الأخلاقيات الجديدة في معالجة الديون «2 من 4»

الابتكار في مجال الإقراض المحول إلى بيانات تقوده في الأغلب الشركات المبتدئة في مجال التكنولوجيا المالية، ولا سيما منصات الإقراض بين النظراء، مثل Lending Club وZopan وشركات التكنولوجيا الكبرى، مثل شركة علي بابا / مجموعة شركات أنت جروب. ومع ذلك، يتزايد حاليا استخدام البنوك التقليدية المقرضة للبيانات البديلة وتقنيات تعلم الآلة على النحو الذي أبرزته المسوح الأخيرة من بنك إنجلترا ومركز كامبريدج للتمويل البديل.
كذلك يؤدي تحويل المعاملات إلى بيانات لتصاعد المخاوف القائمة بشأن العدالة وعدم المساواة في إقراض المستهلكين. ويميل المقرضون إلى إساءة استخدام الرؤى القائمة على بيانات على سبيل المثال، لاستهداف الفئات الضعيفة من المستهلكين بعروض ائتمانية غير مناسبة. كذلك يؤدي تصنيف المقترضين على أساس البيانات، إلى تسهيل القيام بممارسات تحصيل الدين أكثر عدوانية وتطفلا ضد الفقراء. كذلك تؤدي زيادة دقة الفحص والتمييز السعري باستخدام البيانات البديلة وتعلم الآلة، إلى زيادة تكلفة الاقتراض على مستهلكين كانت تدعمهم المعلومات المخفية من قبل.
إضافة إلى ذلك، يمكن أن يؤدي الإقراض الذي يتزايد اعتماده على البيانات والخوارزميات، إلى زيادة التحامل نتيجة التمييز العرقي، وعلى أساس نوع الجنس على النحو الذي أبرزته كارثة بطاقة "أبل" الأخيرة، عندما تم منح النساء خطوط ائتمان أقل مقارنة بالرجال. وعلى وجه الخصوص، يمكن أن تؤدي التحيزات والمتغيرات البديلة في البيانات المستخدمة لتدريب نماذج تعلم الآلة إلى تفاقم التمييز غير المباشر في الإقراض ضد فئات الأقلية، ولا سيما عندما تعكس البيانات تمييزا هيكليا طويل الأمد.
وعادة ما تكون البيانات البديلة مثل بيانات مواقع التواصل الاجتماعي، أكثر ثراء بالسمات المميزة مقارنة ببيانات الائتمان المالي، وبالتالي تتضمن مزيدا من المتغيرات البديلة للسمات المميزة المحمية، مثل العرق ونوع الجنس. ويمكن أن تؤدي قابلية التفسير المحدودة لبعض أساليب تعلم الآلة، "مثل الشبكات العصبية العميقة"، إلى إعاقة جهود الكشف عن التمييز باستخدام البيانات البديلة. لذلك فإن استخدام نماذج تعلم الآلة هذه دون اختبار نتائجها بدقة ودون رقابة بشرية مجدية، يحتمل أن يعزز التحيزات الاجتماعية وأنماط التمييز غير المشروع التي كانت تحدث في الماضي، ما يؤدي إلى استمرار استبعاد الفئات الأقل حظا وفئات الأقلية من أسواق القروض الاستهلاكية.
غير أن تحويل معاملات القروض الاستهلاكية إلى بيانات قد يدعم أيضا أخلاقيات الديون من خلال تحسين الأبعاد الأخرى لعدالة التوزيع في أسواق القروض الاستهلاكية. وتحديدا، فإن زيادة دقة التقييم الائتماني، بفضل تعلم الآلة والبيانات البديلة، في قياس الجدارة الائتمانية باستخدام الخوارزميات من شأنه تحسين إمكانية الحصول على الائتمان، ولا سيما بالنسبة إلى المستهلكين "ذوي السجل الائتماني المحدود" أو "ممن ليس لديهم سجل ائتماني"، أو "ذوي الجدارة الائتمانية" الذين كانوا يحرمون من دخول أسواق الائتمان الرئيسة بسبب عدم كفاية البيانات الائتمانية، مثل السجل الائتماني... يتبع.