उदयोन्मुख असलेल्या बाजारपेठांसाठी कर्ज देण्याच्या लँडस्केपमध्ये अलीकडच्या वर्षांमध्ये बदलाची लाट आलेली दिसत आहे. यामुळे क्रेडिट स्कोरच्या गणना करण्याच्या पद्धतीमध्ये काही प्रमाणात मूलभूत बदल होण्याची शक्यता आहे. उदयोन्मुख बाजारपेठेसाठी क्रेडिट स्कोरिंग कर्ज घेण्याची क्षमता निर्धारित करण्यासाठी रोजगार आणि उत्पन्न या संदर्भातील इतिहासाकडे पहावे लागते. याचा परिणाम असा होतो की बँकिंग क्षेत्राबाहेर किंवा औपचारिक रोजगार नसलेले लोक कर्ज मिळविण्यासाठीच्या कडक अटींची पूर्तता करू शकले नाहीत, त्यामुळे लाभ मिळवण्याच्या शर्यतीतून ते बाहेर पडले आहेत. पण अलीकडच्या काही वर्षांमध्ये असा एक नवीन बदल दिसत आहे ज्यामुळे या क्षेत्रामध्ये क्रांती होईल आणि आर्थिक स्वातंत्र्य मिळेल असे दिसत आहे.
पायाभूत सुविधांमध्ये झालेल्या लक्षणीय विकासामुळे या लाटेला अधिक बळ मिळत आहे. विशेष करून इंटरनेट कनेक्टिव्हिटी आणि स्मार्टफोन वापरणाऱ्या लोकांच्या संख्येत होणारा विस्तार हे एक महत्त्वाचे कारण आहे.
क्रेडिट स्कोरिंगच्या क्षेत्रामध्ये कृत्रिम बुद्धिमत्ता (AI) आणि मशीन लर्निंग (ML) चे एकत्रीकरण सुरू आहे. आता या प्रगतीशील तंत्रज्ञानाच्या एकत्रीकरणाची प्रक्रिया देशाच्या विकासाच्या उद्दिष्टांशी जुळण्यास सुरुवात झाली आहे. बँका आणि स्टार्टअप्ससह विविध क्षेत्रात काम करणारे लोक आणि संस्था या तंत्रज्ञानाचा अवलंब करत आहेत. अशा परिस्थितीत नागरिकांना आर्थिक सेवा पुरविण्याची क्षमता वाढल्याने अर्थव्यवस्थेचा विस्तारही वेगाने होत आहे. वैकल्पिक डेटा स्रोत, AI, आणि ML अल्गोरिदम तसेच नाविन्यपूर्ण क्लाउड प्लॅटफॉर्मद्वारे या नावीन्यपूर्णतेचे नेतृत्व केले जात आहे. या तंत्रांचा वापर करून अशा वर्गासाठी क्रेडिट स्कोअर तयार केले जात आहेत ज्याला अंडरबँक म्हणतात. आता या श्रेणीसाठी क्रेडिट स्कोअर उपलब्ध असल्याने, बँका अशा लोकांना आणि समुदायांना चांगले आर्थिक उपाय प्रदान करण्यात यशस्वी होत आहेत. हे लोक परंपरेने अधिकृत वित्तीय संस्थांच्या आवाक्याबाहेरचे होते. एआयच्या वापराभोवती प्रचंड सकारात्मक वातावरण असूनही, त्याच्या अंमलबजावणीशी संबंधित काही धोके देखील निदर्शनास आले आहेत.
डेटाच्या मदतीने अंतर कमी होतेय
भारतासारख्या उद्योगमुख अर्थव्यवस्था असलेल्या देशात क्रेडिट स्कोअरिंगचा आधार बदलण्यासाठी डेटा एक महत्त्वाची शक्ती म्हणून उदयास आला आहे. पारंपारिक व्यवस्थेत नियम खूप कडक होते. या कारणास्तव अंडरबँक असलेल्या लोकसंख्येला या व्यवस्थेच्या बाहेर राहावे लागले आहे. याचे कारण असे की या लोकांकडे कर्जाचा इतिहास दर्शविणारी अधिकृत कागदपत्रे नाहीत किंवा त्यांना बँकिंग सुविधाही उपलब्ध नाहीत. पण आता परिवर्तनाची लाट आली आहे. पायाभूत सुविधांमधील लक्षणीय विकासामुळे या लाटेला बळ मिळत आहे. विशेषत: इंटरनेट कनेक्टिव्हिटी आणि स्मार्टफोन वापरणाऱ्या लोकांच्या संख्येत होणारा विस्तार हे एक महत्त्वाचे कारण आहे.
या विकासासह होत असलेली प्रगती आणि वेगाने विकसित होणारी कृत्रिम बुद्धिमत्ता, पर्यायी डेटा स्रोत यांचा संगम एक परिवर्तनीय लहर निर्माण करत आहे. युटिलिटी पेमेंट्स आणि नेटवर्क वापर पॅटर्न यासारख्या अपारंपरिक डेटाचा वापर करून वित्तीय संस्था अधिक समावेशक क्रेडिट स्कोअरिंग मॉडेल विकसित करू शकतात. एआय आधारित क्रेडिट स्कोअरिंग हे एखाद्या व्यक्तीची क्रेडिट योग्यता किंवा त्या व्यक्तीची कर्ज घेण्याची क्षमता तपासण्यासाठीच्या आधुनिक दृष्टिकोनाचे एक प्रतिनिधी म्हणता येईल. पारंपारिक प्रणाली एखाद्या व्यक्तीच्या क्रेडिट आणि उत्पन्नाच्या इतिहासाकडे पाहत असताना, एआय-आधारित सिस्टम क्रेडिट स्कोअरिंगसाठी डिजिटल फूटप्रिंट्स सारख्या विविध डेटा स्रोतांचा देखील वापर करू शकतात. जेव्हा ही गोष्ट घडत असते तेव्हा एखाद्या व्यक्तीचे पारंपारिक कर्ज इतिहास न पाहता त्याचे मूल्यांकन करणे शक्य होते. ऑनलाइन व्यवहार, सोशल मीडिया संवाद, इंटरनेट वापराच्या सवयी, ब्राउझिंग इतिहास किंवा मोबाइल ॲप वापर यासारख्या पर्यायी डेटा स्रोतांचा वापर करून हे मूल्यांकन केले जाऊ शकते.
यापैकी काही समस्या लगेच दिसून येतात तर काहींचा सखोल विचार करावा लागतो. याबाबत धोरणकर्ते आणि महत्त्वाच्या भागधारकांनी काळजी घेणे आवश्यक आहे.
भारतामध्ये या मॉडेलची अंमलबजावणी करत असताना, ज्या ठिकाणी लोकसंख्येच्या एका मोठ्या वर्गाचा प्रस्थापित क्रेडिट इतिहास नाही किंवा आर्थिक सेवा अधिक लोकांपर्यंत पोहोचू शकेल. कृत्रिम बुद्धिमत्ता आणि पर्यायी डेटाचा सुज्ञपणे वापर करून वित्तीय संस्था क्रेडिट, शिक्षण आणि आर्थिक सुरक्षिततेसाठी व्यक्ती आणि व्यवसायांना सक्षम बनवू शकतात. अशा परिवर्तनामध्ये केवळ लवचिक वाढीला चालना देण्याची क्षमता नाही तर सर्वांसाठी समान आर्थिक परिदृश्य देखील निर्माण करण्याची क्षमता आहे. इतर क्षेत्रांमध्ये कृत्रिम बुद्धिमत्तेच्या एकात्मतेबद्दल अनेक चिंता व्यक्त केल्या गेल्या असल्या तरी या चिंता येथे देखील संबोधित केल्या पाहिजेत.
जोखीम घ्या आणि बक्षिस मिळवा
खरं पाहायला गेले तर AI वैकल्पिक आणि असंरचित डेटा वापरून खाजगी व्यक्तीचे क्रेडिट स्कोर तयार करू शकते. दुसरीकडे मात्र कृत्रिम बुद्धिमत्तेच्या काही समस्या या जन्मजात आहेत. यापैकी काही समस्या लगेच समोर येत असतात तर काहींचा सखोल विचार करावा लागतो. या संदर्भामध्ये धोरण करते आणि महत्त्वाच्या भागधारकांनी काळजी घेणे आवश्यक आहे. सेंट्रल बँकर्सना हे चांगले ठाऊक आहे की केवळ कृत्रिम बुद्धिमत्ता आणि पर्यायी डेटा स्रोतांवर अवलंबून राहणे हा एक अतिशय सोपा उपाय असल्याचे दिसून येते, परंतु आजूबाजूचे घटक देखील विचारात घेतले पाहिजेत. RBI चे गव्हर्नर शक्तीकांत दास यांनी सुरुवातीपासूनच यावर जोर दिला आहे की, बँका, NBFC आणि फिनटेक आस्थापनांनी पूर्व-सेट अल्गोरिदम वापरून क्रेडिट मूल्यांकन काळजीपूर्वक केले पाहिजे. हे अल्गोरिदम मजबूत असले पाहिजेत आणि त्यांची नियमित चाचणी केली पाहिजे यावरही त्यांनी भर दिला आहे. यासोबतच त्यांची परिणामकारकता टिकवण्यासाठी वेळोवेळी त्यांचे मूल्यमापन करणेही आवश्यक आहे. वित्तीय संस्था अल्गोरिदम, AI वापरून ML साधनांवर मोठ्या प्रमाणावर अवलंबून असतात. अशा स्थितीत आरबीआय वित्तीय संस्थांना त्यांचे अल्गोरिदम रिकॅलिब्रेट करण्यासाठी प्रोत्साहित करत असते. आर्थिक परिसंस्थेच्या बदलत्या गतिमानतेशी जुळवून घेण्यासाठी हे रिकॅलिब्रेशन आवश्यक आहे. त्याचप्रमाणे प्रदेश, ग्राहक विभाग आणि जागतिक ट्रेंड बद्दल नवीन दृष्टी समाविष्ट करण्यासाठी हे रिकॅलिब्रेशन देखील महत्त्वाचे बनते. गव्हर्नर दास यांनी अशा अल्गोरिदमवर जास्त अवलंबून राहणे टाळण्याच्या आणि उदयोन्मुख आर्थिक परिस्थितीत या अल्गोरिदमची अचूकता आणि प्रासंगिकता सुनिश्चित करण्याच्या महत्त्वावर भर दिला आहे.
योग्य संतुलन आवश्यक
जगासमोर असलेल्या आव्हानांचा सामना करण्यासाठी नवीन आणि उदयोन्मुख तंत्रज्ञानाचा एकत्रितपणे वापर करण्यासाठी सर्वसमावेशक प्रयत्न केले पाहिजेत. मात्र हे करत असताना या संदर्भातील व्यापक संदर्भ आणि त्याच्याशी संबंधित संभाव्य धोके लक्षात घेणे देखील महत्त्वाचे आहे. अशा मॉडेल्सची सतत चाचणी करणे का आवश्यक आहे हे समजून घेणे देखील महत्त्वाचे आहे. यासोबतच आर्टिफिशियल इंटेलिजन्सची काळजी आणि सावधगिरी बाळगणे का महत्त्वाचे आहे हे देखील जाणून घेणे आवश्यक आहे. उदाहरणार्थ, AI वापरून एखाद्या व्यक्तीचा पारंपारिक क्रेडिट इतिहास न पाहता ऑनलाइन व्यवहार, सोशल मीडिया परस्परसंवाद ब्राउझिंग सवयी किंवा मोबाइल ॲप वापर यासारख्या पर्यायी डेटा स्रोतांचा वापर करून त्याचे मूल्यांकन केले जाऊ शकते. पण या मूल्यमापनात कृत्रिम बुद्धिमत्तेने योग्य निर्णय घेतला होता का, हा प्रश्न नेहमीच उरतो. या प्रश्नातून निर्माण होणारा आणखी एक प्रश्न म्हणजे अचूकता आणि विशेष परिस्थितीचे मूल्यांकन करण्यासाठी मानवी हस्तक्षेपाचा वापर केला जावा का. AI आणि ML मध्ये "ब्लॅक बॉक्स" अल्गोरिदमचा संदर्भ देते ज्याचा अर्थ लावणे अत्यंत कठीण आहे. ही संदिग्धता उत्तरदायित्व, निष्पक्षता आणि पक्षपातीपणाबद्दल चिंता निर्माण करणारी आहे. उदाहरणार्थ जर एआय प्रणाली एखाद्या व्यक्तीला कर्ज देण्यास किंवा नोकरी देण्यास नकार देत असेल तर हा निर्णय घेण्यासाठी त्याची प्रक्रिया समजून घेणे महत्त्वाचे आहे. ब्लॅक बॉक्स मॉडेल अंतर्गत हे काम खूप आव्हानात्मक होत चालले आहे.
वित्तीय क्षेत्र या प्रणालीचा किती अवलंब करते आणि भविष्यात ही प्रणाली किती विकसित होते यावर AI आधारित क्रेडिट स्कोअरिंग प्रणालीचे भविष्य अवलंबून असेल.
डेटा गोपनीयतेची गंभीर बाब यासंदर्भात चिंता म्हणून उदयास आलेली आहे. पर्यायी डेटा ज्यामध्ये सर्व अपारंपारिक आर्थिक डेटा बिंदूंचा समावेश आहे, तेथे एक मूलभूत प्रश्न पडतो तो म्हणजे नागरिकांना त्यांची सर्व वैयक्तिक माहिती उघड करण्यास भाग पाडले आहे का? जगभरातील विविध देश त्यांच्या नागरिकांचा डेटा सुरक्षित ठेवण्यासाठी कठोर मार्गदर्शक तत्व वापरत असताना प्रत्येकाला आर्थिक सेवा देण्यासाठी वैयक्तिक डेटा वापरणे ही एक प्रकारे नैतिक कोंडी असल्याचे सिद्ध झाले आहे. या गोष्टीमुळे आणखी एक मोठा तार्किक प्रश्न निर्माण होतो तो असा की, विकास साधण्याआधी आणि नागरी सुविधा वाढविण्याआधी डेटा प्रायव्हसीला महत्त्व नाही का? ही दोन्ही उद्दिष्टे साध्य करत असताना डेटा गोपनीयतेच्या पावित्र्याकडे दुर्लक्ष करू का?
पण झाडांकडे पाहून जंगल विसरणे योग्य होणार नाही, या संदर्भातील फायदे पाहावे लागतील. सर्वप्रथम लोकांना आर्थिक सेवा पुरवण्याच्या संदर्भातील प्रचंड नफ्याचा विचार केला पाहिजे. पेमेंट वर्तन, विशेषत: युटिलिटी बिले, कर्ज आणि क्रेडिट लाइनचे पेमेंट पाहून मॉडेल विकसित करण्याची शक्यता देखील आहे. जेव्हा अशी मॉडेल्स अंमलात आणली जातात तेव्हा ते संभाव्य डीफॉल्टबद्दल उशीरा माहिती देतील, म्हणजे कर्जाची परतफेड करण्यात अयशस्वी, तर डीफॉल्ट जवळजवळ निश्चित आहे. अनेक समान नवकल्पनांचा विचार करणे शक्य आहे. कदाचित ते एक पाऊल पुढे टाकले जाऊ शकते आणि ब्लॉकचेन तंत्रज्ञानासह एकत्रित केले जाऊ शकते. तसे झाल्यास व्यवस्थेतील पारदर्शकता वाढवणेही शक्य आहे. वित्तीय क्षेत्र या प्रणालीचा किती अवलंब करते आणि भविष्यात ही प्रणाली किती विकसित होते यावर AI आधारित क्रेडिट स्कोअरिंग प्रणालीचे भविष्य अवलंबून असेल. ML अल्गोरिदम अधिक मजबूत आणि प्रगत झाल्यामुळे आणि पर्यायी डेटा स्रोत अधिक सहज उपलब्ध होत असल्याने AI-आधारित क्रेडिट स्कोअरिंग मॉडेल्स क्रेडिट जोखमीचे मूल्यांकन करण्यासाठी अधिक अचूक आणि अधिक व्यापक बनतील अशी अपेक्षा आहे. असे काही पुरावे आहेत की डिजिटल फूटप्रिंट खाजगी व्यक्तींच्या क्रेडिटमध्ये प्रवेश वाढविण्यात मदत करत आहेत. ज्या लोकांना आतापर्यंत अधिकृत वित्तीय सेवा उपलब्ध नव्हती अशा लोकांना या सेवा उपलब्ध करून दिल्यास आर्थिक समावेशकता वाढेल आणि असमानताही कमी होईल.
या मॉडेल्सचा सतत विकास आणि अवलंब करण्याला कारणीभूत ठरेल ते सर्वसमावेशक कर्ज मूल्यांकन प्रणाली तयार करण्याची त्यांची क्षमता आहे. पारंपारिक कर्जाची कागदपत्रे किंवा क्रेडिट इतिहास नसलेल्यांचेही मूल्यमापन करणारी ही प्रणाली असावी. हे करत असताना काही आव्हाने असतील जी विचारात घेणे आवश्यक आहे. पारदर्शकता, पक्षपातीपणा आणि डेटा गोपनीयता आणि त्याची सुरक्षितता या मुद्द्यांचा या मॉडेल्समध्ये विस्तार होत असताना महत्त्वाचा बनणार आहे. एआय-आधारित क्रेडिट स्कोअरिंगचा जबाबदार आणि नैतिक वापर सुनिश्चित करण्यासाठी उद्योग आणि नियामक संस्थांकडून चालू असलेल्या प्रयत्नांची आवश्यकता असेल. त्याचप्रमाणे ब्लॉकचेन सारख्या संबंधित तंत्रज्ञानातील घडामोडी देखील पारदर्शकता वाढविण्याच्या आणि AI-आधारित क्रेडिट स्कोअरिंगची सुरक्षा मजबूत करण्याच्या संधी प्रदान करणाऱ्या असतील परंतु, संबंधित तंत्रज्ञानाची स्वतःची गुंतागुंत देखील असेल.
सौरदीप बाग हे ऑब्झर्व्हर रिसर्च फाउंडेशनचे असोसिएट फेलो आहेत.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.