L'ANALISI

Prestiti e machine learning, sul cammino i nodi privacy e black box

Secondo un documento tecnico redatto da Crif e Intesa Sanpaolo, che verrà sottoposto a Eba e Bce, sette banche su dieci sfruttano già soluzioni di apprendimento automatico per valutare le richieste di credito. L’imposizione di regole troppo restrittive sull’adozione delle tecnologie rischia di limitare la competitività anche se bisogna fare i conti con la tutela dei consumatori

Pubblicato il 13 Lug 2022

finance-4858797_1920

Nel mondo ormai quasi sette banche su dieci usano il machine learning per valutare le richieste di credito, mentre più della metà vi fa ricorso anche per monitorare i finanziamenti già erogati. Ecco perché ingessarne la diffusione in Europa con regole troppo restrittive rischia di limitare la competitività del sistema comunitario. A dirlo è un documento tecnico redatto da Crif, la multinazionale italiana di informazioni e soluzioni per il credito, e da Banca Intesa Sanpaolo.

“Il documento”, si legge in una nota, “è già stato discusso con l’Autorità Bancaria Europea (Eba) e nel mese di luglio farà da sfondo a un incontro cui sono attese la stessa Eba, la Banca Centrale Europea e alcuni tra i maggiori operatori bancari del nostro Paese”. La questione dei prestiti, in particolare quelle concessi online, sta però facendo parecchio discutere tant’è che il Parlamento europeo ha appena chiesto maggiori tutele per i consimatori.

L’utilizzo del machine learning in ambito finanziario

Il machine learning, ribadisce il documento, è sempre più utilizzato per automatizzare i processi di erogazione e di controllo dei prestiti concessi dalle banche. “Mentre i grandi istituti mondiali investono in maniera consistente in questa tecnologia”, nota Crif, “le autorità di vigilanza si mostrano aperte all’innovazione, ma anche attente a prevenire i possibili aspetti negativi dei crediti decisi e valutati con l’ausilio dell’intelligenza artificiale”.

L’intervento della macchina non serve solo a individuare rapidamente nuove tendenze che possono incidere sulla salute dei finanziamenti erogati, ma consente di tagliare i costi e di utilizzare gli enormi patrimoni informativi reperibili negli archivi di una grande banca o su Internet. “L’elaboratore può reperire le informazioni salienti anche quando sono disperse o annegate in una congerie di dati irrilevanti, il classico ago nel pagliaio che i modelli tradizionali faticano a individuare”, spiega Daniele Vergari, Director – Risk Analytics lead – Crif Management Consulting. “Automatizzando l’accesso ai dati e i processi decisionali, per le banche diventa possibile concedere credito in tempi ristrettissimi, presidiando nuovi canali come lo shopping online, che diversamente rischiano di diventare appannaggio di società di Fintech e di Big Data”.

La crescita del trend e i possibili freni allo sviluppo

Il trend, dopo lo scoppio della pandemia, ha addirittura accelerato: come ricorda il documento di Crif e Banca Intesa Sanpaolo, il 50% degli istituti sondati dalla Bank of England ha dichiarato di attendersi un aumento nell’importanza di queste tecniche nella propria operatività per effetto del Covid 19.

Questo non significa che manchino dubbi e difficoltà. Un primo aspetto delicato, sottolineato nel documento, è la privacy: “se è vero che il machine learning lavora su informazioni pubbliche, o volontariamente condivise dal debitore, è indubbio che la potenza delle nuove tecniche di analisi e dei moderni elaboratori consente di recuperare e utilizzare in modo strutturato anche dettagli della nostra vita personale. E se è vero che le banche si muovono con grande cautela, gli operatori non tradizionali al momento sembrano ancora essere meno sensibili al tema”.

Un secondo aspetto è quello che i tecnici chiamano “black box”, ovvero il rischio che i modelli diventino scatole nere che concedono o negano il credito senza fornire al richiedente spiegazioni chiare.

“Di fronte a simili rischi, l’imposizione di regole troppo restrittive rischia di danneggiare la competitività del sistema finanziario europeo e di privare le banche di strumenti utili per valutare in modo accurato i soggetti meno affidabili e, al contempo, contenere i costi delle insolvenze”, sostiene il documento. A questo riguardo Crif e Banca Intesa Sanpaolo sottolineano come “l’accuracy ratio (una misura di accuratezza dei modelli per la gestione dei rischi, che generalmente oscilla tra il 50% e l’80%) possa aumentare di 10 punti percentuali usando dati e tecniche di elaborazione innovativi”.

Il documento ricorda che la “Bce non ha nascosto le proprie perplessità di fronte a un progetto di regolamento europeo sull’intelligenza artificiale che rischia di ‘ingessare’ anche l’utilizzo di modelli semplici, utili e comunemente accettati: se le regole rigide non servono, allora tocca alla vigilanza controllare che il ricorso alle nuove tecnologie avvenga senza criticità e contraccolpi. Non è quindi un caso che nei mesi scorsi l’Eba abbia anticipato agli operatori la possibilità di emanare un set di linee guida minime”.

Giorgio Costantino, Executive Director – Head of Crif Global Transformation Services, rimarca: “Dall’entità del rischio di credito dipende, in Europa, la quantità di patrimonio richiesta alle banche: se la prima è misurata in modo carente, anche il secondo può dimostrarsi inadeguato a reggere situazioni di stress. Non c’è quindi da stupirsi”, conclude Costantino, “che i supervisori vogliano vederci chiaro e individuare soluzioni in grado da un lato di garantire adeguate tutele ai richiedenti credito, dall’altro di mettere gli istituti di credito nella condizione di gestire in modo efficace ed efficiente l’operatività nei processi di erogazione”.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati