[論文レビュー] AI-based Personalization and Trust in Digital Finance

Vijaya Kanaparthi|arXiv (Cornell University)|Jan 28, 2024

Impact of AI and Big Data on Business and Society被引用数 20

ひとこと要約

本論文はAI対応のパーソナライゼーションとデジタル金融における信頼性に関する体系的な文献調査を実施し、4つの分類器を用いた競争力のある性能を持つAIベースの信用リスク検出モデルを提案する。

ABSTRACT

Personalized services bridge the gap between a financial institution and its customers and are built on trust. The more we trust the product, the keener we are to disclose our personal information in order to receive a highly personalized service that maximizes consumer value. Artificial Intelligence (AI) can help financial institutions tailor relevant products and services to their customers as well as improve their credit risk management, compliance, and fraud detection capabilities by incorporating chatbots and face recognition systems. The present study has analyzed sixteen research papers using the PRISMA model to perform a Systematic Literature Review (SLR). It has identified five research gaps and corresponding questions to analyze the present scenario. One of the gaps is credit risk detection for improved personalization and trust. Finally, an AI-based credit risk detection model has been built using four supervised machine learning classifiers viz., Support Vector Machine, Random Forest, Decision Tree, and Logistic Regression. Performance comparison shows an optimal performance of the model giving accuracy of ~89%, precision of ~88%, recall of ~89%, specificity of ~89%, F1_score of ~88%, and AUC of 0.77 for the Random Forest classifier. This model is foreseen to be most suitable for envisaging customer characteristics for which personalized credit risk mitigation strategies are particularly effective as compared to other existing works presented in this study.

研究の動機と目的

• 信頼と消費者価値を通じたデジタル金融におけるパーソナライゼーションの動機付け。
• パーソナライゼーション、リスク、コンプライアンスにおけるAIアプリケーションに関する既存文献を統合。
• 研究のギャップを特定し、今後の研究を導くための質問を形成。
• 個別化された財務決定を強化するためのAIベースの信用リスク検出モデルを開発。

提案手法

• 16件の論文のPRISMAベースの体系的文献調査を実施。
• ギャップを特定し、5つの研究質問を設定。
• SVM、RF、DT、LRを用いて信用リスク検出モデルを構築・評価。
• 正確さ、適合率、再現率、特異度、F1、AUCを含む性能指標を報告。

実験結果

リサーチクエスチョン

• RQ1 デジタル金融におけるAI駆動のパーソナライゼーションと信頼の現在のギャップは何か。
• RQ2 AIは信頼を維持しつつパーソナライゼーションをサポートするために信用リスク検出をどう改善できるか。
• RQ3 個別化されたリスク緩和のために最も効果的なAIモデルと特徴は何か。
• RQ4 AIベースのパーソナライゼーションにおける倫理・規制・コンプライアンスの考慮事項は何か。
• RQ5 個別化された融資戦略の信用リスク予測において、異なる分類モデルはどう比較されるか。

主な発見

• SLRはパーソナライゼーション、信頼、信用リスクに関連する5つの研究ギャップを特定した。
• SVM、RF、DT、LRを用いたAIベースの信用リスク検出モデルはRFが約89%の正確さを示した。
• RFは約88%の適合率、約89%の再現率、約89%の特異度、約88%のF1、およびAUC0.77を達成。
• このモデルは信用リスク緩和戦略を個別化するのに特に適していると提案される。
• 本研究はリスクとコンプライアンスを管理しながらパーソナライゼーションを強化するAIの役割を強調する。