了解生成式AI如何生成详细的风险评估，以及MongoDB如何实现全面的贷款风险分析。
行业：金融服务
产品和工具： MongoDB Atlas、Geospatial Data
解决方案概述
商业贷款对银行业务十分重要，可为金融机构和经济体带来显着效益。示例，在 2023，美国的商业和工业贷款价值达到近 2.8 万亿美元。贷款涉及商业计划，其中详细说明了借款人的计划和财务预测，并帮助贷方评估企业的目标和盈利能力。然而，由于时间限制和材料的复杂性，阅读借款人的信用信息对信贷员来说是一项挑战。此外，贷款本身也会给银行带来风险，例如借款人违约或经济低迷影响借款人偿还贷款的能力时的信用风险。
该解决方案使用MongoDB和生成式AI (Gen AI) 来分析业务计划并为商业贷款生成详细的风险评估。它使用MongoDB存储上下文数据，而该数据用于为AI聊天机器人提供支持，您可以查询该聊天机器人以了解特定的风险评估。
使用生成式人工智能驱动的聊天机器人进行交互式风险分析
图 1 下方显示了当您要求 ChatGPT-4o 评估商业贷款风险时如何响应的示例。虽然贷款目的和业务描述的输入很简单，生成式AI却能提供详细的分析。
图 1.ChatGPT-4.0 对商业贷款风险评估的响应示例
通过将生成式AI应用于风险评估，贷方可以探索生成式AI可以评估的其他风险因素，例如自然灾害风险或更广泛的气候风险。在图 2 中，用户特意将洪水风险作为一个因素添加到上一个问题中。
图 2.ChatGPT-4.0 对洪水风险因素的响应示例
根据响应，发生洪水的风险较低。不过，它建议查看 FEMA 洪水地图和当地的洪水历史记录，这表明它可能没有最新信息。要验证信息，您可以用不同的方式向 ChatGPT4 询问相同的问题，重点了解其对洪水数据的了解。有关此问题和响应的示例，请参阅图 3。
图 3.特定于位置的洪水问题示例
在所示的查询中，ChatGPT-4o 在对四个站点执行互联网搜索后，现在表明附近发生了“严重的洪水”，并提供了证据参考（这是之前没有执行过的）。
当 ChatGPT-4o 没有相关数据时，它会开始做出错误声明或幻觉，例如，由于缺乏信息，它在前两个查询中表示洪水风险较低。但是，它也可以识别并智能地寻找其他数据源，以填补其知识空白。
在 Llama3 上执行了类似的测试，该测试由 MongoDB 的 MAAP合作Fireworks 托管。 AI.该实验测试了 Llama 3 对洪水数据的了解，这显示了与 ChatGPT-4o 类似的知识差距。然而，Llama 3 并没有提供误导性的答案，而是提供了一份虚假的流量数据列表，但强调“这些数据是虚构的，仅用于演示目的”。
图4。LLM 对虚构洪水位置的响应
检索增强生成（RAG）风险分析
虽然 Gen AI可以增强商业贷款分析，但与聊天机器人交互需要信贷员反复提示机器人，并用相关信息丰富他们的问题。由于缺乏即时工程技能或必要的数据，这可能既耗时又不切实际。
该解决方案使用 Gen AI来增强风险分析进程，并填补法学硕士的知识空白。它使用MongoDB来存储数据，并使用地理空间查询来发现拟议业务位置五公里范围内的洪水。
在此演示中，您将选择营业位置、业务目的和业务计划说明。它还包括一个“示例”按钮，以便您生成简短的业务描述。
图5.用户输入用于贷款风险评估演示
提交输入信息后，演示将使用RAG进行风险分析。它使用即时工程提供简化的业务分析，同时考虑从外部洪水数据源下载的位置和洪水风险。
图6.基于 RAG 架构的贷款风险响应
您可以通过单击演示中的“固定”图标来显示所有示例洪水位置。在图中，地理位置图钉表示洪水位置，蓝色圆圈表示查询洪水数据的五公里半径。
图7.演示中显示的洪水位置
参考架构
下图概述了该解决方案的架构：
图 8.RAG 数据流架构图
借助MongoDB ，开发者可以利用网络图、时间序列集合和向量搜索等功能来增强 RAG进程。反过来，这增强了 Gen AI代理的上下文，例如使用地理空间数据来识别洪水风险位置，从而减少幻觉。
RAG进程的迭代性质允许模型不断从新数据和反馈中学习；了解和改进，最终导致风险评估越来越准确并减少幻觉。
数据模型方法
下面的代码片段是地理空间查询的示例。此示例使用$geoNear聚合阶段，该阶段允许用户获取经度和纬度指定点的给定距离内的所有位置。您可以使用聚合管道来包含其他数据处理操作，例如使用 $ 项目选择特定字段，或使用 $match 根据某些条件进行筛选。
此演示中使用的数据提取自美国洪水数据库，其中包含多个来源，最新数据集为 2020。
pipeline = [ {"$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}}} ]
构建解决方案
用于演示 MongoDB 所有功能以构建此解决方案的代码，可在以下 GitHub 存储库中找到。
作者
Wei You Pan，MongoDB 金融行业解决方案全球主管