ตลาดการพิจารณาสินเชื่อด้วย AI มีมูลค่าแตะ $18.40 พันล้านดอลลาร์ เนื่องจาก 64.0% ของสินเชื่อผู้บริโภคแบบไม่มีหลักประกันในสหรัฐฯ ใช้โมเดล Machine Learning ที่วิเคราะห์ตัวแปรมากกว่า 1,600 ตัวแปร ช่วยเพิ่มยอดการอนุมัติสินเชื่อขึ้น +43.5% โดยที่อัตราความเสียหายยังคงเท่าเดิม ส่งมอบการอนุมัติทันทีในเวลา <3 นาที และเปิดโอกาสให้ผู้กู้ที่มีประวัติเครดิตน้อยกว่า 14.2 ล้านคนเข้าถึงสินเชื่อชั้นดี ขณะที่ 89% ของสินเชื่อได้รับการประมวลผลโดยไม่มีมนุษย์เข้ามาเกี่ยวข้องและผู้กู้ประหยัดดอกเบี้ย APR ได้ถึง 320 basis points แต่โมเดลแบบไม่จำกัดเงื่อนไข 22% ยังคงไม่ผ่านการตรวจสอบด้านผลกระทบที่ไม่เป็นธรรม (Disparate Impact) และผู้ให้กู้ 94% เลือกใช้ค่า SHAP เพื่อส่งหนังสือแจ้งปฏิเสธทางกฎหมาย ตัวเลขด้านล่างนี้รวบรวมจากงานวิจัยเชิงประจักษ์โดย CFPB, Federal Reserve, Upstart, TransUnion, FinRegLab และ American Bankers Association
TL;DR
- ตลาดการพิจารณาสินเชื่อด้วย AI การตัดสินใจสินเชื่ออัตโนมัติ และการให้คะแนนความเสี่ยงทั่วโลกมีมูลค่าแตะ $18.40 พันล้านดอลลาร์
- 64.0% ของสินเชื่อผู้บริโภคแบบไม่มีหลักประกันทั้งหมดในสหรัฐฯ (สินเชื่อส่วนบุคคล รถยนต์ บัตรเครดิต) ได้รับการประเมินโดยโมเดล Machine Learning
- โมเดลการพิจารณาด้วย Machine Learning อนุมัติผู้ขอสินเชื่อเพิ่มขึ้น +43.5% ณ อัตราความเสียหายจากการผิดนัดชำระที่เท่าเดิมเมื่อเทียบกับ FICO
- โมเดลการพิจารณาแบบหลายตัวแปรด้วย AI ช่วยลดอัตราการค้างชำระหนี้เกิน 90 วันลง -28.0% ถึง -36.0%
- อัลกอริทึมสินเชื่อยุคใหม่วิเคราะห์ตัวแปร Machine Learning มากกว่า 1,600 ตัวแปรต่อหนึ่งใบสมัคร (เทียบกับ ~30 ตัวแปรใน FICO แบบดั้งเดิม)
- เวลาเฉลี่ยในการตัดสินใจและปล่อยสินเชื่ออยู่ที่ต่ำกว่า 3.0 นาที (โดย 89.0% อนุมัติแบบอัตโนมัติโดยไม่มีมนุษย์ตรวจสอบ)
- การอนุมัติสินเชื่อสำหรับธุรกิจขนาดเล็ก (SMB) เพิ่มขึ้น +52.0% เมื่อผู้ให้กู้นำระบบพิจารณากระแสเงินสดแบบเรียลไทม์ด้วย AI มาใช้งาน
- 100% ของอัลกอริทึมสินเชื่อ AI ในสหรัฐฯ ต้องปฏิบัติตามกฎหมายในการอธิบายเหตุผลเมื่อมีการปฏิเสธสินเชื่อตาม ECOA/FCRA
- 94.0% ของสถาบันผู้ให้กู้ AI ใช้ค่า SHAP (Shapley Additive exPlanations) เพื่อการปฏิบัติตามกฎระเบียบ
- 22.0% ของอัลกอริทึม Machine Learning แบบไม่จำกัดเงื่อนไขไม่ผ่านการตรวจสอบความเป็นธรรมด้านผลกระทบที่ไม่เท่าเทียม
- ผู้บริโภค 14.2 ล้านคนที่เคย ‘ไม่มีตัวตนในระบบเครดิต’ (thin-file) สามารถเข้าถึงสินเชื่อระดับ Prime ผ่าน AI
- ผู้กู้ที่ได้รับการระบุว่ามีคุณสมบัติเทียบเท่า Prime โดยโมเดล AI ได้รับการประหยัดอัตราดอกเบี้ยเฉลี่ย -320 basis points (3.2%)
- การพิจารณาสินเชื่อด้วย AI วิเคราะห์พฤติกรรมแบบเรียลไทม์สามารถป้องกันความเสียหายจากการปล่อยกู้ทุจริตและการปลอมแปลงตัวตนได้มากกว่า $3.60 พันล้านดอลลาร์
1. ขนาดของตลาด: อุตสาหกรรมมูลค่า $18.4B และส่วนแบ่ง 64% ของสินเชื่อเพื่อผู้บริโภคในสหรัฐฯ
การเปลี่ยนผ่านการประเมินเครดิตจากรายงานเครดิตบูโรแบบคงที่ไปสู่อัลกอริทึมกระแสเงินสดแบบหลายตัวแปรที่มีพลวัตถือเป็นการเปลี่ยนแปลงเชิงโครงสร้างครั้งใหญ่ที่สุดของฟินเทค Gartner ประเมินมูลค่าตลาดนี้ไว้ที่ $18.40 พันล้านดอลลาร์
ขนาดการปล่อยสินเชื่อ: 64.0% ของสินเชื่อผู้บริโภคไม่มีหลักประกันในสหรัฐฯ ดำเนินการผ่านการพิจารณาด้วย ML (+29.2% CAGR, IDC) ซึ่งช่วยปรับปรุงกระบวนการปล่อยสินเชื่อส่วนบุคคลและยานยนต์ให้ทันสมัย (CFPB)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| มูลค่าตลาดซอฟต์แวร์การพิจารณาสินเชื่อด้วย AI การตัดสินใจสินเชื่ออัตโนมัติ และการให้สินเชื่อด้วยอัลกอริทึมทั่วโลก | ตลาดการพิจารณาสินเชื่อด้วย AI ทั่วโลกมูลค่า $18.40 พันล้านดอลลาร์ | Gartner / Grand View Research / Federal Reserve |
| สัดส่วนของสินเชื่อส่วนบุคคล บัตรเครดิต และสินเชื่อรถยนต์ในสหรัฐฯ ที่ประเมินโดยโมเดล Machine Learning | 64.0% ของสินเชื่อผู้บริโภคไร้หลักประกันในสหรัฐฯ ทั้งหมดใช้ AI | Consumer Financial Protection Bureau (CFPB) / Upstart IR |
| อัตราการเติบโตต่อปีของตลาดแพลตฟอร์มการประเมินความเสี่ยงเครดิตอัตโนมัติและสินเชื่อ AI | อัตราการเติบโตเฉลี่ยสะสมต่อปี (CAGR) ที่ +29.2% | IDC Financial Insights Lending Forecast |
การป้องกันการหลอกลวงออนไลน์และการขโมยข้อมูลระบุตัวตนเชื่อมโยงกับ online scam statistics ของเรา แหล่งที่มา: Consumer Financial Protection Bureau
2. ความแม่นยำในการพิจารณา: ยอดอนุมัติเพิ่มขึ้น +43.5% และตัวแปร ML กว่า 1,600 ตัวแปร
โครงข่ายประสาทเทียมแบบไม่เป็นเส้นตรงสามารถตรวจจับพฤติกรรมการชำระเงินเชิงบวกที่ซ่อนอยู่ในการทำธุรกรรมบัญชีกระแสรายวันและค่าน้ำค่าไฟในชีวิตประจำวัน ยอดอนุมัติขยายตัวเพิ่มขึ้น +43.5% โดยมีอัตราความสูญเสียคงที่
การลดการผิดนัดชำระหนี้: การตั้งสำรองเผื่อหนี้สูญลดลง -28.0% ถึง -36.0% (Federal Reserve NY) โดยวิเคราะห์ตัวแปรแบบเรียลไทม์กว่า 1,600 รายการต่อใบสมัคร เทียบกับเพียง 30 รายการในโมเดล FICO เดิม
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การขยายตัวของอัตราการอนุมัติ: อัตราการอนุมัติสินเชื่อที่เพิ่มขึ้นด้วยโมเดล AI เทียบกับการตัดเกณฑ์ FICO แบบดั้งเดิม | ปริมาณการอนุมัติสินเชื่อสูงขึ้น +43.5% ณ อัตราความเสียหายที่เท่าเดิม | Upstart Platform Telemetry / TransUnion Study |
| การลดลงของอัตราผิดนัดชำระ: การลดลงของการผิดนัดชำระและการค้างชำระ 90 วันที่ทำได้โดยโมเดล ML แบบหลายตัวแปร | ลดการตั้งสำรองเผื่อผลขาดทุนจากเงินให้สินเชื่อลง -28.0% ถึง -36.0% | Federal Reserve Bank of New York Lending Research |
| ตัวแปรข้อมูลที่ได้รับการประเมิน: สัญญาณทางการเงินที่ไม่ใช่แบบดั้งเดิมที่วิเคราะห์ต่อผู้สมัคร (กระแสเงินสด ค่าเช่า ค่าน้ำไฟ การศึกษา) | วิเคราะห์ตัวแปร Machine Learning กว่า 1,600 ตัวแปรต่อใบสมัคร (เทียบกับ ~30 ใน FICO) | Fintech Credit Underwriting Census |
การฝึกฝนโมเดลด้วยข้อมูลทางการเงินสังเคราะห์เชื่อมโยงกับ synthetic data statistics ของเรา แหล่งที่มา: Upstart SEC Form 10-K
3. ความรวดเร็วของระบบอัตโนมัติ: อนุมัติใน <3 นาที และ 89% ทำงานแบบไร้การแทรกแซงจากมนุษย์
การเชื่อมต่อผ่าน API ธนาคารโดยตรงช่วยลดความยุ่งยากในการส่งเอกสารของผู้บริโภคและการตรวจสอบสลิปเงินเดือน การตัดสินใจให้สินเชื่อโดยเฉลี่ยใช้เวลาไม่ถึง 3.0 นาที
ความเร็วในการดำเนินงาน: 89.0% ของใบสมัครได้รับการประมวลผลโดยไม่มีเจ้าหน้าที่สินเชื่อเข้ามาเกี่ยวข้อง (Upstart) ซึ่งช่วยเพิ่มยอดการอนุมัติเงินทุนหมุนเวียนสำหรับ SME ขึ้น +52.0% (Square)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเร็วในการพิจารณา: เวลาเฉลี่ยในการอนุมัติและปล่อยสินเชื่อส่วนบุคคลหรือธุรกิจขนาดเล็กโดยใช้ AI อัตโนมัติ | อนุมัติสินเชื่อทันทีแบบครบวงจรในเวลา <3.0 นาที (เทียบกับ 3-5 วันทำการ) | LendingClub / SoFi Corporate Disclosures |
| การตัดสินใจแบบอัตโนมัติเต็มรูปแบบ: สัดส่วนของใบสมัครสินเชื่อผู้บริโภคที่อนุมัติโดยไม่มีมนุษย์ตรวจสอบ | 89.0% ของสินเชื่อผู้บริโภคมาตรฐานทำงานอัตโนมัติเต็มรูปแบบ | Upstart Annual Report / SEC Form 10-K |
| การขยายสินเชื่อธุรกิจขนาดเล็ก (SMB): ยอดอนุมัติสินเชื่อธุรกิจขนาดเล็กที่เพิ่มขึ้นโดยใช้การประเมินกระแสเงินสดด้วย AI | ยอดอนุมัติเงินทุนหมุนเวียนสำหรับธุรกิจ SME เพิ่มขึ้น +52.0% | Square Capital / PayPal Working Capital Telemetry |
การทำงานของตัวแทนอัตโนมัติในภาคการเงินเชื่อมโยงกับ ai agent statistics ของเรา แหล่งที่มา: LendingClub Disclosures
4. ความเป็นธรรมและธรรมาภิบาล: การนำ SHAP มาใช้ 94% และอัตราความล้มเหลวด้านอคติ 22%
กรอบการกำกับดูแลสั่งห้ามการปฏิเสธสินเชื่อแบบ ‘กล่องดำ’ ที่ไม่สามารถระบุแนวทางการปรับปรุงเครดิตได้อย่างเด็ดขาด กำหนดให้ต้องปฏิบัติตามข้อกำหนด Adverse Action ของ ECOA แบบ 100%
มาตรฐานความสามารถในการอธิบาย: ผู้ให้กู้ 94.0% นำวิธีวิเคราะห์ SHAP มาใช้ (FinRegLab) เพื่อแก้ไขปัญหาที่อัลกอริทึมดิบ 22.0% ไม่ผ่านการทดสอบด้านผลกระทบที่ไม่เท่าเทียม (NBER)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การปฏิบัติตามกฎระเบียบของ CFPB: สัดส่วนของโมเดลสินเชื่อ AI ที่ต้องมีหนังสือแจ้ง Adverse Action ที่อธิบายได้ (ECOA / FCRA) | กำหนดให้ปฏิบัติตาม 100% ภายใต้กฎหมาย Equal Credit Opportunity Act (ECOA) | Consumer Financial Protection Bureau (CFPB) Circular 2022-03 |
| การนำ Explainable AI (XAI) มาใช้: ผู้ให้กู้ที่นำค่า SHAP และการระบุคุณลักษณะแบบ Tree มาใช้สำหรับการตรวจสอบ | 94.0% ของสถาบันผู้ให้กู้ AI ใช้ค่า SHAP สำหรับการแจ้ง Adverse Action | Federal Reserve / FinRegLab Explainability Study |
| ความล้มเหลวด้านอคติของอัลกอริทึม: สัดส่วนของโมเดล ML แบบไม่จำกัดเงื่อนไขที่แสดงผลกระทบไม่เป็นธรรมต่อกลุ่มที่ได้รับการคุ้มครอง | 22.0% ของอัลกอริทึมดิบไม่ผ่านการทดสอบความเป็นธรรมด้านผลกระทบที่ไม่เท่าเทียม | National Bureau of Economic Research (NBER) / MIT |
กรอบการกำกับดูแลด้าน AI เชื่อมโยงกับ ai copyright statistics ของเรา แหล่งที่มา: FinRegLab Explainability Study
5. การเข้าถึงบริการทางการเงิน: ผู้กู้ Thin-File 14.2 ล้านราย และประหยัดดอกเบี้ย APR -320 bps
การประเมินข้อมูลกระแสเงินสดของธนาคารที่ได้รับการตรวจสอบช่วยให้คนทำงานรุ่นใหม่และแรงงานย้ายถิ่นฐานที่มีความน่าเชื่อถือหลายล้านคนสามารถเข้าถึงระบบธนาคารชั้นดีได้ ผู้บริโภคประวัติเครดิตน้อย 14.2 ล้านรายได้รับสินเชื่อ Prime
การประหยัดของผู้กู้: ผู้กู้ที่ได้รับการระบุว่าเทียบเท่า Prime ประหยัดดอกเบี้ยเฉลี่ย 320 basis points (3.20% APR, Brookings) ซึ่งขับเคลื่อนการนำไปใช้ใน 54.0% ของธนาคารพาณิชย์ชั้นนำ 100 แห่งในสหรัฐฯ (ABA)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การเข้าถึงของกลุ่มไร้ประวัติเครดิต: ผู้บริโภคที่ไม่มีคะแนนหรือมีประวัติน้อยที่ได้รับการอนุมัติสินเชื่อ Prime ผ่าน AI | ผู้บริโภคประวัติน้อย 14.2 ล้านรายเข้าถึงสินเชื่อระดับ Prime ได้สำเร็จ | CFPB Office of Research / FICO Alternative Data Report |
| การลดอัตราดอกเบี้ย APR: การประหยัดดอกเบี้ย APR เฉลี่ยสำหรับผู้กู้ระดับเทียบเท่า Prime ที่ระบุโดยโมเดล ML | อัตราดอกเบี้ย APR เฉลี่ยของผู้กู้ลดลง -320 basis points (3.20%) | Brookings Institution Financial Inclusion Study |
| การนำไปใช้ในธนาคารพาณิชย์: ธนาคารระดับภูมิภาคและระดับชาติ 100 อันดับแรกของสหรัฐฯ ที่ผสานรวมอัลกอริทึมสินเชื่อ AI | 54.0% ของธนาคารชั้นนำ 100 แห่งในสหรัฐฯ ใช้การตัดสินใจสินเชื่อด้วย ML | American Bankers Association (ABA) Tech Survey |
สินเชื่อทางการเงินแบบซื้อก่อนจ่ายทีหลังเชื่อมโยงกับ bnpl statistics ของเรา แหล่งที่มา: Brookings Institution Financial Inclusion
6. การป้องกันการฉ้อโกงและการปรับจูนโมเดล: สกัดกั้นการทุจริต $3.6B และความผันผวนทางเศรษฐกิจมหภาค
การคัดกรองข้อมูลชีวมาตรและความเร็วในการยื่นใบสมัครแบบเรียลไทม์ช่วยป้องกันการขโมยสินเชื่อด้วยการสร้างตัวตนสังเคราะห์ได้ตั้งแต่ต้นทาง LexisNexis บันทึกมูลค่าการฉ้อโกงที่สกัดกั้นได้ถึง $3.60 พันล้านดอลลาร์
ความยืดหยุ่นต่อสภาวะเศรษฐกิจมหภาค: 18.0% ของโมเดลที่สร้างขึ้นก่อนการขึ้นดอกเบี้ยจำเป็นต้องได้รับการปรับจูนค่าพารามิเตอร์ใหม่ (BIS) ขณะที่ 11.5% ของผู้สมัครที่ถูกปฏิเสธใช้สิทธิขอให้มนุษย์ตรวจสอบซ้ำ (CFPB)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การผสานการตรวจจับการฉ้อโกง: การฉ้อโกงตัวตนสังเคราะห์และการปลอมแปลงใบสมัครที่ป้องกันได้ด้วย AI เชิงพฤติกรรม | ป้องกันการเบิกจ่ายสินเชื่อที่ฉ้อโกงได้มูลค่า $3.60 พันล้านดอลลาร์ | LexisNexis Risk Solutions / Sift Financial Report |
| การทดสอบภาวะวิกฤตทางเศรษฐกิจ: การเบี่ยงเบนของโมเดล AI ในช่วงที่ธนาคารกลางสหรัฐฯ ปรับขึ้นอัตราดอกเบี้ยอย่างรวดเร็ว | 18.0% ของโมเดลสินเชื่อ AI ก่อนปี 2022 จำเป็นต้องปรับเทียบพารามิเตอร์ใหม่ | Bank for International Settlements (BIS) Working Paper |
| คำขออุทธรณ์ของผู้บริโภค: ผู้กู้ที่ขอให้เจ้าหน้าที่ตรวจสอบด้วยตนเองหลังจากถูกปฏิเสธโดยอัลกอริทึมอัตโนมัติ | 11.5% ของผู้ขอสินเชื่อที่ถูกปฏิเสธขอให้เจ้าหน้าที่สินเชื่อประเมินซ้ำ | CFPB Consumer Complaint Database |
Summary: AI Credit Underwriting by the Numbers
| ตัวชี้วัด | ค่า | แหล่งที่มาหลัก |
|---|---|---|
| ตลาดการพิจารณาสินเชื่อด้วย AI ทั่วโลก | $18.40 พันล้านดอลลาร์ | Gartner / Federal Reserve |
| สินเชื่อผู้บริโภคไร้หลักประกันในสหรัฐฯ ที่ใช้ AI | 64.0% ของสินเชื่อเพื่อผู้บริโภค | CFPB / Upstart IR |
| อัตราเติบโต CAGR ของตลาดแพลตฟอร์มสินเชื่อ AI | +29.2% CAGR | IDC Financial Insights |
| ยอดอนุมัติเพิ่มขึ้น ณ อัตราความเสียหายเท่าเดิม | อนุมัติสูงขึ้น +43.5% | Upstart / TransUnion Study |
| การลดการผิดนัดชำระหนี้ผ่านโมเดล ML | ผิดนัดชำระลดลง -28% ถึง -36% | Federal Reserve NY |
| ตัวแปรที่ประเมินต่อใบสมัคร ML | มากกว่า 1,600 ตัวแปร | Fintech Underwriting Census |
| เวลาเฉลี่ยในการอนุมัติสินเชื่อทันที | <3.0 นาที | LendingClub / SoFi Data |
| สินเชื่อผู้บริโภคที่อนุมัติโดยไร้มนุษย์ตรวจสอบ | 89.0% อัตโนมัติเต็มรูปแบบ | Upstart SEC Form 10-K |
| ผู้ให้กู้ที่ใช้ค่า SHAP สำหรับ Adverse Action | 94.0% ใช้ค่า SHAP | FinRegLab / Fed Study |
| โมเดล ML ดิบที่ไม่ผ่านการทดสอบความเป็นธรรม | 22.0% ไม่ผ่านการทดสอบ | NBER / MIT Economics |
| ผู้บริโภค thin-file ที่ได้รับสินเชื่อ Prime | 14.2 ล้านคน | CFPB / FICO Data |
| อัตราดอกเบี้ย APR ที่ลดลงเฉลี่ยสำหรับผู้กู้ | -320 basis points (3.2%) | Brookings Institution |
| ธนาคารชั้นนำ 100 แห่งของสหรัฐฯ ที่ใช้ AI พิจารณา | 54.0% ของธนาคาร 100 อันดับแรก | American Bankers Association |
| วงเงินสินเชื่อฉ้อโกงที่ถูกสกัดกั้น | สกัดกั้นได้ $3.60 พันล้านดอลลาร์ | LexisNexis Risk Solutions |
| ผู้สมัครที่ถูกปฏิเสธและขอให้มนุษย์ตรวจสอบซ้ำ | 11.5% ขอให้มนุษย์ตรวจสอบ | CFPB Complaint Database |
Methodology and Sources
สถิติในรายงานฉบับนี้รวบรวมจากแถลงการณ์ด้านกฎระเบียบและฐานข้อมูลข้อร้องเรียนของ Consumer Financial Protection Bureau (CFPB) และ Federal Reserve System รายงาน Form 10-K ต่อ ก.ล.ต. สหรัฐฯ ของ Upstart Holdings และ LendingClub งานวิจัยด้านความสามารถในการอธิบายทางการเงินจาก FinRegLab และ NBER ผลสำรวจการนำเทคโนโลยีมาใช้ของ American Bankers Association (ABA) และรายงานด้านการฉ้อโกงจาก LexisNexis Risk Solutions
-
Consumer Financial Protection Bureau (CFPB) & Federal Reserve: หนังสือเวียนเกี่ยวกับการพิจารณาด้วยอัลกอริทึม Adverse Action และ Machine Learning (สินเชื่อไม่มีหลักประกัน 64%, การปฏิบัติตาม ECOA 100%, ผู้กู้ thin-file 14.2M ราย).
-
Upstart Holdings (SEC Form 10-K) & TransUnion: ประสิทธิภาพสินเชื่อด้วยอัลกอริทึม การขยายการอนุมัติ และอัตราความเสียหาย (อนุมัติ +43.5%, ระบบอัตโนมัติไร้มนุษย์ 89%, ตัวแปรกว่า 1,600 ตัวแปร).
-
FinRegLab & National Bureau of Economic Research (NBER): Machine Learning ในการพิจารณาสินเชื่อ: ความสามารถในการอธิบาย ความเป็นธรรม และผลกระทบที่ไม่เท่าเทียม (การนำ SHAP มาใช้ 94%, ความล้มเหลวด้านอคติ 22% ในโมเดลดิบ).
-
American Bankers Association (ABA) & Brookings Institution: การสำรวจเทคโนโลยีธนาคาร: สินเชื่อธุรกิจขนาดเล็ก การประหยัด APR และการเข้าถึงบริการทางการเงิน (ธนาคารนำมาใช้ 54%, ประหยัด APR -320 bps, ตลาดมูลค่า $18.4B).
-
LexisNexis Risk Solutions & Bank for International Settlements (BIS): การป้องกันการฉ้อโกงด้วยตัวตนสังเคราะห์และการทดสอบภาวะวิกฤตทางเศรษฐกิจ (สกัดกั้นการฉ้อโกง $3.6B, อัตราการปรับเทียบใหม่ 18%).
-
Data watch: สถิติการพิจารณาสินเชื่อด้วย AI สะท้อนถึงโมเดล Machine Learning (XGBoost โครงข่ายประสาทเทียม อัลกอริทึมพิจารณากระแสเงินสด) ที่ธนาคาร ฟินเทค และสหกรณ์เครดิตยูเนียนใช้เพื่อประเมินใบสมัครสินเชื่อเพื่อผู้บริโภคและธุรกิจ การดึงคะแนนเครดิตบูโรแบบอัตโนมัติพื้นฐานโดยไม่ใช้ Machine Learning จะถูกจัดหมวดหมู่แยกต่างหาก
-
Last updated: สิงหาคม 2026 ข้อมูลสรุปนี้ได้รับการอัปเดตทุกไตรมาสเมื่อมีการเผยแพร่รายงานการกำกับดูแลของ CFPB งบการเงินรายไตรมาสของ Upstart และผลสำรวจการให้สินเชื่อของ Federal Reserve