Application of Causal Inference to Analytical Customer Relationship Management in Banking and Insurance
Auteurs : Satyam Kumar, Vadlamani Ravi
Points clés générés par l'IA
- Les chercheurs soutiennent que les algorithmes d'intelligence artificielle doivent être capables de fournir des explications compréhensibles par les humains pour être mieux acceptés dans divers domaines.
- La causalité permet un niveau spécifique d'explicabilité au niveau humain et une classe spécifique d'algorithmes appelée contre-factuels peut fournir une causalité.
- Dans une étude récente, les principes d'inférence causale ont été utilisés pour fournir une explicabilité afin de résoudre des problèmes liés à la gestion analytique des relations clients (ACRM).
- La recherche actuelle sur l'interprétation dans le domaine bancaire et assurantiel tente de répondre à des questions liées à la causalité telles que pourquoi ce modèle a pris cette décision et est-ce que le choix du modèle a été influencé par un facteur particulier?
- Une solution sous forme d'intervention est proposée où l'effet du changement de distribution des caractéristiques des jeux de données ACRM est analysé sur la caractéristique cible.
- Un ensemble de contre-factuels est obtenu qui peut être fourni aux clients qui demandent une explication sur la décision prise par la banque/compagnie d'assurance.
- Des contre-factuels satisfaisants ont été générés pour les jeux de données concernant l’abandon de carte de crédit et le défaut de paiement ainsi que pour ceux relatifs à la fraude à l’assurance et à la fraude à la carte bancaire où seuls quelques changements sont observés.
- Cette étude est novatrice car elle utilise les principes d'influence causale afin de fournir une explicabilité pertinente au secteur bancaire et assurantiel.
Résumé : Of late, in order to have better acceptability among various domain, researchers have argued that machine intelligence algorithms must be able to provide explanations that humans can understand causally. This aspect, also known as causability, achieves a specific level of human-level explainability. A specific class of algorithms known as counterfactuals may be able to provide causability. In statistics, causality has been studied and applied for many years, but not in great detail in artificial intelligence (AI). In a first-of-its-kind study, we employed the principles of causal inference to provide explainability for solving the analytical customer relationship management (ACRM) problems. In the context of banking and insurance, current research on interpretability tries to address causality-related questions like why did this model make such decisions, and was the model's choice influenced by a particular factor? We propose a solution in the form of an intervention, wherein the effect of changing the distribution of features of ACRM datasets is studied on the target feature. Subsequently, a set of counterfactuals is also obtained that may be furnished to any customer who demands an explanation of the decision taken by the bank/insurance company. Except for the credit card churn prediction dataset, good quality counterfactuals were generated for the loan default, insurance fraud detection, and credit card fraud detection datasets, where changes in no more than three features are observed.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.