Bài chia sẻ: Cách tôi dùng Explainable AI để kiểm soát rủi ro tín dụng
Trong hành trình học và ứng dụng AI, tôi nhận ra một thách thức lớn: mô hình càng phức tạp thì càng khó giải thích. Với lĩnh vực ngân hàng, đặc biệt là kiểm soát rủi ro tín dụng, điều này lại càng quan trọng. Không một khách hàng hay lãnh đạo nào muốn nghe “mô hình nói vậy” mà không có lý do rõ ràng.
Tôi bắt đầu với những mô hình đơn giản như logistic regression để hiểu mối quan hệ giữa thu nhập, lịch sử trả nợ và khả năng vỡ nợ. Sau đó, tôi thử nghiệm các mô hình mạnh hơn như XGBoost. Vấn đề là: kết quả chính xác hơn, nhưng lại giống “hộp đen”. Đây là lúc Explainable AI (XAI) phát huy tác dụng.
Bằng cách dùng SHAP values, tôi có thể chỉ ra yếu tố nào ảnh hưởng nhiều nhất đến quyết định: ví dụ, tỷ lệ nợ trên thu nhập cao làm tăng rủi ro, trong khi lịch sử trả nợ đúng hạn giúp giảm rủi ro. Việc trực quan hóa các yếu tố này không chỉ giúp tôi tin tưởng mô hình hơn, mà còn giúp đồng nghiệp không cần nền tảng kỹ thuật vẫn hiểu được “tại sao” phía sau dự đoán.
Điều tôi học được là: AI không chỉ để dự đoán, mà còn để kể câu chuyện dữ liệu một cách minh bạch. Và trong ngân hàng, minh bạch chính là chìa khóa để xây dựng niềm tin.