Нейросети не обошли классические ML-модели в кредитном скоринге

Несмотря на впечатляющие успехи нейросетей в распознавании образов, голоса и генерации текста, их применение в кредитном скоринге демонстрирует иные результаты. Проведенное исследование наглядно показало, что в этой сфере искусственный интеллект пока не превосходит давно известные и отработанные методы машинного обучения.

В рамках эксперимента оценивались возможности различных моделей: от решающих деревьев и случайных лесов до бустинга и многослойных нейросетей. Все эти подходы, как выяснилось, сталкиваются с одним и тем же «потолком» эффективности при анализе данных для кредитного скоринга. Это указывает на то, что сложность нейросетей не всегда гарантирует лучший результат в специфических бизнес-задачах.

Результаты исследования могут быть важны для финансовых учреждений и разработчиков, принимающих решения о внедрении технологий. Они предполагают, что для оценки кредитных рисков классические ML-модели остаются конкурентоспособными и, возможно, более экономичными в плане ресурсов и вычислительных мощностей, чем сложные нейронные сети.