我们开发了一个整合的可解释机器学习（ML）模型和人工智能系统，支持高效、一致和具有信息量的贷款决策。贷款决策，也称为核保，是商业银行运营管理的关键过程。新技术和ML算法已经为贷款申请和批准流程开启了比传统手动流程更高效的大门。数字技术的进步允许使用大数据找到相关因素彼此影响的众多方式。先进的ML模型可以找到许多因素之间的复杂关系，进而帮助更准确地分类贷款申请的风险状态。
尽管人工智能系统在革命性地改变贷款决策方面有巨大潜力，但越来越多的人认识到，为了取得成功，必须解释ML模型所做的决策及其内部运作。我们通过开发一个整合的可解释ML模型和人工智能系统，支持高效、一致和具有信息量的贷款决策来解决这个问题。 ML模型中的因素是根据核保指南和违约规则选择、测量和结构化的，而因素之间的非线性关系则通过数据分析和机率推断进行探索。这种建模策略的独特特征是，整合的ML模型充分利用数据分析来捕捉相关因素之间的非线性关系。该模型还可以进行最佳训练，以实现正确贷款决策的高精度，同时贷款决策过程仍然高度符合嵌入模型中的指南和规则。
