Kursplan

AI i kredittsrisiko: grunnleggende prinsipper og muligheter

  • Tradisjonelle vs. AI-drevne kredittsrisikomodeller
  • Utfordringer i kredittvurdering: bias, forklarbarhet og rettferdighet
  • Praktiske eksempler på AI i lånevirksomhet

Data for kredittskoringmodeller

  • Kilder: transaksjonsdata, adferdsdata og alternative data
  • Rensing av data og feature engineering for lånebeslutninger
  • Håndtering av klassetap og datamangel i risikoforespåing

Machine Learning for kredittskoring

  • Logistisk regresjon, beslutningstrær og random forests
  • Gradient boosting (LightGBM, XGBoost) for skoringens nøyaktighet
  • Teknikker for modelltrening, validering og tuning

AI-drevne låneprosesser

  • Automatisering av låntakergruppering og vurdering av lånerisiko
  • AI-forbedrede underwritings- og godkjenningsprosesser
  • Dynamisk prissetting og optimalisering av rentesatser ved bruk av ML

Modellforklarbarhet og ansvarlig AI

  • Forklaring av prediksjoner med SHAP og LIME
  • Rettferdighet i kredittmodeller: biasdeteksjon og -redusering
  • Overholdelse av reguleringsrammeverk (e.g. ECOA, GDPR)

Generative AI i lånescenarier

  • Bruk av LLMs for søknadsgransking og dokumentanalyse
  • Prompt engineering for kommunikasjon med låntakere og innsikt
  • Generering av syntetiske data for modelltesting

Strategi og Gostyring for AI i kreditt

  • Bygging av interne AI-kompetanser vs eksterne løsninger
  • Bedre praksis for modelllivssyklus og styring
  • Fremtidige trender: realtids-kredittskoring, integrering med åpen bank

Oppsummering og neste skritt

Krav

  • Forståelse av grunnleggende kreditrisikoforutsetninger
  • Erfaring med dataanalyseverktøy eller business intelligence-verktøy
  • Kjennskap til Python eller vilje til å lære grunnleggende syntaks

Målgruppe

  • Låneansvarlige
  • Kreditanalytikere
  • Fintech-innovatorer
 14 timer

Antall deltakere


Pris per deltaker

Referanser (1)

Upcoming Courses

Related Categories