Οι σύγχρονες τεχνολογίες τεχνητής νοημοσύνης και μηχανικής μάθησης εισέρχονται ολοένα και περισσότερο στο τραπεζικό χώρο και ειδικότερα στον πεδίο της διαχείρισης κινδύνων. Το μεγαλύτερο πρόβλημα που αντιμετωπίζουν οι τεχνολογίες αυτές είναι η έλλειψη διαφάνειας γύρω από τον τρόπο που λαμβάνονται οι αποφάσεις από τα διάφορα μοντέλα μηχανικής μάθησης.

Η ερευνητική κοινότητα στρέφεται όλο και περισσότερο γύρω από την ενίσχυση της Εξηγήσιμης Τεχνητής Νοημοσύνης (ΕΤΝ), ως λύση για τα ζητήματα διαφάνειας των αλγορίθμων μηχανικής μάθησης.

Η παρούσα μελέτη εξετάζει τις δυνατότητες ενίσχυσης της διαφάνειας των αλγορίθμων δια μέσω της σύνθεσης τεχνολογιών ΕΤΝ. Σύμφωνα με το ακολουθούμενο μεθοδολογικό πλαίσιο, επιλέχθηκαν πραγματικά δεδομένα, τα οποία περιλαμβάνουν δημογραφικά και οικονομικά στοιχεία πελατών, από αιτήσεις δανειοδότησης. Κατασκευάστηκε μοντέλο μηχανικής μάθησης βασισμένο στην βιβλιοθήκη XGBoost εκπαιδευμένο πάνω στα δεδομένα αυτά με σκοπό την δυνατότητα πρόβλεψης αθέτησης δανειακών υποχρεώσεων. Η αποτελεσματικότητα του μοντέλου αξιολογήθηκε με νέα και άγνωστα δεδομένα ελέγχου πετυχαίνοντας πολύ υψηλά ποσοστά ακρίβειας στις προβλέψεις.

Στο ουσιώδες μέρος των πειραμάτων το μοντέλο τροφοδοτήθηκε σε γνωστούς αλγορίθμους και τεχνικές εξηγήσιμης τεχνητής νοημοσύνης όπως LIME, SHAP κλπ. Τα αποτελέσματα συγκεντρώθηκαν και αξιολογήθηκαν ως προς την αποτελεσματικότητα, την αξιοπιστία και τη συνέπεια.

Τα συμπεράσματα από την έρευνα υπήρξαν ιδιαίτερα ενθαρρυντικά αναφορικά με τη σύνθεση τεχνολογιών ΕΤΝ. Τα αποτελέσματα της ανάλυσης έδειξαν ότι οι διαφορετικές τεχνολογίες ΕΤΝ είναι αποτελεσματικές και αξιόπιστες. Ειδικότερα, παρατηρήθηκε ότι τα αποτελέσματα των τεχνολογιών αυτών συγκλίνουν, υποδεικνύοντας ότι παρέχουν συνεπείς εξηγήσεις για το συγκεκριμένο πρόβλημα. Η σύγκλιση των αποτελεσμάτων ενισχύει την αξιοπιστία των μεθόδων ΕΤΝ και επιβεβαιώνει τη χρησιμότητά τους στην κατανόηση και ερμηνεία των μοντέλων μηχανικής μάθησης.

Modern artificial intelligence and machine learning technologies are increasingly entering the banking sector and in particular the field of risk management. The biggest problem these technologies face is the lack of transparency around how decisions are made by the various machine learning models.

The research community is increasingly turning around the enhancement of explainable artificial intelligence (ΧAI) as a solution to the transparency issues of machine learning algorithms.

This study examines the potential of enhancing the transparency of algorithms through the synthesis of ΧΑΙ technologies. According to the methodological framework followed, real data, which includes customer demographic and financial data, from loan applications were selected. A machine learning model based on the XGBoost library trained on this data was built to predict loan defaults. The effectiveness of the model was evaluated with new and unknown control data achieving very high accuracy rates in the predictions.

In the essential part of the experiments the model was fed to known algorithms and explainable artificial intelligence techniques such as LIME, SHAP etc. The results were compiled and evaluated for effectiveness, reliability, and consistency.

The conclusions from the research were very encouraging with regard to the synthesis of ΧΑΙ technologies. The results of the analysis showed that different ΧΑΙ technologies are effective and reliable. In particular, it was observed that the results of these technologies converge, indicating that they provide consistent explanations for the problem at hand. The convergence of the results reinforces the reliability of the ΧΑΙ methods and confirms their usefulness in understanding and interpreting machine learning models.