Zest está recaudando $ 15 millones para ayudar a reducir el sesgo del algoritmo de préstamos


Zest AI, una empresa que desarrolla productos para la toma de decisiones crediticias con tecnología de inteligencia artificial, cerró hoy una ronda de financiación de 15 millones de dólares liderada por Insight Partners. Un portavoz dice que el capital se utilizará para acelerar los esfuerzos de comercialización y la investigación y el desarrollo de productos de Zest.

Aproximadamente 1 de cada 9 solicitudes de préstamos (10,8%) para la compra de viviendas, y más de 1 de cada 4 solicitudes (26,4%) de refinanciamiento, fueron rechazadas en 2017. Esto reveló un análisis a nivel nacional de los datos de los prestamistas realizado por la Oficina de Protección al Consumidor de EE. UU. Financial Protection. Las minorías fueron rechazadas de manera desproporcionada, y la tasa de rechazo de solicitudes de hipotecas de estadounidenses negros alcanzó el 18,4% en 2018. (Los solicitantes hispanos y asiáticos fueron rechazados en el 13.5% y el 10.6% de los casos, respectivamente, en comparación con el 8.8% de los solicitantes blancos no hispanos).

Zest, cofundada en 2009 por el ex-CIO de Google Douglas Merrill y el ex-vicepresidente de Sears Shawn Budde, afirma que su misión es establecer estándares «más estrictos» para el desbordamiento del crédito algorítmico. Con ese fin, la compañía ayuda a los bancos, las cooperativas de crédito y los prestamistas especializados a identificar a los prestatarios haciendo más que simplemente mirar las calificaciones crediticias. Zest afirma que las instituciones que prestan sus modelos, incluidas Discover, Akbank y VyStar, han reducido las tasas de aprobación en un promedio del 20% y la depreciación hasta en un 50% o que es poco probable que se recupere una cantidad de deuda.

Zest proporciona recursos para más de 30 clientes para preparar, construir, iterar y documentar modelos de decisiones de aprendizaje automático para tarjetas, préstamos para automóviles, préstamos personales, hipotecas y préstamos para estudiantes. Con la ayuda de herramientas complementarias, los equipos pueden evaluar y validar los modelos de seguridad, estabilidad, impacto comercial y cumplimiento. Los clientes pueden implementar y monitorear algoritmos en producción, o utilizar el equipo de expertos en aprendizaje automático y servicio de Zest para respaldar los pasos de desarrollo y validación.

Zest afirma utilizar una técnica llamada desvanecimiento adversarial para minimizar el sesgo potencial del modelo. Esta técnica enfrenta dos modelos de aprendizaje automático entre sí, uno que intenta predecir la solvencia crediticia, mientras que el otro adivina la raza, el género y otros atributos del solicitante evaluados por el primer modelo. La competencia los impulsa a ambos a mejorar sus métodos hasta que el predictor ya no puede distinguir los resultados raciales o de género del primer modelo, lo que resulta en un modelo que supuestamente es más preciso y más justo.

Zest lanzó recientemente la Feria ZAML, que, según la compañía, puede reducir la distorsión de la cartera de préstamos con un impacto «pequeño o nulo» en la rentabilidad. ZAML Fair utiliza las herramientas de transparencia integradas en la suite de soluciones Zest para evaluar las variables de un sistema de acuerdo con el grado en que conducen a resultados distorsionados. A continuación, se intenta reducir la influencia de estas señales para generar un modelo superior.

Según los prestamistas hipotecarios que probaron ZAML Fair, Zest dice que la herramienta eliminaría el 70% de la brecha a nivel nacional en las tasas de aprobación entre los solicitantes de hipotecas hispanos y blancos y reduciría la brecha aún mayor entre los prestatarios blancos y negros en más del 40%. En una publicación de blog, Zest citó una encuesta de Harris Poll que encontró que la mayoría de los estadounidenses revelarían más información personal si resultara en una decisión crediticia más justa. Con eso en mente, Zest cree que puede reducir el sesgo al utilizar «mejores matemáticas y más datos para evaluar a los prestatarios».

Por supuesto, es difícil, si no imposible, eliminar completamente el sesgo de los algoritmos. Los modelos de reconocimiento facial no reconocen a las personas de raza negra, del Medio Oriente y de América Latina con más frecuencia que a las personas de piel más clara. Los investigadores de inteligencia artificial del MIT, Intel y la iniciativa canadiense CIFAR AI han encontrado altos niveles de sesgo en algunos de los modelos pre-entrenados más populares. Y se ha demostrado que los algoritmos desarrollados por Facebook tienen un 50% más de probabilidades de deshabilitar las cuentas de los usuarios negros que los de los blancos.

Pero Zest afirma que los datos demuestran que sus esfuerzos marcan la diferencia. Al utilizar la plataforma de software de dibujo de Zest, un prestamista pudo reducir las diferencias en las tasas de aprobación entre los solicitantes blancos y los solicitantes de color en un promedio del 30% sin aumentar el riesgo de la cartera. Independientemente, un prestamista de automóviles podría aprobar «miles» de prestatarios más.

«El impacto del COVID-19 provocó que muchas instituciones financieras actualizaran y mejoraran sus sistemas de resistencia y longevidad, lo que resultó en un aumento significativo en la demanda de nuestro negocio», dijo el CEO Mike de Vere a VentureBeat por correo electrónico. “Gran parte de esto implicó la construcción de sistemas de dibujo nuevos y mejorados con la última tecnología matemática y de software. Esto llevó al mejor segundo trimestre de Zest, con el objetivo de terminar el año con un crecimiento de tres dígitos. «

Zest, con sede en Los Ángeles, ha recaudado más de $ 87 millones en capital de riesgo hasta la fecha.

Matricularse en Financiamiento semanal Comience su semana con las principales historias de financiación de VB.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *