Bądźmy w kontakcie

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
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie