi hanno registrato risultati migliori rispetto a un’espansione comparabile realizzata con i precedenti modelli di machine learning dell’azienda. Il comunicato non ha fornito i dati sottostanti relativi alle approvazioni, alle insolvenze o al volume dei prestiti su cui si basa il confronto.
L’annuncio di Affirm descrive il modello come la fase più recente di 14 anni di valutazione del merito creditizio a livello di singola transazione. L’azienda valuta ogni acquisto individualmente, invece di concedere un’unica linea di credito revolving, utilizzando al momento dell’acquisto informazioni sul consumatore, sulla transazione e sul rischio di rimborso.
Affirm legge le storie creditizie come sequenze
I dati creditizi tradizionali si presentano spesso sotto forma di riepiloghi: saldi dei conti, utilizzo del credito, numero di conti e cronologia dei pagamenti. Affirm afferma che il nuovo modello conserva questi input, ma esamina l’ordine e la tempistica degli eventi nella storia creditizia di un consumatore.
Questo consente al transformer di individuare schemi all’interno dei singoli conti di credito e tra più conti, man mano che cambiano nel tempo. L’azienda afferma che il sistema può rilevare questi segnali senza che gli ingegneri debbano progettare in anticipo una misura distinta per ogni possibile schema. Affirm ha utilizzato in particolare il modello per ampliare l’accesso alle persone con una storia creditizia limitata e ai consumatori senza un punteggio FICO.
Michalek ha affermato che l’azienda ha aumentato la quantità di dati utilizzati per addestrare ogni generazione dei suoi modelli di valutazione del merito creditizio. «Vedere più chiaramente una storia creditizia significa poter dire sì responsabilmente a più persone», ha dichiarato.
Il vincolo del pagamento
L’implementazione di un modello più complesso ha creato un problema pratico: la decisione sul credito deve comunque arrivare abbastanza rapidamente da consentire al cliente di completare un acquisto. Affirm ha dichiarato di aver sviluppato un algoritmo proprietario attorno al transformer, che mantiene lo stesso livello di spiegabilità dei suoi modelli tradizionali di machine learning, garantendo al contempo una velocità sufficiente per l’uso in tempo reale.
L’azienda ha anche affermato di utilizzare procedure di convalida e monitoraggio continuo per verificare che le spiegazioni del modello restino accurate e affidabili. Affirm non ha reso noti la latenza del modello, le dimensioni dell’architettura, la potenza di calcolo impiegata per l’addestramento né il metodo specifico di spiegazione utilizzato in produzione.
La spiegabilità ha un peso particolare nel settore dei prestiti, perché un’approvazione o un rifiuto automatizzati devono essere ricondotti a motivazioni che possano essere esaminate. L’annuncio di Affirm presenta un’affermazione sul proprio sistema interno, anziché un audit indipendente o un articolo di ricerca; pertanto, i dati sulle prestazioni riportati dall’azienda restano la principale evidenza pubblica disponibile sul lancio.
Più approvazioni, non tutte le approvazioni
Affirm ha presentato l’introduzione del modello come una decisione sul rischio di credito, non come un tentativo di massimizzare le approvazioni. «L’obiettivo non è approvare ogni transazione, ma prendere la decisione giusta per ciascuna», ha dichiarato Michalek. Ha aggiunto che l’azienda non trae vantaggio dal concedere credito che i consumatori non sono in grado di rimborsare.
Questa distinzione rispecchia il modello di business di Affirm. L’azienda afferma di valutare ogni acquisto in tempo reale e di offrire piani di pagamento commisurati a quanto un consumatore può rimborsare responsabilmente, senza commissioni per ritardi né costi nascosti. I precedenti materiali dell’azienda sulla valutazione del merito creditizio descrivono l’uso di dati esterni delle agenzie di informazioni creditizie, della cronologia interna dei rimborsi e di dettagli della transazione, come l’importo richiesto per l’acquisto.
L’implementazione del transformer estende questo approccio trattando la storia creditizia come una sequenza in evoluzione, anziché come una raccolta statica di indicatori relativi ai conti. L’aumento del 3,4% degli acquisti completati riportato da Affirm mostra il risultato commerciale immediato che l’azienda intende ottenere: più transazioni con livelli di rischio che, secondo la società, sono comparabili. Il comunicato non specifica se il modello sarà esteso oltre il pagamento negli Stati Uniti né come varino le sue prestazioni tra i diversi gruppi di consumatori.