The Pulse

Affirm adotta un modello transformer per le decisioni sul credito in tempo reale

Affirm ha adottato un modello basato su transformer per la valutazione del merito creditizio al momento del pagamento negli Stati Uniti. Il sistema ha prodotto il 3,4% di acquisti completati in più, mantenendo un rischio di credito comparab

AI.info Team · Scritto con l’IA · verificato · 2026-09-18

«L’aspetto entusiasmante dell’architettura del modello transformer è che ora possiamo trovare nuove informazioni nei dati che già possediamo.»

Libor Michalek, presidente di 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. La società che offre il servizio «compra ora, paga dopo» ha annunciato l’adozione il 17 settembre, affermando che il sistema ha approvato ulteriori richieste ammissibili che i suoi precedenti modelli di valutazione del merito creditizio avrebbero respinto.

In una prima implementazione valutata rispetto a un gruppo di controllo, il modello ha generato il 3,4% di acquisti completati in più, ha dichiarato Affirm. Secondo la società, i prestiti aggiuntivi hanno registrato risultati migliori rispetto a quelli ottenuti con un’espansione comparabile realizzata con i precedenti modelli di machine learning dell’azienda. Il comunicato non ha fornito i dati sulle approvazioni, sui mancati pagamenti o sui volumi dei prestiti alla base del confronto.

L’annuncio di Affirm descrive il modello come la tappa più recente di 14 anni di valutazione del merito creditizio a livello di singola transazione. La società valuta ogni acquisto individualmente anziché concedere un’unica linea di credito revolving, utilizzando informazioni sul consumatore, sulla transazione e sul rischio di rimborso al momento dell’acquisto.

Affirm legge le storie creditizie come sequenze

I dati creditizi tradizionali si presentano spesso come un insieme di informazioni riepilogative: saldi dei conti, utilizzo del credito, numero di conti e storico dei pagamenti. Il nuovo modello di Affirm conserva questi dati in ingresso, ma esamina anche 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, osservandone i cambiamenti nel tempo. Secondo la società, il sistema può individuare questi segnali senza che gli ingegneri debbano progettare in anticipo una misura specifica per ogni possibile schema. Affirm ha utilizzato il modello in particolare per ampliare l’accesso alle persone con storie creditizie limitate e ai consumatori privi di punteggi FICO.

Michalek ha affermato che la società 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 a più persone in modo responsabile», ha dichiarato.

Il vincolo dei tempi di pagamento

L’adozione di un modello più complesso ha creato un problema pratico: la decisione sul credito deve comunque arrivare abbastanza rapidamente per un cliente che sta completando un acquisto. Secondo Affirm, un algoritmo proprietario costruito attorno al transformer mantiene lo stesso livello di spiegabilità dei suoi modelli di machine learning tradizionali, mantenendo il sistema abbastanza veloce per l’uso in tempo reale.

Affirm utilizza la validazione e il monitoraggio continuo per verificare che le spiegazioni del modello rimangano accurate e affidabili. La società non ha comunicato la latenza del modello, le dimensioni della sua architettura, la capacità di calcolo impiegata per l’addestramento né il metodo specifico di spiegazione utilizzato in produzione.

La spiegabilità ha un peso particolare nell’erogazione del credito, perché un’approvazione o un rifiuto automatizzati devono essere legati a motivazioni verificabili. L’annuncio di Affirm contiene un’affermazione sul prodotto relativa al suo sistema interno, senza presentare una verifica indipendente o un articolo di ricerca: i dati sulle prestazioni comunicati dalla società restano quindi la principale evidenza pubblica disponibile per il lancio.

Più approvazioni, non tutte le approvazioni

Affirm ha presentato l’adozione come una decisione sul rischio di credito, non come un esercizio volto a massimizzare le approvazioni. «L’obiettivo non è approvare ogni transazione, ma prendere la decisione giusta per ciascuna», ha affermato Michalek. Ha aggiunto che la società non trae beneficio dalla concessione di credito che i consumatori non possono rimborsare.

Questa distinzione riflette il modello di business di Affirm. La società valuta il merito creditizio per ogni acquisto in tempo reale e offre piani di pagamento basati su ciò che un consumatore può rimborsare responsabilmente, senza penali per ritardi o commissioni nascoste, afferma Affirm. I suoi precedenti materiali sulla valutazione del merito creditizio descrivono l’utilizzo di dati esterni delle agenzie di informazione creditizia, dello storico interno dei rimborsi e di dettagli delle transazioni come l’importo dell’acquisto richiesto.

L’adozione 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 comunicato da Affirm mostra il risultato commerciale immediato che la società ricerca: più transazioni a livelli di rischio che definisce comparabili. Il comunicato non precisa se il modello sarà esteso oltre la fase di pagamento negli Stati Uniti o come varino le sue prestazioni tra gruppi di consumatori.