定義が難しい「AI」

　インターネットの普及とITの進展により、ビジネスで利用できるデータが爆発的に増えたことで、最近では“データは重要な経営資源”と言われるようになった。

　実際にGAFA（グーグル、アップル、フェイスブック、アマゾン）やBATH（バイドゥ、アリババ、テンセント、ファーウェイ）などのプラットフォーマーと言われる、膨大なデータを独占する事業者の影響力が大きくなっている。

　そういった流れのなかで、第3次ブームと言われているAI（人工知能）技術に注目が集まっているのはご認識の通りである。

　しかし、AIという用語がさまざまな場面で用いられていることもあり、AIの定義が難しくなっている。人によっても理解や捉え方が異なり、広くデータ活用一般のことをAIと呼ぶこともあれば、統計モデルの活用を指す場合や、さらにその中の機械学習（マシンラーニング）を指す場合、またさらに限定して深層学習（ディープラーニング）をAIとしているケースもある。


　実際には機械学習は決して新しいものではなく、最近話題の深層学習のベースになっているニューラルネットワーク技術も1950年代にその理論が構築されたと言われている。

　ロジスティック回帰などの統計モデルや決定木といった機械学習モデルはすでに広い分野で活用されていたため、以前から関連した仕事をしていた人の中には、昨今のAIブームにやや違和感を持たれた方もいるのではないだろうか。

　今回のブームでは、ニューラルネットワークを応用した深層学習モデルによって、それまで活用が進んでいなかった“画像や音声データ“がビジネスレベルで利用できる精度で認識できるようになった点が画期的であったと言える。

　逆に言うと、以前から使われていた数値データの利用技術については、それほど大きな進展があった訳ではないが、同じAIブームの中で、データを活用した業務の高度化が一般的にAIと呼ばれているようである。

信用スコアでは優位性がない深層学習

　AIブームのきっかけになった“深層学習”が話題になることが多いが、信用スコアリングモデルの分野では他の手法と比較して優位性がないことをご存じだろうか？

　実はこの分野では、各手法に精通した人が十分なデータを使ってモデルを構築すれば、モデリング手法によって予測精度に大きな違いが出ることはまれである。

　予測モデルの精度を示す指標であるジニ係数（AR値と同じ）で2から3ポイント程度の差が出る程度で、（後述するが）スコアだけで与信判断を行う訳ではないこともあり、予測精度の差が大きなビジネスインパクトになることはほぼない。

　その一方で、深層学習はブラックボックスタイプのモデルであり、スコア結果の理由の説明が難しいため、あえて採用するメリットが少ない。


　むしろ重要なのは、スコアモデルの要素となる信用リスクと関連の強いデータ項目をどれだけ利用できるかである。

　たとえば、借入残高が同じ30万円前後のAさんとBさんがいたとする。その場合、借入残高だけを見ていても、貸倒リスクの違いははっきりしないが、“その人の使えるカードの枚数や限度額のうちどれだけ使っているか“という点に注目してデータを作成すると、高い予測精度のスコアモデルを構築することができる。

　つまりは、モデリング手法よりも、“いかに有効な入力データ”を準備できるかがスコアの性能を左右するということだ。


【次ページ】海外と日本市場で何が違うのか