在信用风险中拥抱生成式 AI

风险与弹性实践 在信用风险中拥抱生成式AI 信用风险组织已经在采用GeneAI技术。他们如何安全、大规模地部署这 些技术？ 本文是AndreasKremer，ArvindGovindarajan，HimanshuSingh和IdaKristensen与ElaineLi的合作成果，代表了麦肯锡风险与弹性实践的观点。 2024年7月 一些技术如此引人注目，以至于他们很快就拥有了自己的生活。创生AI（generativeAI）在2022年末从实验室跃升为主流，当时OpenAI推出 ChatGPT服务的公开测试版。在两个月内，它拥有超过1 亿用户，1使其成为人类历史上增长最快的产品。 到2023年第一季度，大型技术公司已将GeneAI功能集成到自己的产品中，并为业务客户提供对生成模型的编程访问。一年后，GeneAI在多个行业中脱颖而出，包括那些传统上采取相对保守的方法来采用新兴技术的行业-信用风险， 例如。 麦肯锡最近对24家金融机构的高级信用风险主管进行了调查，其中包括美国十大银行中的九家。我们询问了这些高管他们组织采用GenAI的情况、当前的用例、他们未来的计划以及他们预期的挑战。 20％的受访者已经在其组织中实施了至少一个GeneralAI 用例，另有60％的受访者预计 即使是这些高管中最谨慎的人也认为，genAI将在两年内成为其公司信用风险流程的一部分。 信用风险中的用例 随着这些金融机构准备使用GeneralAI，他们正在考虑在整个信贷生命周期中的潜在应用。一般来说，此类应用程序使用大型语言模型(LLM)来组合、汇总和分析非结构化数据和自然语言。它们还可以输出复杂形式的自然语言(如报告、 电子邮件和摘要文档），并为其他软件工具生成结构化数据或说明。我们的调查揭示了几种潜在的 GenAI在信用风险中的用例。 在客户参与，GeneAI可能用于根据客户的个人资料和活动历史为客户提供超个性化的产品组合。GenAI系统可以通过起草个性化的外展通信，总结会议并建议下一步来支持关系经理。GenAI驱动的虚拟专家可以 帮助客户识别和确定合适的产品。 附件1 在我们的调查中，80%的信用风险组织预计将在一年内实施GenAI技术。 对实施生成式AI(GeneralAI)的期望，1%的受访者 已经实现了至少1个用例 将在未来3-6个月内实施 将在未来6-12个月内实施 将在未来1-2年内实施 20 40 20 20 80%预计将在一年内实施GeneAI技术 1问题：您希望何时实施您的第一个生成AI用例？（n=24）。来源：2023年10月首席信用风险官圆桌会议 麦肯锡公司 1KrystalHu，“ChatGPT创造了增长最快的用户群记录-分析师指出”，路透社，2023年2月2日。 在信贷决策和承保流程，一代AI工具可以审查文档和标记 违反政策或缺失数据。他们可以起草外展通信，寻求客户的澄清或缺失信息。他们可以帮助汇编关于客户的信息， 进行信用分析，并在信贷员审查之前起草信用备忘录的几个部分。基于代理的genAI系统可以自主地遵循任务序列，从来源中提取信息，计算相关比率，将结果与典型阈值进行比较，并在信用备忘录中汇总结果。这些功能可以 所有这些都是用自然语言开发的，使用简单的英语，编程需求有限 和先进的建模技能。 一旦信贷获得批准，GenAI可以简化和加速签约流程。例如，GenAI系统可以起草法律合同，或创建外展通信，以告知客户可能需要的信贷决策和后续步骤。 在投资组合监控，generAI工具可以通过多种方式为投资组合经理提供支持，例如自动创建常规绩效和风险报告或起草投资组合优化选项的摘要（基于投资组合经理的分析 ）。GenAI系统甚至可以 根据组织的风险偏好制定特定于细分市场的优化策略，并通过使用实时非结构化信息（如新闻或市场报告）来优化现有的预警系统（EWS），以识别风险较高的借款人或可能需要关注的借款人细分市场。 最后，GenAI工具可以支持客户协助processes–forexample,bydrawingpersonalizedreachcommunicationstocustomersintheeventofissues.GenAIsystemscouldalsoidentifysuitablerestructuringoptions ，然后引导客户完成重组过程。此外，一些机构在使用GeneAI指导其代理人与客户的实时互动和通话后分析。 我们调查的受访者表示，他们正在探索所有这些领域的genenAI应用程序。投资组合监控目前是受访者中的主要活动领域：近60％的人正在追求这些用例。信用申请流程是报告活动以及控制和报告的第二大领域：超过40 ％的受访者报告说正在进行中 orplannedprojectsinbothareas(Exhibit2).Acrossbusinesslines,respondentsseeslightlymorepotentialforgenAIinwholesalethaninretailcredit. 附件2 受访者正在规划整个信用风险生命周期的GeneAI项目。 信用风险生命周期中的生成式人工智能(GeneralAI)应用领域，1%的受访者 38425842331321 承销 Credit Portfolio 控制和 集合和 Portfolio Others 应用程序 监测和预警 报告 不良 贷款 战略 1问题：您在哪些领域应用（或计划应用）生成AI？（n=24）。受访者可以选择多个选项。来源：2023年10月首席信用风险官圆桌会议麦肯锡公司 genAI在信用风险中的现状 GenAI已经进入了信用风险领域，但尚未改变它。接受调查的高管对他们的GenAI用例的现状非常坦率，这些用例大多是针对特定运营痛点的狭窄，非面向客户的解决方案。 例如，一家银行开发了一种概念验证的geerAI工具，可以为商业客户预先填充气候风险问卷。银行的关系经理必须定期填写此类问卷，作为其气候风险监测的一部分。geerAI系统基于LLM，从客户的年度报告和其他披露中提取相关信息。这些源文件经过预处理，以识别相关部分，这些部分与精心设计的提示一起呈现给模型。 查找和总结关键信息。该模型提供了综合响应，包括对源材料的相关引用。最后，人类主题专家审查并验证结果。 几家银行已经探索过的另一个用例是在起草信用备忘录时使用geAI。在商业银行中，第一行通常必须投入大量时间来收集信息，执行分析以及撰写备忘录以进行信贷决策和承保目的。GeAI工具可以执行以下任务，例如提取、收集和获取信息;分析财务信息;可视化数据;并按照预设说明起草备忘录部分。然后，投资组合经理可以在最终确定之前审查起草的备忘录，以及由geerAI工具提供的估计置信水平。此外。 为了释放其他活动的容量，该工具可以提高产生的备忘录，并有可能加快信贷决策过程。 这种系统的编程可以通过使用基于代理的系统以自然语言执行，而不需要编程或高级 建模技能。元代理可以协调精心制作的代理，专门从事特定任务，以实现多步骤任务的结果。在信用备忘录的情况下，这些可以包括提取信息，计算比率和 汇总信息。额外的代理层可以增强风险控制机制，并有助于减少常见的genAI陷阱，如幻觉。 自从引入此类AI系统以来，使用它们的银行将回答气候风险问题所需的时间减少了约90％，从两个多小时减少到不到15分钟。系统的答案在90％的时间内完全正确。 挑战 高管们承认，扩大GeneAI在信用风险中的应用将具有挑战性。最重要的障碍，由 75%的受访者关注风险和治理。与使用genAI相关的主要风险类别包括： —混淆或误导用户的算法公平性受损 —侵犯知识产权，如侵犯版权或剽窃 —使用个人或敏感信息训练模型导致的隐私侵犯 —恶意内容的产生 —安全线程和相关漏洞 —性能和可解释性问题 —使用第三方专有数据的风险 —环境、社会和治理(ESG)效应，如碳排放增加或劳动力中断 如果没有有效管理，关键风险可能会导致监管、法律、声誉和业务后果。 67％的参与者强调了内部GeneAI功能的潜在短缺 组织。大约50％的参与者提到的其他挑战包括定义用例和价值的困难。 我们要求参与者详细说明需要框架或护栏来管理通用人工智能应用程序中的风险。79%的受访者认为，最关心的问题是数据质量，其次是模型风险问题(58%的受访者提到)，如透明度、可听性、公平性和可解释性。 信用风险组织中对genAI缺乏正式和协调的组织支持加剧了其中的一些挑战。只有三分之一的受访者的机构已经建立 卓越中心(CoE)，用于管理generAI用例。不到10%的受访者报告说，他们的组织现在集中定义generAI用例。其中大多数是发起的 以分散的方式，所以常见的做法和教训没有被利用。 构建genAI生态系统 为了充分挖掘genAI在信用风险方面的潜力，金融机构必须超越当今的临时方法，并开发一套通用的实践来优先考虑、开发、部署、维护和重用genAI应用程序。 —AnAI路线图这应该与组织更广泛的业务战略保持一致 ，解释所需的能力和解决方案，并为大规模开发、启动和部署提供时间表。 —对齐进程用于构建genAI工具。 这些应该支持快速但安全的端到端实验、全面的验证和解决方案的部署。 —一个安全的，一代AI就绪技术栈支持混合云环境 ，因此公司可以访问训练模型所需的计算能力，然后运行它们 这样的堆栈应该能够管理非结构化数据，训练和执行模型，以及预处理和后处理数据。 —与企业级集成基础模型和工具。这些是大型深度学习神经网络，例如大型语言 支持先进一代AI系统的模型，以及支持 他们的定制和部署。GenAI应用程序直接使用此类模型或在其上构建以开发专有解决方案。 —健壮自动化支撑工具其中包括机器学习操作（MLOps ，用于管理培训和模型开发的系统）以及适当的数据基础设施和处理管道，以支持用例的开发，发布和维护。 —A治理与人才模式可以部署跨职能的专业知识来支持GeneralAI开发。提供此专业知识的人员可能包括软件开发人员，自然语言处理（NLP）专家，基于强化学习的团队 关于人类反馈(RLHF)、云计算专家、人工智能产品领导者和法律 和监管专家。 —A模块化解决方案架构这允许跨不同层（例如UX层和业务逻辑层）进行并行开发和可定制的连接。 —这些做法的产物应该是 a生产就绪、可重用的genAI服务和解决方案库中的项目 库可以插入到整个信用价值链中的一系列业务场景和应用程序中。 找到更多这样的内容 麦肯锡见解应用程序 扫描•下载•个性化 开发和部署这八个实践将花费大多数机构的时间，但即使部署其中一些实践也可以显着提高效率和有效性。例如，实施了两个实践的机构报告说，成功的genAI部署已加速30%到50%。首先，这样的机构遵循模块化的解决方案架构，包括三层：用户体验层、业务逻辑层和基础设施层。这些都是由组织的运营模型实现的。其次， 这些机构重用现有组件并采用开源库；例如，开发人员可以从开源工具中的众多现成模块（例如数据检索管道 ，提示库和护栏）中进行选择，以快速构建端到端 GeneralAI解决方案-通常只需一到两周。 主要信用风险参与者正在迅速拥抱生成AI。该技术具有变革潜力，有望在整个信贷生命周期中提高效率，准确性和个性化服务。尽管早期采用者已经开始获得这些好处，但广泛的实施需要金融机构克服与风险治理、人才获取以及创建全面的生态系统以支持geerAI应用相关的重大挑战。通过解决这些障碍并营造一个鼓励创新和协作的环境，金融机构可以释放generAI的全部潜力，树立新标准 卓越的信用风险管理。 安德烈亚斯·克雷默是麦肯锡柏林办事处的合伙人；ArvindGovindarajan是波士顿办事处的合伙人；HimanshuSingh是纽约办事处的合伙人IdaKristensen是高级合伙人；以及ElaineLi是硅谷办公室的顾问. 麦肯锡全球出版公司