Návrh Školení
AI v Kredibilitní Riziko: Základy a Možnosti
- Tradicionální vs. AI-povoděné modely kredibilitního rizika
- Výzvy při hodnocení kredibility: bias, vysvětlitelnost a spravedlnost
- Praktické případy použití AI ve výdajových operacích
Data pro Modely Kredibility Score
- Zdroje: transakční, chování a alternativní data
- Úprava dat a inženýrství funkcí pro rozhodnutí o poskytnutí půjček
- Zvládání nerovnováhy tříd a nedostatku dat při predikci rizika
Machine Learning pro Kredibilitní Score
- Logistická regrese, rozhodovací stromy a náhodné lesy
- Gradient boosting (LightGBM, XGBoost) pro přesnost skóre
- Techniky školení, validace a optimalizace modelů
AI-vedené Pracovní Postupy Půjček
- Automatizace segmentace půjčebných klientů a hodnocení rizika půjčky
- Vylepšené AI schvalování a procesy pro schválení
- Dynamické ceny a optimalizace úrokových sazeb pomocí ML
Interpretovatelnost Modelů a Odpovědný AI
- Vysvětlení predikcí s SHAP a LIME
- Spravedlnost v modelu kredibility: detekce a minimalizace biasu
- Shoda se standardními regulativními rámci (např. ECOA, GDPR)
Generative AI ve Scénářích Půjček
- Použití LLMs pro kontrolu aplikací a analýzu dokumentů
- Inženýrství požadavků pro komunikaci s půjčebnými klienty a inspékcí
- Generování syntetických dat pro testování modelů
Strategie a Governance AI v Kreditu
- Výstavba interních AI schopností vs. externí řešení
- Správa životního cyklu modelů a nejlepší praktiky správy
- Budoucí trendy: reálně časový kredibilitní score, integrace otevřené bankovnictví
Shrnutí a Další Kroky
Požadavky
- Přehled základů kreditního rizika
- Zkušenosti s analýzou dat nebo nástroji pro business intelligence
- Znalost Python nebo ochota se naučit základní syntax
Cílová skupina
- Manažeři půjčování
- Analýtičtí specialisté pro kredity
- Fintech inovátoři
Reference (1)
Velmi jsem si cenil způsobu, jakým instruktor prezentoval všechny informace. Rozuměl jsem všemu, i když Finance není moje specializovaná oblast, zajistil, aby byli všichni účastníci na stejné úrovni, zároveň držel rytmus a čas. Cvičení byla umístěna ve vhodných intervaloch. Communication s účastníky byl vždy přítomen. Materiál byl dokonalý, nebylo to ani příliš málo, ani příliš mnoho. Důkladně vysvětlil některé komplexnější téma tak, aby je každý mohl pochopit.
Diana
Kurz - ChatGPT for Finance
Přeloženo strojem