ಎಐ (AI) ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್: ಸಾಲದ ಅಪಾಯದ ಅಂದಾಜಿಗೂ ಬ್ಯಾಂಕಿನ ತೀರ್ಮಾನಕ್ಕೂ ಏನು ವ್ಯತ್ಯಾಸ?

ಸಾಲದ ಅರ್ಜಿ ತಿರಸ್ಕೃತವಾದ ಸಂದೇಶ ಬಂದಿದೆ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. “ನನ್ನ ಬಗ್ಗೆ ಕಂಪ್ಯೂಟರ್ ಕೆಟ್ಟ ಅಭಿಪ್ರಾಯ ಹೊಂದಿದೆಯೇ?” ಎಂಬ ಅನುಮಾನ ಬರಬಹುದು. ಆದರೆ ಸಾಲದ ಅಪಾಯಕ್ಕೆ ನೀಡಿದ ಅಂಕ ವ್ಯಕ್ತಿಯ ಪ್ರಾಮಾಣಿಕತೆಯ ತೀರ್ಪಲ್ಲ. ಅಲ್ಲದೆ ಪ್ರತಿಯೊಂದು ತಿರಸ್ಕಾರಕ್ಕೂ ಎಐ ಕಾರಣವೆಂದು ಊಹಿಸುವುದು ಸರಿಯಲ್ಲ; ಬ್ಯಾಂಕಿನ ಅರ್ಹತಾ ನಿಯಮಗಳು ಮತ್ತು ಅರ್ಜಿಯ ವಿವರಗಳೂ ಪಾತ್ರವಹಿಸಬಹುದು.

ಅಂದಾಜು ಹೇಗೆ ಸಿದ್ಧವಾಗುತ್ತದೆ?

ಕೆಲವು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಹಿಂದಿನ ಸಾಲಗಳ ಉದಾಹರಣೆಗಳ ಮೂಲಕ ಸಿದ್ಧಪಡಿಸುತ್ತಾರೆ. ಅರ್ಜಿಗಳಲ್ಲಿ ಯಾವ ಮಾಹಿತಿ ಇತ್ತು, ನಂತರ ಪಾವತಿಗಳು ಹೇಗಾದವು ಎಂಬುದನ್ನು ಒಟ್ಟಿಗೆ ಬಳಸುತ್ತಾರೆ. ಈ ಉದಾಹರಣೆಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳಿಂದ ಹೊಸ ಅರ್ಜಿಯಲ್ಲಿ ಮರುಪಾವತಿ ತೊಂದರೆಯ ಅಪಾಯ ಅಂದಾಜಿಸಲು ವ್ಯವಸ್ಥೆ ಕಲಿಯುತ್ತದೆ. ಉದಾಹರಣೆಗಳಿಂದ ಈ ಸಂಬಂಧಗಳನ್ನು ಕಲಿಸುವ ವಿಧಾನವನ್ನು ಯಂತ್ರ ಕಲಿಕೆ (ಮಶೀನ್ ಲರ್ನಿಂಗ್) ಎನ್ನುತ್ತಾರೆ.

ಹೀಗೆ ಸಿದ್ಧಗೊಂಡ ವ್ಯವಸ್ಥೆಗೆ ಹೊಸ ಅರ್ಜಿಯ ಮಾಹಿತಿ ನೀಡಿದಾಗ ಅದು ಅಪಾಯದ ಅಂದಾಜು ಅಥವಾ ಅಂಕ ನೀಡಬಹುದು. ಉದಾಹರಣೆಗೆ, ಹಿಂದಿನ ಸಾಲಗಳ ಪಾವತಿ ದಾಖಲೆ ಮತ್ತು ಆದಾಯದ ಮಾಹಿತಿ ಬಳಕೆಯಾಗಬಹುದು. ಯಾವ ಮಾಹಿತಿ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅಂಕದ ಅರ್ಥವೇನು ಎಂಬುದು ವ್ಯವಸ್ಥೆಗೆ ತಕ್ಕಂತೆ ಬದಲಾಗುತ್ತದೆ; ಒಂದೇ ಅಂಕದ ಮಾಪಕ ಎಲ್ಲ ಸಂಸ್ಥೆಗಳಲ್ಲೂ ಇರುವುದಿಲ್ಲ.

ಈ ಅಂದಾಜನ್ನು ಬಳಸುವ ಸಂಸ್ಥೆ ತನ್ನ ನಿಯಮಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಸಾಲದ ಮೊತ್ತ, ಷರತ್ತುಗಳು ಅಥವಾ ಅರ್ಜಿಯ ಕುರಿತು ತೀರ್ಮಾನಿಸಬಹುದು. ಕೆಲವು ಹಂತಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿರಬಹುದು, ಕೆಲವು ಹಂತಗಳಲ್ಲಿ ಸಿಬ್ಬಂದಿಯ ಪರಿಶೀಲನೆ ಇರಬಹುದು. ಅಂದಾಜು ಮಾಡುವ ಗಣಕ ವ್ಯವಸ್ಥೆ ಮತ್ತು ಅದನ್ನು ಆಧರಿಸಿ ಜಾರಿಗೆ ಬರುವ ಸಾಲದ ನಿಯಮಗಳನ್ನು ಬೇರ್ಪಡಿಸಿ ನೋಡುವುದು ಮುಖ್ಯ.

ಮಾಹಿತಿ ಹೆಚ್ಚು ಇದ್ದರೆ ಅಂದಾಜು ಸರಿಯಾಗುತ್ತದೆಯೇ?

ಸಾಲದ ಹಳೆಯ ದಾಖಲೆಗಳ ಜೊತೆಗೆ ಬೇರೆ ಮೂಲಗಳಿಂದ ದೊರೆಯುವ ಮಾಹಿತಿ (ಪರ್ಯಾಯ ದತ್ತಾಂಶ) ಕೆಲವು ಸೇವೆಗಳಲ್ಲಿ ಬಳಕೆಯಾಗುತ್ತದೆ. ಬ್ಯಾಂಕ್ ವಹಿವಾಟಿನ ಮಾಹಿತಿ ಒಂದು ಉದಾಹರಣೆ. ಅಂತರರಾಷ್ಟ್ರೀಯ ಹಣಕಾಸು ಸಂಶೋಧನೆಯು ಇಂತಹ ಬಳಕೆಗಳನ್ನು ಚರ್ಚಿಸುತ್ತದೆ; ಆದರೆ ಅದರಿಂದ ನಿಮ್ಮ ಬ್ಯಾಂಕ್ ನಿಮ್ಮ ಪ್ರತಿಯೊಂದು ಖರೀದಿ, ಸಂಪರ್ಕ ಸಂಖ್ಯೆ ಅಥವಾ ಮೊಬೈಲ್ ಚಟುವಟಿಕೆಯನ್ನು ನೋಡುತ್ತದೆ ಎಂದು ಹೇಳಲಾಗುವುದಿಲ್ಲ.

ಯಾವ ವಿವರಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತಾರೆ, ಏಕೆ ಬೇಕು ಮತ್ತು ಯಾರೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ಸಂಸ್ಥೆಯ ಮಾಹಿತಿಯಲ್ಲಿ ಪರಿಶೀಲಿಸಿ. ಹೆಚ್ಚು ಮಾಹಿತಿ ಹಂಚಿಕೊಂಡರೆ ಉತ್ತಮ ಅಂಕ ಸಿಗುತ್ತದೆ ಎನ್ನುವ ಖಾತರಿ ಇಲ್ಲ. ಆದ್ದರಿಂದ ಸಾಲದ ಆ್ಯಪ್ ಕೇಳುವ ಪ್ರತಿಯೊಂದು ಅನುಮತಿಯನ್ನೂ ಕೊಡಬೇಕೆಂದು ಭಾವಿಸಬೇಡಿ; ಅನುಮಾನವಿದ್ದರೆ ಸಂಬಂಧಿತ ಸಾಲದಾತನ ಅಧಿಕೃತ ಸಂಪರ್ಕದಿಂದ ಸ್ಪಷ್ಟನೆ ಕೇಳಿ.

ಹಿಂದಿನ ಸಾಲಗಳ ಉದಾಹರಣೆಗಳು ಹೊಸ ಅರ್ಜಿದಾರರ ಪರಿಸ್ಥಿತಿಯನ್ನು ಸರಿಯಾಗಿ ಪ್ರತಿನಿಧಿಸದೇ ಇರಬಹುದು. ಹಳೆಯ ಮಾಹಿತಿಯಿಂದ ಕೆಲವು ಗುಂಪುಗಳಿಗೆ ಅನನುಕೂಲವಾಗುವ ಅಂದಾಜು ಬರಬಹುದು. ವ್ಯವಸ್ಥೆಯ ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಇಂತಹ ಒಲವು ಅಥವಾ ಅನ್ಯಾಯ ಉಂಟಾಗುವುದನ್ನು ಪಕ್ಷಪಾತ (ಬಯಾಸ್) ಎನ್ನುತ್ತಾರೆ. ಈ ಸಮಸ್ಯೆ ಕುರಿತು ಬಿಐಎಸ್ ವರದಿ ಎಚ್ಚರಿಸುತ್ತದೆ; ಸಂಖ್ಯೆಗಳ ಲೆಕ್ಕಾಚಾರ ಎನ್ನುವುದೇ ತಟಸ್ಥತೆಗೆ ಖಾತರಿ ಅಲ್ಲ.

ಅಂದಾಜು ಹೇಗೆ ಬಂತು ಎಂದು ವಿವರಿಸುವುದೂ ಕೆಲವು ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಕಷ್ಟವಾಗಬಹುದು. ಅದರ ಅರ್ಥ ಯಾವುದೇ ವಿವರಣೆಯೇ ಅಸಾಧ್ಯ ಅಥವಾ ಎಲ್ಲ ಬ್ಯಾಂಕುಗಳಿಗೂ ಕಾರಣ ತಿಳಿಯುವುದಿಲ್ಲ ಎಂದಲ್ಲ. ಬಳಸುವ ವಿಧಾನ ಮತ್ತು ಸಂಸ್ಥೆಯ ಪರಿಶೀಲನಾ ವ್ಯವಸ್ಥೆ ಮುಖ್ಯ. ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಅರ್ಜಿಯ ಕಾರಣವನ್ನು ಒಂದು ಸಾಮಾನ್ಯ ಎಐ ವಿವರಣೆಯಿಂದ ತಿಳಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಅರ್ಜಿ ತಿರಸ್ಕೃತವಾದಾಗ ಏನು ಕೇಳಬಹುದು?

ಮೊದಲು ಸಾಲದಾತನ ಅಧಿಕೃತ ಸಂಪರ್ಕದಿಂದ ತಿರಸ್ಕಾರದ ಕಾರಣ ಮತ್ತು ಮುಂದಿನ ಪರಿಶೀಲನೆಗೆ ಅವಕಾಶವಿದೆಯೇ ಎಂದು ಕೇಳಬಹುದು. ನಿಮ್ಮ ಪರಿಸ್ಥಿತಿಗೆ ಅನ್ವಯಿಸುವ ನಿಯಮಗಳು ದೇಶ, ಸಂಸ್ಥೆ ಮತ್ತು ಸಾಲದ ಪ್ರಕಾರಕ್ಕೆ ತಕ್ಕಂತೆ ಬದಲಾಗುತ್ತವೆ. ಅಮೆರಿಕದ ಸಾಲದ ನಿಯಮವೊಂದನ್ನು ಭಾರತದ ಎಲ್ಲ ಅರ್ಜಿಗಳಿಗೂ ಅನ್ವಯಿಸುವ ಕಾನೂನು ಹಕ್ಕು ಎಂದು ಪರಿಗಣಿಸಬೇಡಿ.

ನಿಮ್ಮ ಸಾಲದ ಮಾಹಿತಿ ವರದಿ (ಕ್ರೆಡಿಟ್ ವರದಿ) ದೊರೆತಿದ್ದರೆ, ಅದರಲ್ಲಿ ನಿಮ್ಮದಿಲ್ಲದ ಸಾಲ ಅಥವಾ ತಪ್ಪಾದ ವೈಯಕ್ತಿಕ ವಿವರಗಳಿವೆಯೇ ನೋಡಿ. ತಪ್ಪು ಕಂಡರೆ ವರದಿ ನೀಡಿದ ಸಂಸ್ಥೆ ಮತ್ತು ಸಂಬಂಧಿತ ಸಾಲದಾತನಿಂದ ಅಧಿಕೃತ ತಿದ್ದುಪಡಿ ವಿಧಾನವನ್ನು ಕೇಳಿ. ದೂರು ಕೊಟ್ಟ ದಿನಾಂಕ ಮತ್ತು ಉತ್ತರಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವುದು ಮುಂದಿನ ಮಾತುಕತೆಗೆ ನೆರವಾಗಬಹುದು; ತಿದ್ದುಪಡಿ ಮಾಡಿದರೆ ಸಾಲ ಮಂಜೂರಾಗುತ್ತದೆ ಎಂಬ ಭರವಸೆ ಇಲ್ಲ.

ಸಾಲದ ಅಂಕವನ್ನು ಹೆಚ್ಚಿಸುವ ಹೆಸರಿನಲ್ಲಿ ಖರ್ಚಿನ ಅಭ್ಯಾಸವನ್ನು ಊಹೆಯಿಂದ ಬದಲಿಸುವುದಕ್ಕಿಂತ, ಸಂಸ್ಥೆಯು ನಿಜವಾಗಿ ತಿಳಿಸಿದ ಕಾರಣಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಉಪಯುಕ್ತ. ಯಾವ ಮಾಹಿತಿಯಲ್ಲಿ ತಪ್ಪಿದೆ? ಯಾವ ದಾಖಲೆ ಅಗತ್ಯ? ಯಾವ ಷರತ್ತನ್ನು ಪೂರೈಸಿಲ್ಲ? ಈ ಪ್ರಶ್ನೆಗಳು ನಿಮ್ಮ ಅರ್ಜಿಯನ್ನು ಕುರಿತು ಸ್ಪಷ್ಟ ಮಾತುಕತೆ ನಡೆಸಲು ನೆರವಾಗುತ್ತವೆ, ಆದರೆ ಫಲಿತಾಂಶವನ್ನು ಖಚಿತಪಡಿಸುವುದಿಲ್ಲ.

ಎಐ ಅಂದಾಜು ವೇಗವಾಗಿ ಸಿಕ್ಕರೂ ಅದು ನಿಮ್ಮ ಭವಿಷ್ಯದ ಖಚಿತ ಚಿತ್ರವಲ್ಲ. ಹಿಂದಿನ ಉದಾಹರಣೆಗಳು, ಲಭ್ಯವಾದ ಮಾಹಿತಿ ಮತ್ತು ಸಂಸ್ಥೆಯ ನಿಯಮಗಳು ಅದರ ಬಳಕೆಯನ್ನು ರೂಪಿಸುತ್ತವೆ. ಅಂಕ ಏನು ಅಂದಾಜಿಸುತ್ತದೆ, ಬ್ಯಾಂಕ್ ಅದನ್ನು ಹೇಗೆ ಬಳಸಿದೆ ಮತ್ತು ನಿಮ್ಮ ಅರ್ಜಿಗೆ ಯಾವ ಕಾರಣ ನೀಡಿದೆ ಎಂಬ ಮೂರು ಪ್ರಶ್ನೆಗಳನ್ನು ಬೇರ್ಪಡಿಸಿಕೊಂಡರೆ ಆ ಸಂದೇಶವನ್ನು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿ ಓದಬಹುದು.