生成系 AI が詳細なリスク評価を生成し、MongoDB のマルチモーダル機能が多角的かつ包括的なローンリスク分析を可能にする方法を学びます。
ソリューション概要
事業融資は銀行業務の基盤であり、金融機関と経済全体に大きなメリットをもたらします。例えば、2023年、米国の商業および産業向け融資の額は $2.8 兆ドルに達しました。しかし、これらの融資は、銀行が対処しなければならない独自の挑戦やリスクを伴います。クレジットリスク（借り手がデフォルトに陥る可能性がある）に加えて、銀行は、景気後退や特定のセクターの低迷が借り手の返済能力に影響を与えるビジネスリスクにも直面しています。このソリューションは、ビジネスローンの詳細なリスク評価を容易にする生成系AI の可能性と、MongoDB のマルチモーダル機能を活用して包括的かつ多次元的なリスク分析を行う方法を探ります。
このソリューションを構築するための MongoDB のすべての機能を実証するコードは、次のGitHub リポジトリで入手できます。
重要なビジネス計画
事業計画は、借り手の計画、戦略、財務プロジェクションを詳述する包括的なロードマップとして機能するため、事業融資を確保するために不可欠です。これは、貸し手が事業の目標、実行可能性、収益性を評価し、ローンが成長と返済にどのように使用されるかを示すのに役立ちます。詳細な事業計画には、市場分析、競争上の位置づけ、事業計画、財務予測などが含まれます。これらの予測は、貸し手の投資と企業がリスクを効果的に管理する能力について説得力のある論拠を構築し、融資を確保する可能性を高めます。
借り手の信用情報と詳細な事業計画（およそ15 - 20ページ）の読解は、時間の制約、資料の複雑さ、詳細な財務予測、市場分析、リスク要因から主要なメトリクスを抽出する難しさなどにより、融資担当者にとって大きな挑戦となります。技術的な詳細や業界特有の専門用語を理解するのも困難であり、専門知識が必要になります。重要なリスク要因と緩和戦略を特定することは、融資担当者と承認委員会間の正確性と整合性を確保するだけでなく、さらなる複雑さをもたらします。
こうした課題を克服するために、生成系 AI はローン審査担当者を支援します。具体的には、ビジネスプランの分析、重要情報の抽出、主要リスクの特定、解釈の一貫性の確保を通じて、意思決定の高度化を促進します。
生成系 AI を用いた融資の評価
生成系 AI 搭載のチャットボットによるインタラクティブなリスク分析
図1 は、以下に ChatGPT-4o が事業融資のリスクを評価する際の応答例を示しています。融資目的と事業内容の入力は単純ですが、生成系AIは詳細な分析を提供できます。
図 1。ChatGPT-4.0 の例ビジネスローンリスク評価の応答
幻覚か無知か？
生成系AIをリスク評価に適用することにより、貸し手は生成系AIが評価可能な追加のリスク要因を探ることができます。1 つの要因は、自然災害やより広範な気候リスクの可能性です。図2 では、ChatGPT-4o がどのような回答を返すかを確認するために、前の質問に洪水リスクを要因として具体的に追加しました。
図 2。ChatGPT-4.0 の例洪水リスクを要因とした対応
この回答に基づくと、洪水のリスクは低いです。これを検証するために、私たちは ChatGPT-4 に洪水データに関する知識に焦点を当てて、別の質問をしました。（図 3 参照。）FEMA の洪水マップと地域の洪水履歴を検討することを提案し、最新の情報を持っていない可能性があることを示唆しました。
図 3。地域固有の洪水に関する質問の例
提示されたクエリにおいて、ChatGPT-4o は反対の回答を行い、「深刻な洪水」があったことを示す洪水の証拠を引用しつつ、これまで実行していなかった 4 つのサイトにわたるインターネット検索を行ったと示しました。
この例から、ChatGPT-4o が関連データを持っていない場合、ハルシネーションと見なされる虚偽の主張を始めることがわかります。当初、情報不足のため、洪水リスクは低いと示されていました。しかし、2 番目のクエリで洪水リスクについて具体的に尋ねた際、FEMA の洪水マップなどの外部ソースを検討することを提案し、その限界と外部検証の必要性を認識しました。
生成系 AI を搭載したチャットボットは、知識のギャップを埋めるために、追加のデータソースを認識し、インテリジェントに探すことができます。しかし、因果関係のあるウェブ検索では、必要な詳細レベルを提供できません。
検索拡張生成（RAG）リスク分析
上記の有望な例は、生成 AI が融資担当者の専門知識を補完し、事業ローンの分析を支援する仕組みを示しています。一方で、生成 AI チャットボットとの対話は、融資担当者が繰り返しプロンプトを入力し、関連情報でコンテキストを補完することに依存しています。これは、プロンプト エンジニアリング スキルや必要なデータが不足している場合には、時間がかかり非現実的になることもあります。
以下は、リスク分析プロセスを補完し、LLM の知識ギャップを埋めるために生成系 AI をどのように活用できるかを示す簡略化されたソリューションです。このデモでは、MongoDB を運用データ ストアとして使用し、地理空間クエリを活用して、提案された事業所の 5 キロ圏内で洪水が発生する可能性を特定します。このリスク分析のためのプロンプトは、財務予測ではなく洪水リスク評価の分析に焦点を当てています。
同様のテストは、Llama 3を用いて実施されました。このデモは、当社のパートナーである MAAP および Fireworks.AI によってホストされています。この検証では、ChatGPT-4o と同様に、洪水データに関するモデルの知識をテストし、同様の知識ギャップを示しました。興味深いことに、Llama 3 は誤解を招く回答を提供するのではなく、「幻覚的な洪水データの一覧」を提示しつつ、「このデータは架空のものであり、デモンストレーション目的のみである」と明確に示しました。実際には、正確な情報を得るには FEMA の洪水データやその他の政府機関のレポートなど、信頼性の高い情報源にアクセスする必要があります。
図4。架空の洪水地点に対する LLM の応答
この一貫した専門分野の LLM における知識のギャップのデモンストレーションにより、マルチモーダルデータプラットフォームを使用した検索拡張生成（RAG）がどのように役立つかを探る必要性が強化されます。
この簡略化されたデモでは、事業の場所、事業目的、事業計画の説明を選択します。入力を簡単にするために、生成系 AI を活用して簡潔な事業説明のサンプルを生成する「Example」ボタンが追加されました。これにより、説明テンプレートを一から入力する必要がなくなります。
図5。融資リスク評価デモのためのユーザー入力
送信すると、RAG を使用して、適切なプロンプトエンジニアリングにより、場所と以前に外部の洪水データソースからダウンロードした洪水リスクを考慮したビジネスの簡略な分析が提供されます。
図6。RAG アーキテクチャによる融資リスクの回答
洪水リスク評価セクションでは、生成系 AI を活用した地理空間分析によって、ローン担当者が過去の洪水発生状況を迅速に特定し、そのデータソースを把握できるようになります。
「ピン」アイコンをクリックすると、選択した事業所周辺のすべてのサンプル洪水地点を表示できます。ジオロケーション ピンには洪水地点が含まれ、青い円は洪水データが検索される半径5kmの範囲を示します。
図7。デモに表示される洪水の場所
特定の座標系の（ MongoDBにロードされた地理的ロケーションを含むサンプルデータを使用）この例では 、$geoNear コマンドが使用されています。これにより、経度と緯度で指定された特定の点（ビジネスロケーションなど）の近く、かつ一定の距離内（例: 、5 キロ）。地理空間クエリは MongoDB のデータ集計パイプラインで処理でき、$プロジェクトによってデータセットから返されるデータフィールドを選択したり、$match による特定の条件に基づいてフィルタリングしたりするなどの他のデータ処理も含めることができます（例: データが2016 より大きい場合）。このデータは、 を最新のデータセットとして、複数のソースを含む米国 Flud Database2020 から取得されています。
pipeline = [ {"$geoNear": {"near": {"type": "Point", "coordinates": [longitude, latitude]}, "distanceField": "DISTANCE", "spherical": True, "maxDistance": radius * 1000}}, {"$project": {"year": 1, "COORD": 1, "DISTANCE": 1}}, {"$match": {"year": {"$gte": 2016}}} ]
参照アーキテクチャ
次の図は、このソリューションに実装されている RAG データプロセスの論理アーキテクチャの概要を示しており、MongoDB、Meta Llama 3、Fireworks.AI などの使用されているさまざまなテクノロジーが強調されています。
図 8。RAG データフロー アーキテクチャ図
MongoDB のマルチモーダル機能により、開発者はネットワーク グラフ、時系列、ベクトル検索などの機能を活用して RAG プロセスを強化できます。これにより、生成系 AI エージェントのコンテキストが充実し、マルチモーダル分析を通じて、より包括的で多面的なリスク分析を提供することが可能になります。より正確でコンテキストを認識した洞察（地理空間データを使用して洪水リスクの場所を特定するなど）を提供してハルシネーションを軽減し、複雑な事業融資のリスク評価プロセスを強化するための深い洞察を提供します。
RAG プロセスの反復的な性質により、生成系 AI モデルは新たなデータやフィードバックから継続的に学習・改善し、リスク評価の精度を高めつつ、誤情報の出力を最小限に抑えます。マルチモーダル データ プラットフォームを活用することで、マルチモーダル AI モデルの能力を最大限に引き出すことができます。
作成者
Wei You Pan、グローバル ディレクター、金融業界向けソリューション、MongoDB