ДалееСледующее руководство
ИИ в кредитовании малого бизнеса
Приложения
РУКОВОДСТВО ПО Отраслям
Искусственный интеллект в ипотечном кредитовании означает использование машинного обучения и автоматизации для чтения кредитных документов, оценки стоимости дома и поддержки принятия решений по ипотечным кредитам.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, поскольку ипотека обычно является крупнейшим долгом, который берет на себя домохозяйство, поэтому более быстрая обработка помогает заемщикам, в то время как предвзятые или неточные модели могут несправедливо отказывать людям в домах и нарушать закон о справедливом кредитовании.
Ипотека проходит несколько этапов, в которых теперь играет роль ИИ: прием заявок, проверка документов, оценка, андеррайтинг и контроль качества после закрытия. Обработка документов является наиболее распространенным применением. Один кредитный файл может содержать сотни страниц. Интеллектуальная обработка документов сочетает в себе оптическое распознавание символов с классификаторами, маркирующими каждую страницу (квитанция о заработной плате, налоговая декларация, выписка из банка, договор купли-продажи) и модели извлечения, которые извлекают такие поля, как имя работодателя, валовой доход или баланс счета. Ценность заключается не только в скорости: система может перепроверять цифры в документах и отмечать несоответствия, которые могут указывать на ошибки или мошенничество. Автоматизированное андеррайтинг предшествовал нынешней волне искусственного интеллекта. Андеррайтер Fannie Mae и консультант по кредитным продуктам Freddie Mac оценивают кредитные заявки с 1990-х годов, взвешивая кредитную историю, соотношение долга к доходу, соотношение кредита к стоимости и резервы. Они возвращают рекомендацию, а не окончательный вердикт; Распространенным заблуждением является то, что ипотеку одобряет только программное обеспечение. Андеррайтеры-люди по-прежнему проверяют условия, исключения и документацию. Автоматизированные модели оценки оценивают рыночную стоимость недвижимости на основе записей о продажах, характеристик недвижимости и ее местоположения. Потребительские инструменты, такие как Zestimate от Zillow, являются AVM. Они хорошо работают для типичных домов на активных рынках и плохо для необычных объектов недвижимости или рынков с ограниченным спросом. Бизнес Zillow по перепродаже домов, Zillow Offers, закрылся в 2021 году после того, как его прогнозы цен оказались ненадежными, что является напоминанием о том, что ошибки оценки влекут за собой реальные финансовые издержки. В 2024 году регуляторы США завершили разработку правила, требующего стандартов контроля качества AVM, используемых при принятии решений по ипотечным кредитам, включая недискриминацию. Справедливое кредитование является определяющим ограничением. Закон о равных кредитных возможностях и Закон о справедливом жилищном обеспечении запрещают дискриминацию, и кредиторы должны указывать заявителям конкретные причины отказа. CFPB заявил, что использование сложного алгоритма не освобождает кредитора от объяснения этих причин. Поскольку ипотечная история включает в себя «красную черту», такие данные, как местоположение, могут служить показателем расовой принадлежности, поэтому модели требуют постоянного тестирования на неравенство.
Кредитор использует интеллектуальную обработку документов, чтобы классифицировать загруженный пакет квитанций о заработной плате, форм W-2 и банковских выписок, извлечь доходы и балансы, а также пометить квитанции о заработной плате, итоговые суммы которых за текущий год не соответствуют заработной плате за период.
Кредитный файл проходит через автоматизированную систему андеррайтинга, такую как Desktop Underwriter Fannie Mae, которая возвращает рекомендацию и список условий, которые андеррайтер-человек должен выполнить перед закрытием.
Кредитор, занимающийся рефинансированием, полагается на автоматизированную модель оценки (AVM) для кредита с низким уровнем риска, но поскольку показатель достоверности модели для сельской недвижимости слабый, вместо этого файл направляется на полную оценку.
Команда по соблюдению требований сравнивает показатели одобрения и цены в разных демографических группах в поисках новой кредитной модели и ищет менее дискриминационную альтернативную модель, которая работает почти так же хорошо, прежде чем развернуть ее.
Автоматизация документации, вероятно, будет продолжать расширяться, поскольку она снижает риск: ошибки выявляются при более поздних проверках, а выигрыш во времени обработки легко измерить. Большие языковые модели тестируются на предмет чтения неструктурированных документов и ответов на вопросы заемщиков, но их склонность к уверенным ошибкам ограничивает их на данный момент ролями с поддержкой. Решения по оценке и кредитованию подвергаются более строгому надзору, включая правило контроля качества AVM и постоянное внимание регулирующих органов к алгоритмической дискриминации. Ожидается, что прогресс будет зависеть не столько от точности модели, сколько от того, смогут ли кредиторы документировать, объяснять и тестировать свои системы способами, приемлемыми для экспертов.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Искусственный интеллект в ипотечном кредитовании означает использование машинного обучения и автоматизации для чтения кредитных документов, оценки стоимости дома и поддержки принятия решений по ипотечным кредитам. Это важно, поскольку ипотека обычно является крупнейшим долгом, который берет на себя домохозяйство, поэтому более быстрая обработка помогает заемщикам, в то время как предвзятые или неточные модели могут несправедливо отказывать людям в домах и нарушать закон о справедливом кредитовании.
Автоматизированные системы андеррайтинга возвращают рекомендацию и список условий. Андеррайтеры-люди по-прежнему просматривают файл и уточняют эти условия, поэтому программное обеспечение не одобряет ипотеку в одиночку.
AVM выводят значение плюс меру достоверности. Когда доверие слабое, как в случае с необычными домами или слабыми рынками, политика кредиторов направляет кредит на оценку.
AVM учатся на сопоставимых продажах. Уникальные объекты недвижимости на слабых рынках имеют мало аналогов, поэтому оценки менее надежны.
Он сочетает в себе распознавание текста, классификацию страниц и извлечение полей, а затем перекрестную проверку значений в документах, чтобы выявить ошибки или возможное мошенничество.
CFPB заявил, что сложность алгоритмов не освобождает кредиторов от необходимости указывать конкретные причины для неблагоприятных действий.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
ИИ в кредитовании малого бизнеса
Приложения