Resumo Modelos de aprendizado de máquina (ML) tornaram-se um componente central dos sistemas modernos de aprovação de empréstimos, à medida que as instituições financeiras buscam melhorar a precisão das previsões, automatizar a tomada de decisões e reduzir custos operacionais em comparação com abordagens estatísticas tradicionais. Ao aproveitar grandes e complexos conjuntos de dados, técnicas de ML podem capturar relações não lineares entre atributos do tomador que modelos convencionais frequentemente falham em identificar. No entanto, a adoção crescente desses modelos levantou preocupações éticas e regulatórias significativas, particularmente em relação ao viés algorítmico, equidade, transparência e responsabilidade nas decisões de crédito. Este artigo fornece uma análise comparativa de três modelos de ML amplamente utilizados—regressão logística, florestas aleatórias e boosting por gradiente—com foco em seu desempenho preditivo, suscetibilidade ao viés e implicações para conformidade regulatória. Usando evidências de conjuntos de dados de empréstimos disponíveis publicamente e estudos empíricos existentes, a análise demonstra que modelos baseados em ensembles mais complexos geralmente superam modelos mais simples em termos de precisão e previsão de risco. No entanto, esses ganhos de desempenho são frequentemente acompanhados por uma menor interpretabilidade e uma maior probabilidade de resultados discrepantes entre grupos demográficos protegidos. As descobertas enfatizam que a precisão sozinha é insuficiente para uma tomada de decisão responsável de crédito. Para garantir a integridade ética e a conformidade com as regulamentações financeiras, a integração de métodos de aprendizado conscientes da equidade e técnicas de inteligência artificial explicável (XAI) é essencial ao implantar sistemas de aprovação de empréstimos baseados em ML.
Manjiri Abhay Bilurkar (Sat,) estudou esta questão.