Recentemente, processos de avaliação de crédito em bancos têm incorporado abordagens baseadas em inteligência artificial, com esforços contínuos para melhorar a eficiência e a precisão dessas avaliações. Contudo, para o treinamento eficaz dos modelos, é necessário um grande volume de dados de alta qualidade, o que impõe restrições essenciais à colaboração entre instituições financeiras devido à sensibilidade e limitação no compartilhamento de dados pessoais. Neste artigo, propomos uma estrutura de avaliação de crédito que preserva a privacidade, baseada em Aprendizado Federado Multi-Tarefa (Multi-Task Federated Learning, MTFL), para superar tais desafios. A estrutura proposta permite que cada banco realize várias tarefas colaborativamente sem compartilhar dados sensíveis com um servidor central. O modelo implementado apresentou desempenho superior em comparação com modelos de aprendizado federado de tarefa única e modelos multitarefa com restrição no compartilhamento de dados sensíveis. Ademais, utilizamos valores SHAP para analisar a contribuição das variáveis de entrada ao modelo treinado, garantindo explicabilidade no processo decisório do modelo.
Choi et al. (Qui,) estudaram esta questão.