Affirm (AFRM), 14 yıldır her alışverişi gerçek zamanlı olarak, kendi geliştirdiği makine öğrenimi modelleriyle bireysel olarak değerlendiriyor. Bu yaklaşım, Affirm’in kullanıcılarına verdiği temel sözün merkezinde yer alıyor: Her alışveriş, kişinin o gün sorumlu bir şekilde geri ödeyebileceği tutara göre ayrı ayrı değerlendiriliyor ve gecikme ya da gizli ücret uygulanmıyor.
Şirket, bu sistemdeki son yeniliğini duyurdu: ABD’de ödeme sırasında devreye alınan ve tüketicinin kredi geçmişindeki olayların sırası ile zamanlamasından öğrenen, transformer tabanlı yeni bir model.
İlk uygulamada Affirm, mevcut sisteminin reddedeceği bazı başvuruları —özellikle sınırlı kredi geçmişine veya FICO puanına sahip olmayanları— bu modelle onayladı. Kontrol grubuyla karşılaştırıldığında, tamamlanan alışverişlerde yüzde 3,4 artış sağlandı ve ek verilen krediler, Affirm’in önceki makine öğrenimi modellerine göre daha iyi performans gösterdi.
Affirm Başkanı Libor Michalek, her yeni model neslini daha fazla veriyle eğittiklerini belirtti. Michalek, transformer mimarisinin en heyecan verici yanının, mevcut verilerde yeni bilgiler bulabilmek olduğunu söyledi. Kredi geçmişini daha net görebilmek, daha fazla kişiye sorumlu bir şekilde onay verebilmelerini sağlıyor.
Kredi geçmişinde daha fazla sinyal bulmak
Affirm’in kredi değerlendirme modelleri, her nesilde daha fazla işlem ve geri ödeme sonucundan öğrenerek gelişti. Uzun süredir kredi bürosu verileri olan bakiye, kredi kullanım oranı, hesap sayısı ve ödeme geçmişi gibi ölçütleri kullanıyorlar. Bu ölçütler hâlâ önemli, ancak sürekli değişen bir kredi geçmişini özetliyorlar.
Transformer modeli, kredi hesapları içindeki ve arasındaki desenleri, zaman içindeki değişimleriyle birlikte tespit edebiliyor. Bunu, her desen için önceden ayrı bir ölçüt tasarlamaya gerek kalmadan yapıyor ve Affirm’in mevcut verilerde daha fazla sinyal bulmasına yardımcı oluyor.
Ödeme sırasında karar için tasarlandı
Daha iyi bir model geliştirmek, sürecin yalnızca bir parçasıydı.
Affirm, geleneksel makine öğrenimi modelleriyle aynı seviyede açıklanabilirlik sunan, ancak gerçek zamanlı kullanım için yeterince hızlı çalışan özel bir algoritma geliştirdi.
Modelin açıklamalarının doğru ve güvenilir olmasını sağlamak için doğrulama ve sürekli izleme süreçleri uygulanıyor.
Michalek, kredi değerlendirme süreçlerinin işlerinin kalbinde olduğunu vurguladı. Amaçlarının her işlemi onaylamak değil, her biri için doğru kararı vermek olduğunu belirtti. Geri ödenemeyecek krediler vermenin Affirm’e bir fayda sağlamadığını, bu nedenle daha fazla kişiye onay vermenin ancak “hayır” demede daha iyi olduklarında işe yaradığını ifade etti.
Bu içerik hazırlanırken faydalanılan kaynaklar: stocktitan.net
