Plan Szkolenia
Sztuczna Inteligencja w Zarządzaniu Ryzykiem Kredytowym: Podstawy i Możliwości
- Tradycyjne modele vs modele oparte na sztucznej inteligencji w zarządzaniu ryzykiem kredytowym
- Wyzwania w ocenie kredytowej: uprzedzenia, wyjaśnialność i uczciwość
- Studia przypadków zastosowania sztucznej inteligencji w udzielaniu pożyczek
Dane dla Modeli Scoringu Kredytowego
- Źródła: dane transakcyjne, behawioralne i alternatywne
- Czyszczenie danych i inżynieria cech dla decyzji kredytowych
- Zarządzanie nierównowagą klas i niedoborem danych w predykcji ryzyka
Uczenie Maszynowe w Scoringu Kredytowym
- Regresja logistyczna, drzewa decyzyjne i lasy losowe
- Gradient boosting (LightGBM, XGBoost) dla dokładności scoringu
- Techniki trenowania, walidacji i strojenia modeli
Zautomatyzowane Procesy Udzielania Pożyczek z Wykorzystaniem SI
- Automatyzacja segmentacji kredytobiorców i oceny ryzyka pożyczek
- Procesy underwritingu i zatwierdzania wzmocnione przez sztuczną inteligencję
- Dynamiczne ustalanie cen i optymalizacja oprocentowania z wykorzystaniem uczenia maszynowego
Interpretowalność Modeli i Odpowiedzialna Sztuczna Inteligencja
- Wyjaśnianie predykcji za pomocą SHAP i LIME
- Uczciwość w modelach kredytowych: wykrywanie i łagodzenie uprzedzeń
- Zgodność z ramami regulacyjnymi (np. ECOA, GDPR)
Generativezna Sztuczna Inteligencja w Scenariuszach Pożyczkowych
- Wykorzystanie LLM do przeglądu wniosków i analizy dokumentów
- Inżynieria promptów do komunikacji z kredytobiorcami i uzyskiwania spostrzeżeń
- Generowanie danych syntetycznych do testowania modeli
Strategia i Zarządzanie Sztuczną Inteligencją w Kredytowaniu
- Budowanie wewnętrznych kompetencji SI vs zewnętrzne rozwiązania
- Najlepsze praktyki zarządzania cyklem życia modeli i zarządzania nimi
- Trendy na przyszłość: scoring kredytowy w czasie rzeczywistym, integracja z open bankingiem
Podsumowanie i Kolejne Kroki
Wymagania
- Zrozumienie podstaw zarządzania ryzykiem kredytowym
- Doświadczenie w analizie danych lub narzędziach business intelligence
- Znajomość Pythona lub gotowość do nauki podstawowej składni
Grupa docelowa
- Menedżerowie ds. pożyczek
- Analitycy kredytowi
- Innowatorzy w obszarze fintech
Opinie uczestników (3)
Trenerzy mogą odpowiadać na wszystkie pytania i przyjmować wszelkie zapytania
Dewi Anggryni - PT Dentsu International Indonesia
Szkolenie - Copilot for Finance and Accounting Professionals
Przetłumaczone przez sztuczną inteligencję
Tło/teoria LLM, ćwiczenie
Joanne Wong - IPG HK Limited
Szkolenie - Applied AI for Financial Statement Analysis & Reporting
Przetłumaczone przez sztuczną inteligencję
Możliwe zastosowania/ćwiczenia
Estelle De la Fouchardiere - Advanced Bionics AG
Szkolenie - Machine Learning & AI for Finance Professionals
Przetłumaczone przez sztuczną inteligencję