In questa fase di grandi cambiamenti e trasformazione digitale le banche si trovano ad affrontare sfide complesse che riguarderanno molteplici ambiti, quali la governance, il quadro normativo, la cultura aziendale e la gestione delle persone, nonché gli ambiti di ricerca e sviluppo.
Il paper redatto da ABI Lab dal titolo “L’intelligenza artificiale nelle banche: le nuove sfide, tra strategia e governo” ha visto la partecipazione di CRIF all’interno del comitato scientifico il cui scopo è proprio quello, attraverso l’AI Hub, di sviluppare attività di ricerca in questi ambiti di frontiera.
Dall’analisi svolta dall’AI Hub emerge che l’88% delle banche hanno definito o stanno definendo una vera e propria AI Strategy e il 76% prevede un budget di investimento per questo tipo di iniziative. Inoltre, oltre la metà degli intervistati (58%) dichiara di lavorare alla messa in funzione di un framework di AI Governance.
Nello specifico, CRIF ha condiviso casi di successo legati all’applicazione dell’Intelligenza Artificiale in diversi ambiti, quali gli effetti del cambiamento climatico sui rischi in portafoglio, i modelli previsionali dei Non Performing Loans (NPL) e infine la explainability dei modelli black box.
Climate Risk Analytics Suite: valutazione, monitoraggio e segnalazione degli eventi atmosferici estremi
La sempre maggiore sensibilità al fenomeno del cambiamento climatico ha acuito la necessità da parte di banche e assicurazioni di stimare l’entità dei rischi in portafoglio legati agli effetti delle catastrofi naturali. CRIF ha sviluppato la piattaforma Climate Risk Analytics Suite che unisce dati e algoritmi per supportare le istituzioni finanziarie nella valutazione, nel monitoraggio e nella segnalazione dei rischi economici derivanti da eventi naturali estremi.
L’obiettivo del progetto era di realizzare un solo strumento che permettesse di riunire tutte le informazioni necessarie alla stima dei rischi climatici, supportate da una metodologia robusta e in linea con i requisiti prefissati dai Credit Manager, con le raccomandazioni TCFD (TCFD 2017) e con i documenti di orientamento istituzionali (UNEP FI 2018 e 2020, BIS 2021, EBA 2021).
La piattaforma CRIF ha permesso di ottenere stime di impatto congiunto del rischio climatico e di effettuare uno studio sulla stabilità economico-finanziaria dell’azienda. La soluzione consente di rendere le banche più consapevoli dei rischi climatici a cui sono esposti i propri portafogli. La soluzione è stata premiata al G20 TechSprint 2021, iniziativa promossa da Banca d’Italia e dalla Banca dei Regolamenti Internazionali (BIS).
Modelli di AI per la gestione dei Non Performing Loans (NPL)
Il progetto ha visto l’applicazione di un sistema di algoritmi AI-based sviluppati a partire dal patrimonio informativo di CRIF integrato con dati “open”. Gli algoritmi hanno l’obiettivo di prevedere gli esiti, le tempistiche e i costi legali delle procedure di gestione degli NPL (esecuzioni immobiliari e mobiliari), in modo da supportare le decisioni gestionali dei Credit Manager.
I modelli previsionali sono in grado di:
- Valutare la probabilità di aggiudicarsi lotti immobiliari e stimare i principali KPI d’asta.
- Valutare la probabilità di successo del procedimento monitorio (esito e possibili opposizioni) e stimare i principali KPI relativi ai pignoramenti mobiliari.
Il sistema elaborato è utilizzato per l’attività di servicing nella valutazione dei portafogli di NPL e per impostare le strategie di recupero dei lotti gestiti in autonomia. Data l’efficacia, la piattaforma viene poi fornita come servizio direttamente alle banche per i processi di gestione NPL interni. Infine, l’utilizzo dei dati “open”, benché richieda un impegno non marginale per la loro ricerca, raccolta e sistematizzazione, ha permesso un aumento significativo delle performance.
OptiLIME: framework a supporto della explainability dei modelli black box
La comprensione dei modelli di apprendimento automatico è diventata sempre più importante per gli istituti di credito che desiderano comprendere come i loro sistemi prendono decisioni. Per rispondere a questo bisogno sono stati sviluppati numerosi framework di explainability, il cui obiettivo è quello di fornire ai decision maker aziendali spiegazioni comprensibili in merito alle decisioni prese dal modello di apprendimento automatico.
Per garantire la comprensione dei propri modelli decisionali, CRIF ha sviluppato il framework di explainability OptiLIME, basato sulla Local Interpretable Model-Agnostic Explanations (LIME). OptiLIME è in grado coniugare la capacità di generare spiegazioni circoscritte e interpretabili per ogni decisione presa dai modelli di machine learning tipica di LIME, con una analisi sulla coerenza della spiegazione stessa. Questo nuovo framework ha permesso di fornire spiegazioni dei modelli non solo puntuali, ma anche affidabili e coerenti.
Vuoi parlare con i nostri esperti? Contattaci
