Kerangka Materi
AI dalam Risiko Kredit: Dasar-dasar dan Peluang
- Model risiko kredit tradisional vs AI-powered
- Tantangan dalam penilaian kredit: bias, explainability, dan keadilan
- Studi kasus dunia nyata tentang AI dalam peminjaman
Data untuk Model Penilaian Kredit
- Sumber: data transaksi, perilaku, dan data alternatif
- Membersihkan data dan engineering fitur untuk keputusan pinjaman
- Menangani ketidakseimbangan kelas dan kekurangan data dalam prediksi risiko
Machine Learning untuk Penilaian Kredit
- Regressi logistik, pohon keputusan, dan random forest
- Gradient boosting (LightGBM, XGBoost) untuk akurasi skor
- Teknik pelatihan, validasi, dan penyesuaian model
Alur Kerja Pinjaman Ditenagai AI
- Mengotomatisasi segmen pengemut dan penilaian risiko pinjaman
- Proses peninjauan dan persetujuan pinjaman yang ditingkatkan oleh AI
- Pemasaran dan optimasi harga bunga menggunakan ML
Interpretabilitas Model dan AI Bertanggung Jawab
- Menjelaskan prediksi dengan SHAP dan LIME
- Keadilan dalam model kredit: deteksi dan mitigasi bias
- Kelengkapan dengan kerangka regulasi (misalnya, ECOA, GDPR)
Generative AI dalam Skenario Pinjaman
- Menggunakan LLM untuk peninjauan aplikasi dan analisis dokumen
- Engineering prompt untuk komunikasi pengemut dan wawasan
- Pengenalan data sintetik untuk pengujian model
Strategi dan Governasi untuk AI dalam Kredit
- Membangun keterampilan AI internal vs solusi eksternal
- Praktik terbaik manajemen dan Governasi siklus hidup model
- Tren masa depan: penilaian kredit real-time, integrasi open banking
Ringkasan dan Langkah-langkah Selanjutnya
Persyaratan
- Pengertian dasar tentang risiko kredit
- Pengalaman dengan alat analisis data atau alat business intelligence
- Kenampakan dengan Python atau kesediaan untuk belajar sintaks dasar
Peserta
- Manajer pinjaman
- Analis kredit
- Fintech innovators
Testimoni (1)
Saya sangat menghargai cara pelatih menyajikan semua materi. Saya memahami semuanya meskipun Finance bukan bidang saya, dia memastikan bahwa setiap peserta berada di halaman yang sama sambil tetap memperhatikan waktu yang tersisa. Latihan ditempatkan pada interval yang baik. Communication dengan peserta selalu ada. Materi sempurna, tidak terlalu banyak, tidak terlalu sedikit. Dia menjelaskan dengan sangat baik topik-topik yang lebih rumit sehingga dapat dipahami oleh semua orang.
Diana
Kursus - ChatGPT for Finance
Diterjemahkan Mesin