¿Disfrutas de nuestros podcasts? ¡No te pierdas futuros episodios! Por favor presione el botón de suscripción en Apple, Spotify, YouTube, o tu plataforma de podcast favorita para mantenerte actualizado con nuestro contenido más reciente. ¡Gracias por tu apoyo!

El uso de modelos de aprendizaje automático en la suscripción de préstamos al consumo existe desde hace más de una década. Si bien las fintech claramente tomaron la delantera en este aspecto, en realidad solo ha sido en los últimos años cuando los prestamistas tradicionales se están involucrando con esta tecnología. Si bien estos modelos de IA/ML son diferentes de la moda de la IA generativa que ha abrazado el mundo empresarial el año pasado, este fenómeno ciertamente ha ayudado a crear conciencia.

Mi próxima invitada en el podcast Fintech One-on-One es Laura Kornhauser, directora ejecutiva y cofundadora de estratificar. Su empresa tiene la misión de permitir una mayor inclusión financiera para las personas y al mismo tiempo ayudar a las instituciones financieras a gestionar y mitigar mejor el riesgo. Lo hacen implementando sus modelos avanzados de IA y, por supuesto, a través de la dedicación de su gente.

En este podcast aprenderás:

• La historia fundacional de Stratyfy.
• ¿La misión de la empresa y cómo ha evolucionado?
• Los diferentes tipos de instituciones financieras con las que trabajan en la actualidad.
• Cómo se diferencian de los demás en el espacio.
• Cómo funciona su producto UnBias.
• Qué significa ser transparente para los avisos de acciones adversas.
• Lo que hoy en día es una prioridad para la mayoría de los bancos y fintechs.
• Los tipos de datos que utilizan sus clientes son los más importantes.
• Qué implica implementar Stratyfy en el sistema de un prestamista.
• Cómo han mejorado sus modelos de IA con el tiempo.
• Cómo la popularidad de la IA a través de ChatGPT ha impactado a Stratyfy.
• Cómo fue plantear una ronda de acciones en 2023.
• El mayor desafío al que se enfrenta Stratyfy en la actualidad.
• Cómo seguirá mejorando la IA en lo que respecta a las decisiones crediticias y de riesgo.

Lea una transcripción de nuestra conversación a continuación.

Pedro Renton  00:01

Bienvenido al podcast Fintech One-on-One. Este es Peter Renton, presidente y cofundador de Fintech Nexus. He estado haciendo este programa desde 2013, lo que lo convierte en el programa de entrevistas individuales de mayor duración en todo el sector fintech. Gracias por acompañarme en este viaje. Si le gustó este podcast, debería ver nuestros programas hermanos The Fintech Blueprint con Lex Sokolin y Fintech Coffee Break con Isabelle Castro, o escuchar todo lo que producimos suscribiéndose al canal de podcasts Fintech Nexus.

Pedro Renton  00:39

Antes de comenzar, quiero recordarles que Fintech Nexus es ahora una empresa de medios digitales. Hemos vendido nuestro negocio de eventos y estamos 100% enfocados en ser la empresa líder en medios digitales para fintech. ¿Qué significa esto para usted? Ahora puede interactuar con una de las comunidades de tecnología financiera más grandes, más de 200,000 XNUMX personas a través de una variedad de productos digitales, seminarios web, informes técnicos detallados, podcasts, envíos masivos de correo electrónico, publicidad y mucho más. Podemos crear un programa personalizado diseñado solo para usted. Si desea llegar a una audiencia senior de fintech, comuníquese con ventas en fintech nexus.com hoy.

Pedro Renton  01:21

Hoy en el programa, estoy encantado de darle la bienvenida a Laura Kornhauser. Es la directora ejecutiva y cofundadora de Stratyfy. Ahora bien, Stratyfy es una empresa muy interesante que se centra en decisiones de riesgo basadas en inteligencia artificial para prestamistas; en realidad, obviamente hablamos de lo que significa todo eso. También dedicamos mucho tiempo a hablar sobre el sesgo y sobre cómo los modelos estratificados realmente ayudan a identificar el sesgo. Hablamos de transparencia y de cómo está integrada en todo lo que hacen como Stratyfy. Hablamos de los diferentes tipos de datos, hemos hablado de cómo han mejorado sus modelos, de lo que implica implementar Stratyfy en un nuevo prestamista. También hablamos sobre la IA en general y por qué ha sido un tema tan candente y cómo les ha impactado. Hablamos de rondas de financiación, y mucho más. Fue una discusión fascinante. Espero que disfrutes el espectáculo.

Pedro Renton  02:20

Bienvenido al podcast. Laura.

Laura Kornhäuser  02:22

Muchas gracias Pedro. Feliz de estar aqui.

Pedro Renton  02:23

Está bien. Genial tenerte. Así que comencemos dándoles a los oyentes un poco de información sobre usted. Sé que tuviste una temporada decente en JPMorgan Chase, parece que cuéntanos algunos de los aspectos más destacados de tu carrera hasta la fecha antes de Stratyfy.

Laura Kornhäuser  02:39

Maravilloso. Entonces, sí, comencé mi carrera en JPMorgan Chase, pasé más de una década allí desempeñando funciones tanto de préstamos como de riesgo en la institución, que es donde descubrí muchos de los problemas o resolví de primera mano muchos de los problemas que abordamos aquí en Stratyfy. Antes de eso, soy estudiante de ingeniería. Estudié aprendizaje automático en mi licenciatura antes de que se llamara así. En aquel entonces simplemente se llamaba estadística avanzada. Y luego, ya sabes, cuando estaba haciendo la transición fuera de JPMorgan, cuando decidí irme, tenía muchas esperanzas y sueños de iniciar una empresa. Ya sabes, mis padres son empresarios. Comenzaron un negocio en la época en que yo nací y luego lo construyeron y lo convirtieron en un negocio multinacional, y finalmente lo vendieron a una empresa estratégica. Entonces, supongo que esos fueron mis verdaderos primeros trabajos, empezando por, ya sabes, contestar los teléfonos cuando estaba en la escuela secundaria hasta llegar a editar redes cuando estaba en la universidad. Entonces, ya sabes, siempre tuve ese espíritu emprendedor, por así decirlo, dentro de mí. Fui en una dirección completamente diferente, como muchos dirían que suelen hacer los terceros hijos, después de la licenciatura, pero luego supe que quería regresar a ese hogar y ser un fundador.

Pedro Renton  03:49

Bien, hablemos de la historia fundacional de Stratyfy. ¿Qué viste específicamente y qué estás tratando de resolver?

Laura Kornhäuser  03:58

Absolutamente. Curiosamente, después de dejar JPMorgan, tuve una experiencia, una experiencia personal en la que Chase, de todas las personas, me comercializó intensamente un producto de tarjeta de crédito, y tenía un excelente plan de puntos y soy un fanático de un buen plan de puntos. . Y me registré para la tarjeta de crédito y me rechazaron. Y eso luego me llevó a, ya sabes, llamar al número que figura en el reverso de mi aviso de rechazo, hablar con alguien a quien le proporcioné información adicional y luego, literalmente, casi puedes escuchar el boop boop, boop, boo, boo. boo boo de fondo, y de hecho fui aprobado por teléfono. Y esa experiencia realmente me abrió los ojos sobre la forma en que tantas instituciones toman las decisiones crediticias y los grandes grupos de personas que quedan fuera de esas decisiones. Sabes, estaba en un lugar afortunado. No necesitaba esa tarjeta de crédito. Sabes, no era algo que fuera a cambiar materialmente mi vida. Pero para muchas otras personas, cómo son estos tipos de productos crediticios, ya sabes, ayudarles a comprar su primera casa, ayudarlos, ya sabes, financiar el inventario para su pequeña empresa, ya sabes, y tienen un impacto realmente significativo y, y eso fue algo Tenía muchas ganas de abordarlo, y tuve la suerte de conocer a mi cofundador, Dmitry Lesnik, por esa misma época. Y había pasado la década anterior antes de que nos conociéramos, desarrollando una familia de algoritmos que todavía está en el centro de la tecnología y los servicios que brindamos en Stratyfy. Y lo realmente bueno de esa familia de algoritmos es que le permite aprender de los datos de forma automática y escalable, pero de una manera muy, muy transparente para el usuario. Entonces vi la aplicación dentro del crédito y dentro de otros casos de uso altamente regulados en los que, ya sabes, en mi vida anterior en JPMorgan incluso había luchado por conseguir la tecnología adecuada que se adaptara a los problemas que estábamos tratando de resolver.

Pedro Renton  05:54

Bien, entonces, avanzando rápidamente hasta el día de hoy, usted fundó, ¿fue en 2017? Hace seis años, cuéntenos un poco cómo ha evolucionado la empresa y cómo describe la empresa hoy.

Laura Kornhäuser  06:05

Sí. Entonces, al describir la empresa, comienzo con nuestra misión, que ha sido nuestra misión desde el principio, que es permitir una mayor inclusión financiera para las personas y al mismo tiempo ayudar a las instituciones financieras a gestionar y mitigar mejor los riesgos. Lo vemos como dos caras de la misma moneda, no podemos hacer lo primero sin hacer lo segundo, o no podemos hacer lo primero de manera escalable sin hacer también lo segundo. Entonces, cuando iniciamos la empresa, estábamos muy concentrados en la calificación del riesgo crediticio y en la toma de decisiones sobre el riesgo crediticio. Por lo tanto, ayudar a los prestamistas a comprender el verdadero riesgo de los prestatarios, principalmente consumidores y pequeñas empresas, ayudarlos a comprender ese riesgo real y tomar decisiones más informadas basadas en esas predicciones de riesgo mejoradas. Eso sí, aprovechó la información de los datos de forma automática, pero lo hizo de una manera que aún permitía a un usuario que no utiliza ciencia de datos comprender qué diablos estaba pasando, lo cual vemos que es realmente importante. Un avance rápido hasta el día de hoy, ha habido mucha atención en la industria, no solo en la IA y el aprendizaje automático durante el último año en particular. Pero hay un tremendo enfoque en la industria sobre cómo se puede aprovechar la tecnología, pero de una manera segura, sana y justa. Y estamos perfectamente posicionados para eso. Yo diría que tal vez cuando iniciamos la empresa, todavía éramos un poco tempranos para ingresar al mercado. Pero la trayectoria de crecimiento que hemos visto, particularmente durante los últimos 18 meses, ha sido realmente increíble y también nos permitió expandirnos a otros casos de uso. Por eso, en este momento también tenemos clientes en la detección de fraudes, donde los ayudamos a identificar el fraude, garantizando la equidad y reduciendo los falsos positivos en el camino. Y luego también incorporamos nuestras capacidades de detección y mitigación de sesgos en una solución separada que llamamos UnBias. que se centra directamente en la evaluación del riesgo de préstamos justos y permite a los prestamistas hacerlo de manera más eficiente y proactiva e identificar los riesgos antes de que se conviertan en problemas.

Pedro Renton  06:07

Quería tener una idea de con quién estás trabajando. ¿Cuáles son algunas de las instituciones financieras, con qué tipos de instituciones financieras trabaja en este momento?

Laura Kornhäuser  08:13

Sí. Entonces comenzamos a trabajar principalmente con fintechs. Entonces, esos fueron los primeros en adoptar, nuestros clientes iniciales, y nos permitieron obtener comentarios sobre productos realmente increíbles y ciclos rápidos de iteración de nuestras ofertas. Ahora estamos trabajando con los bancos. Y estamos trabajando con bancos, de hecho, de un espectro bastante amplio en este momento, nuestro mayor cliente bancario es uno de los diez principales bancos de EE. UU. Y luego también estamos trabajando con bancos comunitarios más pequeños y varias CDFI. En particular, a través de una iniciativa reciente que lanzamos, llamada suscripción para la justicia racial y el programa piloto del que somos socios tecnológicos del que definitivamente podemos hablar más. Pero vemos una gran oportunidad en el espacio CDFI, en particular, vemos una gran oportunidad en los bancos comunitarios, para tecnología como la nuestra, y luego también estamos viendo una gran demanda de los grandes bancos comunitarios en transición. también a los bancos regionales.

Pedro Renton  09:11

Bien, entonces no estás solo en este espacio. Hay otros que también brindan servicios a ese tipo de instituciones financieras. ¿En qué te diferencias de los demás en el espacio?

Laura Kornhäuser  09:24

Sí, entonces donde realmente nos diferenciamos es en el nivel de transparencia que brindamos tanto en los modelos como en los sistemas de puntuación y en los sistemas de toma de decisiones. Así que se ha convertido en una palabra de moda un poco usada en exceso en la que todos afirman tener transparencia. Ya sabes, cuando decimos eso nos referimos a que nuestros usuarios tienen visibilidad total del funcionamiento interno de cómo funciona un modelo o estrategia. También tienen el poder de realizar cambios y, al hacerlo, sin escribir una sola línea de código, descubrimos que eso termina siendo realmente significativo, especialmente para, nuevamente, los bancos comunitarios e incluso muchos de los actores regionales. que, ya sabes, si tienen un equipo de ciencia de datos, pueden ser algunas personas si están realmente sobrecargadas de trabajo. Y en lo que realmente estamos enfocados es en cómo llevar las herramientas de la ciencia de datos al experto en la materia, al usuario que realmente entiende el crédito y que seguramente es muy competente en datos y conoce los datos, pero no es un científico de datos. Si no soy ingeniero, ¿cómo les brindamos herramientas con las que realmente se sientan cómodos usando, debido al nivel de visibilidad y control que brindamos en comparación con otros? Así que no hay cajas negras con Stratyfy y todo lo que permite la tecnología central que mencioné anteriormente.

Pedro Renton  10:51

Interesante. Quiero tocar el tema del sesgo. Ya lo mencionaste un par de veces aquí. Parece que este fue un principio fundamental para ustedes, ¿cuál es su enfoque? Tal vez puedas explicar exactamente cómo tus modelos pueden identificar el sesgo mejor que otros.

Laura Kornhäuser  11:10

Sí. Entonces, tiene toda la razón, esto es algo que forma parte de nuestro enfoque fundacional, ya sabe, nuestra solución inicial que construimos, nuestra solución de evaluación y toma de decisiones del riesgo crediticio siempre incluyó el sesgo como KPI de los modelos. Así que siempre pensamos que ese era uno de los indicadores de desempeño que se debía tener en cuenta al evaluar diferentes estrategias, diferentes opciones, diferentes modelos. Y, ya sabes, lo que hacemos es que no estamos en el negocio de decir o determinar qué es justo o no es justo. Lo que hacemos es ofrecer una serie de pruebas y métricas diferentes, todas las cuales pueden aprovecharse fácilmente dentro de nuestras herramientas para evaluar el posible sesgo que podría introducirse en la adición. Entonces, una cosa que hacemos, Peters, es admitir una serie de métricas de sesgo diferentes y dejar que nuestro usuario tome la decisión sobre qué métricas le importan más. Qué métricas son más importantes para los reguladores, sus clientes y ellos pueden seleccionarlas. Y luego, la forma en que funciona nuestro producto UnBias es el primer paso; en realidad lo dividimos en tres pasos: descubrir, comprender y deshacer. Entonces, el primer paso consiste en ejecutar esas pruebas, ejecutarlas de una manera muy sólida pero automatizada, de modo que un prestamista pueda ejecutar esas pruebas con mayor frecuencia y de manera más proactiva. Si surge un riesgo de acuerdo con uno de esos indicadores, pasamos al paso dos, o permitimos que el usuario avance al paso dos dentro de nuestros productos, lo cual se entiende. Allí descomponemos ese riesgo. Entonces, ¿cuáles son los principales impulsores? ¿Qué está provocando que surja ese riesgo de sesgo? Y luego de iluminar eso, le damos a nuestro cliente la información que necesita para determinar si necesita tomar medidas. Y si deciden que quieren tomar medidas, nosotros también, con el componente de deshacer, podemos ayudarlos a descubrir la manera de remediar y realizar cambios en sus modelos. Y corregir o compensar el sesgo que ha surgido porque nadie se propone construir un modelo sesgado o una estrategia de toma de decisiones sesgada, ¿verdad? No hay un prestamista por ahí que diga, oye, ya sabes, ni mis humanos tomando decisiones ni mi sistema automatizado, o alguna combinación de ambos, como es el caso de muchos prestamistas, nadie tiene la intención de tener ese sesgo. Pero descubrimos que gran parte de la verificación exhaustiva que se realiza ocurre en el momento del lanzamiento, antes de que se lance una nueva estrategia. Al final sí, también hay controles periódicos. Pero a menudo, las cosas pueden descarrilarse más rápido que la siguiente revisión periódica que se realiza. Entonces, ya sabe, nuestro objetivo con esta oferta de productos y lo que hemos podido ofrecer a los clientes es una mejor visibilidad de un monitoreo continuo de esos riesgos, de modo que pueda abordar un problema antes de que se convierta en un gran problema.

Pedro Renton  13:58

Entonces, es posible que vean, como si alguien estuviera ejecutando sus modelos, y han pasado varias semanas y pueden comenzar a ver, parece haber, ya sea que sean mujeres, ya sea racial, se puede decir que sí, bueno, parece. Para mí, estás rechazando más de este tipo de personas de lo que deberías. Entonces, ¿es esto algo que simplemente tiene un punto desencadenante? ¿O el cliente establece el punto de activación?

Laura Kornhäuser  14:25

El cliente puede determinar la frecuencia con la que desea ejecutar la evaluación. Ya sabes, podemos hacerlo a diario o, ya sabes, incluso varias veces al día si un cliente lo desea. En la mayoría de los casos, vemos que la gente quiere hacer estas verificaciones mensuales o trimestrales. Es muy difícil de medir. Si no tiene un conjunto de muestra que sea lo suficientemente grande, puede encontrarse con situaciones en las que puede marcar algo que no es estadísticamente significativo. Así que estamos realmente enfocados en no solo la medición, sino en asegurar que esa medición sea estadísticamente significativa para que podamos sentirnos cómodos cuantificando algo como un riesgo, y no estamos, ya sabes, arrojando un montón de banderas donde estaban, no es necesario que estén.

Pedro Renton  15:05

Bien. Me imagino que eso podría ser un desafío para algunos de los bancos comunitarios más pequeños, ¿verdad que no tienen ese volumen?

Laura Kornhäuser  15:11

Exactamente. No tengo el volumen para, ya sabes, ejecutarlo con más frecuencia, ya sabes, mensualmente si eso, y a menudo para los bancos más pequeños, quieren ejecutarlo trimestralmente. Pero ya sabes, nuestra tecnología les permite funcionar con la frecuencia que quieran; encontramos el mercado una vez al mes o trimestralmente.

Pedro Renton  15:29

¿Su sistema también ayuda con las cartas de acciones adversas o con el rechazo de alguien? Y, obviamente, necesitamos que ustedes sepan por qué. ¿Eso es parte de lo que ofrecen allí?

Laura Kornhäuser  15:42

Absolutamente. Y también es algo que veo como un diferenciador nuestro, una vez más, apuntando al nivel de transparencia de nuestro enfoque subyacente. Mucha gente que utiliza otros enfoques de aprendizaje automático y luego proporciona avisos de acciones adversas desde atrás está usando cosas como los valores de Shapley para proporcionar esos avisos de acciones adversas, o los códigos de motivo, los reguladores han salido y han levantado banderas sobre ese tipo de explicadores postdoctorales. . Ahora no han dicho que no son lo suficientemente explicables. Creo que el lenguaje exacto que utilizaron los explicadores postdoctorales puede no ser lo suficientemente transparente para el uso, para este tipo de uso. Pero yo diría que sigue siendo un tema muy debatido en la industria, y muchas personas están aprovechando esos métodos si utilizan más soluciones de aprendizaje automático de caja negra. No tenemos ese problema porque la naturaleza subyacente de nuestros modelos es que son interpretables, lo que significa que son visibles o transparentes, ya sabes, desde los bloques de construcción hacia arriba en lugar de colocar un modelo encima del modelo para comprenderlo. cómo funcionan los modelos.

Pedro Renton  16:46

Bien bien. Y luego, como el CFPB, ha dejado bastante claro que no quieren ver ningún sesgo en los modelos de préstamos. Quiero decir, me imagino que la mayoría, si no todos, los prestamistas serían bastante conscientes de esto hoy. ¿Y la pieza de sesgo es algo que es una prioridad para los prestamistas hoy en día, o cómo usted, cuando está conversando, es este tipo de característica que más les interesa? ¿O qué, cómo es?

Laura Kornhäuser  17:14

Es un entorno de mercado interesante. Yo diría que lo más importante para la mayoría de los bancos es aumentar los depósitos, aumentar los depósitos y luego aumentar los depósitos. Dicho esto, es un enfoque enorme. Los bancos en este momento, dado el entorno en el que nos encontramos, están recortando personal, costos, etc. Y buscando formas de automatizar procesos, buscando escalabilidad, buscando eficiencias a través de la tecnología. La IA y el subcampo del aprendizaje automático tienen mucho valor que ofrecer para impulsar ese tipo de ganancias de escalabilidad y eficiencia. Pero descubrimos que muchos en el mercado todavía son bastante tímidos a la hora de utilizar el aprendizaje automático para este tipo de decisiones de alto valor y riesgo con altos niveles de escrutinio. Y ya sabes, ahí es donde realmente podemos diferenciarnos. Es por eso que hemos visto el crecimiento que hemos visto, porque podemos ofrecerles los beneficios de esa tecnología sin algunos de los inconvenientes, ya sabes, sin hacerlos sentir que tienen que sentarse y confiar ciegamente en una partitura o modelo que no entienden, pueden personalizar muy fácilmente todo según su tolerancia al riesgo particular, su base de clientes particular, ven de nuevo, ven exactamente lo que aprendieron de los datos, pueden cambiarlo, pueden anularlo, pueden poner información adicional en el sistema. eso está fuera de los datos para compensar cosas como el sesgo, para compensar las cosas que sabes, cosas como los datos siempre miran hacia atrás. Creo que eso nos ha ayudado mucho en lo que, en última instancia, es un entorno difícil.

Pedro Renton  18:52

Hablemos de los datos en sí, porque me encantaría tener una idea del tipo de datos que realmente se están volviendo críticos para algunas de las cosas de las que hemos hablado aquí para identificar algunos de estos sesgos. Y tal vez datos que sean menos importantes.

Laura Kornhäuser  19:09

Algunas cosas en el lado de los datos, a menudo nos encontramos con el cliente donde está. Y tenemos asociaciones de datos, pero Stratyfy en sí no es un proveedor de datos.

Pedro Renton  19:18

Derecha.

Laura Kornhäuser  19:19

Entonces, ya sabes, no estamos diciendo: "Oye, agrega este elemento de datos a tu modelo y lograrás la felicidad analítica". Estamos trabajando con los activos de datos que tienen, o los activos de datos que adquieren a través de una de nuestras asociaciones de datos, y los aprovechamos al máximo, extrayendo el máximo valor de ellos. Todavía encontramos que la mayoría de los prestamistas, especialmente cuando ustedes se mudan a las comunidades, al espacio de los bancos comunitarios, todavía utilizan datos crediticios tradicionales. Lo que buscan es una mejor manera de extraer valor de esos datos para lograr un mayor rendimiento, mayor precisión, pero ya sabes, sin sacrificar la visibilidad, la transparencia y el control. Se habla mucho de elementos de datos adicionales. Y muchos prestamistas, ya sean fintech o prestamistas más grandes, están utilizando otros elementos de datos para ayudar a compensar especialmente a los solicitantes con pocos o ningún archivo, ya sabes, según nuestro trabajo, muestra una tremenda promesa de ganancias en estas áreas. Sabes, creo firmemente en los datos de pago de alquiler, por ejemplo, y en particular, en la capacidad de que esos datos realmente ayuden en el lado de la equidad, reduzcan el sesgo y ayuden a impulsar a algunos de esos solicitantes con expedientes más delgados. Todos hemos visto, y sé que han leído los estudios, ya saben, de FinRegLab y otros con quienes también nos asociamos con FinRegLab en un estudio muy interesante sobre aprendizaje automático y suscripción, pero suscripción basada en el flujo de efectivo, también extraordinariamente prometedora. Y nuevamente, vemos diferentes prestamistas en diferentes puntos de su curva de adopción de esos datos alternativos. Sin embargo, siempre es interesante para mí porque muchos prestamistas aún, cuando hablan de datos alternativos o datos fuera de un informe crediticio, piensan que están hablando de extraer el perfil de las redes sociales de alguien. ¿Bien? Y a menudo bromeo, como en nuestro espacio, los datos alternativos no son tan alternativos, ¿verdad?

Pedro Renton  21:17

Derecha.

Laura Kornhäuser  21:18

Entonces, ya sabes, a veces tienes que disuadir a la gente cuando comienzas a abordar esa conversación. Pero en cada una de esas discusiones, como estoy seguro se pueden imaginar, especialmente en el entorno del mercado, la pregunta clave que debe responder el prestamista es: ¿cuál es el estímulo adicional que proporciona ese elemento de datos? ¿Justifica el coste que tengo o las fricciones que tengo que introducir para conseguirlo? Y a menudo vemos personas que utilizan nuestros productos para ayudar a realizar esa prueba, por así decirlo, así como para explorar el valor de ese elemento de datos adicional. La otra cosa que mencionaré aquí, Peter, es que hemos visto que no se necesitan miles de atributos para tomar buenas decisiones en materia de crédito. Y eso muchas veces, hay casi como un punto de saturación, donde Sí, tal vez esté agregando valor incremental marginal, pero no necesariamente justifica la mayor complejidad del modelo o el costo de esos datos. Así que no estamos en el, como algunos de los otros en nuestro espacio, analizamos miles de atributos para tomar una decisión con cualquiera de nuestros clientes en este momento, ya sabes.

Pedro Renton  21:18

Entonces, cuando eres, cuando registras un nuevo cliente, un nuevo prestamista, ¿qué implica el proceso de implementación de Stratyfy? ¿Cuánto tiempo se tarda? Llévanos a través de un viaje típico allí.

Laura Kornhäuser  22:35

Por lo tanto, los compromisos iniciales suelen comenzar con un acuerdo piloto que dura entre uno y tres meses. En ese acuerdo piloto intercambiamos datos, es decir, los datos de los prestamistas que se intercambian con nosotros, todos son anónimos para que no tengan que compartir ninguna PII con nosotros ni nada por el estilo, lo cual es muy útil. Y luego tenemos conversaciones sobre si quieren explorar otros activos de datos, nuevamente, generalmente en forma piloto, eso no es algo que la gente esté haciendo. Y luego trabajamos con ellos para construir un conjunto inicial de modelos y estrategias de desafío, ya sabes. Entonces los modelos producen una puntuación, la estrategia produce una decisión, ¿verdad? Trabaje con ellos para producir un conjunto de modelos y estrategias desafiantes dentro de nuestro software que luego puedan evaluar. Luego, para la ejecución continua, a menudo nos integramos con un LOS para la ejecución continua solo a través de API. Y todo eso está controlado por nuestros productos para que usted pueda fácilmente, con los controles adecuados, promover una nueva estrategia a la implementada para una API sin tener que cambiar la integración. Y luego vemos que, por lo general, los prestamistas implementarán eso, por lo que ningún prestamista, después de una prueba piloto, a medida que avanzamos hacia un compromiso a largo plazo, ya sabes, el primer día, cambiará todo al nuevo modelo retador. Por lo general, eso se aplica con el tiempo, comenzando en un cierto porcentaje y luego se aplica.

Pedro Renton  24:01

Bien, entonces, ¿cómo han sido sus modelos, cómo han desarrollado sus modelos de IA, cómo han mejorado con el tiempo?

Laura Kornhäuser  24:07

Gran pregunta. Y esto me lleva a otro punto de diferenciación: no tomamos los datos de nuestros clientes y luego creamos un repositorio compartido para todos esos datos que luego aprovechan todos los demás clientes. Por lo tanto, los datos de nuestros clientes siguen siendo sus datos, y consideramos que son realmente importantes para ellos. Dicho esto, con la forma en que funciona nuestra familia de algoritmos, se podría considerar como características o conocimientos que se extraen de los datos que son nuestros. Y eso luego se utiliza para mejorar o mejorar, ya sabes, creando, por así decirlo, el efecto de red para nuestra empresa, ya que con cada nuevo cliente que obtenemos agrega valor para todos. Así es como lo hacemos. Sin embargo, a propósito, ¿no estamos creando ese, ya sabes, un gran repositorio de datos desde el que todos están trabajando?

Pedro Renton  25:01

Bien, nos acercamos a un año desde que se lanzó ChatGPT y todos empezaron a hablar de IA. Quiero decir, es simplemente asombroso. Si miras cualquier periódico hoy en día, hay IA, hay artículos sobre IA todos los días, todo el mundo habla de ello. ¿Ha cambiado eso su enfoque? ¿Ha hecho que sea más fácil o más difícil explicar lo que estás haciendo?

Laura Kornhäuser  25:26

Fantástica pregunta. La respuesta es que ha aumentado las conversaciones sobre el tema y creo que ha creado casi dos bandos dentro de los servicios financieros. Y se podrían correlacionar ligeramente estos campamentos con el tamaño de los activos de las instituciones con las que trabajan, pero no sería perfecto. Y un bando ve la promesa, ve el valor, ve los riesgos, de los cuales hay muchos, también ve los riesgos, pero quiere descubrirlos, y en muchos casos necesita descubrirlos, ya sabes, una serie de Las instituciones con las que trabajamos, ya sabes, tienen un mandato indirecto de su junta directiva para encontrar una manera de aprovechar esta tecnología. Por eso tienen un deseo real de descubrir cómo hacer que funcione para ellos. Con una dosis saludable, diría yo, saludable de miedo. El otro campamento simplemente ha estado demasiado inundado, ya sabes, ve la palabra IA e inmediatamente se apaga. Y, ya sabes, como he estado activo en el circuito de conferencias, como muchos otros durante los últimos dos meses, y ha sido muy interesante para mí ver, las personas no están en el medio, o he encontrado muy pocas en en el medio, caen en uno de esos dos campos. Sabes, creo firmemente en el poder que la tecnología de inteligencia artificial, en términos generales, tiene para aportar a la industria financiera. Si entiendes que un gran poder conlleva una gran responsabilidad. Y estas herramientas se pueden utilizar para mejorar mucho las cosas, especialmente en cuestiones de justicia. También podrían utilizarse para arraigar el sesgo y ampliarlo exponencialmente en las decisiones futuras. Y creo que estamos en un punto de inflexión o decisión en el que, ya sabes, realmente espero que siga el camino anterior. Pero si no contamos con los controles adecuados, controles que no repriman la innovación, sino controles, podríamos tener una situación en la que todos los sesgos del pasado queden codificados en las decisiones del futuro.

Pedro Renton  27:29

Bien. Así que quiero cambiar un poco de tema y hablar sobre recaudar dinero, porque la última vez que conversamos, creo que acababas de cerrar tu ronda de financiación. Y no sé si era público todavía, pero acababas de cerrarlo. ¡Felicidades! No es fácil cerrar una ronda de financiación en 2023. Cuéntenos un poco sobre ese proceso, ¿quiénes son sus inversores y cómo fue ese proceso?

Laura Kornhäuser  27:51

Bueno, fue un entorno de recaudación de fondos muy desafiante, de eso no hay duda. Pero somos muy afortunados de contar con inversores que comparten nuestra misión y valores, pero que también ven las enormes ventajas de Stratyfy. Sabes, nos beneficiamos enormemente de tener relaciones a largo plazo. Bien, hemos estado aquí por un tiempo. Y llevamos un tiempo fomentando las relaciones con los inversores. Y eso significó que cuando íbamos a recaudar fondos, en realidad lo estábamos haciendo, por sorprendente que parezca dado el entorno de financiación, de manera oportunista. Estábamos recaudando dinero en ese momento, no porque nos estuviéramos quedando sin dinero, sino porque teníamos clientes que habíamos firmado o estábamos a punto de firmar. Y necesitábamos asegurarnos de poder escalar el equipo para cumplir con los compromisos que habíamos conseguido. Entonces, estar en esa posición también nos coloca en una posición mayor, por supuesto, de fuerza para recaudar fondos. Pero no hubiéramos podido hacerlo sin esas relaciones a largo plazo y sin inversionistas que realmente se preocupan por impulsar un sistema financiero más justo y creen que Stratyfy es un componente clave para que eso suceda.

Pedro Renton  29:10

Bien, entonces, analizando su negocio hoy, ¿cuál es su mayor desafío para intentar hacer crecer Stratyfy?

Laura Kornhäuser  29:17

Una cosa que es un desafío en este momento y que siempre será un desafío es vender a los bancos. No es una cosa fácil de hacer.

Pedro Renton  29:25

Derecha.

Laura Kornhäuser  29:26

No es una cosa fácil de hacer. Los ciclos de ventas son largos. Los contratos son desiguales. Entramos en esto, ya sabes, con los ojos abiertos. No es que esto fuera una sorpresa para nosotros. Sabíamos que íbamos por un camino desafiante. Pero eso es difícil ahora. Eso es difícil en este momento en el entorno de mercado en el que nos encontramos. Y muchos prestamistas están reduciendo el riesgo, cerrando productos y, en muchos casos, lo están haciendo con instrumentos muy contundentes, elevando un límite FICO. Cerrar completamente una determinada oferta o venderla por completo en el mercado secundario, ¿verdad? Lo vemos como una reacción inicial que pasará y también creará enormes oportunidades, especialmente para los bancos comunitarios y los bancos regionales que durante tanto tiempo han sido presionados por los prestamistas fintech por un lado y los grandes bancos por el otro. Por eso creemos que creará una oportunidad realmente significativa. Pero ahora mismo, eso es un desafío. En lo que realmente estoy enfocado al abordar ese desafío es, ya sabes, en un control clásico de los controlables. Hoy en día tenemos una base de clientes increíble y seguir entregándoles con la mayor calidad posible nos brindará nuevas oportunidades para expandirnos con esa base de clientes existente. Y luego estoy realmente concentrado en nuestro equipo, hemos construido un equipo absolutamente increíble. Estoy muy orgulloso del hecho de que también hay un equipo líder femenino, lo cual es un gran diferenciador, por así decirlo, en el entorno de mercado en el que estamos, estoy muy orgulloso de eso. Pero ya sabes, más allá de cualquier cosa que pueda clasificar a cualquiera de nuestros empleados, estoy realmente orgulloso de lo comprometidos que están con nuestra misión, de lo apasionados que están por el cambio que buscamos impulsar y de lo duros que son. trabajando para lograrlo. Entonces, ya sabes, estoy realmente concentrado en hacer crecer ese increíble equipo que tenemos para continuar satisfaciendo la nueva demanda del mercado que eventualmente enfrentaremos y superar cualquier desafío que tengamos para vender en bancos en el corto plazo.

Pedro Renton  31:30

Bien, terminemos con una pregunta prospectiva y queremos tener una idea de dónde nos encontramos hoy. Quiero decir que la IA continúa mejorando. ¿Cómo se desarrollará en lo que respecta a las decisiones crediticias y de riesgo de los prestamistas? ¿Cómo será eso dentro de cinco años?

Laura Kornhäuser  31:49

Sí. Por eso creo firmemente que tendremos una toma de decisiones mucho más automatizada en materia de préstamos. No quiere decir que ciertas decisiones aún no requieran revisión manual o que no requieran un segundo par de ojos, pero las decisiones automatizadas deben proliferar más de lo que ya lo han hecho. Y eso sucederá en diferentes líneas de productos. Pero lo que creo que es realmente importante, y esto se aplica al futuro de la IA y el crédito y otros lugares, es que los tipos de sistemas que van a ganar, que van a proporcionar el mayor valor a los clientes, son los sistemas que permiten la entrada. en última instancia, de múltiples fuentes. Entonces podrían ser datos como una fuente, pero también humanos, quienes... El aprendizaje automático es realmente bueno para consumir datos y encontrar información. Los humanos son realmente excelentes para aplicar contexto a esos datos, información que está fuera de los elementos de los datos. Entonces, creo que la IA del futuro, especialmente para los casos de uso regulados, pero creo que también para otros casos de uso, así como para la conciencia pública sobre el sistema de IA, crece a medida que es probable que surjan nuevas regulaciones que sigan un tipo de En gran parte de la regulación que hemos visto en Europa, y ya hemos visto el avance inicial con la 1033, habrá un enfoque real en cómo entender lo que está sucediendo, no solo a partir de los datos, sino también de ¿gente? Combine esos dos en un sistema automatizado y asegúrese de que pueda decirle a la IF, o que el otro tipo de empresa pueda decirle a su cliente del otro lado, ¿qué diablos pasó? ¿Cómo se tomó esta decisión? ¿Qué información se utilizó? ¿Cómo puedo ayudarle a tomar una decisión diferente, que sigo creyendo que es una gran oportunidad para un caso en el que el resultado es negativo? ¿Cómo se construye una relación con ese cliente para ayudarlo a obtener un resultado positivo? Ya sabes, serán sistemas de inteligencia artificial los que puedan hacer eso, los que realmente cumplirán todas las promesas y todo el valor que escuchamos en todos los periódicos.

Pedro Renton  33:47

Bien, entonces tendremos que dejarlo ahí. Laura, muchas gracias por venir al programa de hoy. La mejor de las suertes para ti.

Laura Kornhäuser  33:53

Muchas gracias Pedro.

Pedro Renton  33:57

Bueno, espero que hayas disfrutado el espectáculo. Muchas gracias por escuchar. Continúe y revise el programa en la plataforma de podcast de su elección y cuéntele a sus amigos y colegas. De todos modos, en esa nota, me despido. Aprecio mucho que me escuches y te veré la próxima vez. Adiós.

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.fintechnexus.com/laura-kornhauser-ceo-stratyfy-advanced-ai-models-underwriting/