Ανάλυση πιστωτικού κινδύνου με αλγορίθμους μηχανικής μάθησης και τεχνικές explainable AI. Έμφαση στη διαφάνεια, δικαιοσύνη και μεροληψία

Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και εφαρμογή μιας μεθοδολογίας ανάλυσης πιστωτικού κινδύνου με τη χρήση αλγορίθμων μηχανικής μάθησης και τεχνικών Explainable AI, με έμφαση στη διαφάνεια, τη δικαιοσύνη και την μεροληψία στις αλγοριθμικές αποφάσεις. Η ανάλυση πιστωτικού κινδύνου είναι μια κρίσιμη διαδικασία των πιστωτικών ιδρυμάτων, καθώς επηρεάζει άμεσα τη λήψη αποφάσεων δανεισμού και συνδέεται με αυξημένη απαίτηση λογοδοσίας και συμμόρφωσης με το κανονιστικό πλαίσιο. Η μεθοδολογία εφαρμόστηκε στο German Credit Dataset και περιλαμβάνει τη συστηματική προεπεξεργασία των δεδομένων, την εκπαίδευση και σύγκριση πολλαπλών μοντέλων ταξινόμησης, καθώς και τη ρύθμιση υπερπαραμέτρων και την τελική αξιολόγηση σε ανεξάρτητο σύνολο ελέγχου. Η προβλεπτική απόδοση των μοντέλων αξιολογήθηκε με διάφορες μετρικές για την ανάλυση πιστωτικού κινδύνου. Επιπλέον πραγματοποιήθηκε και ανάλυση κατάταξης μέσω cumulative lift, ώστε να ελεγχθεί η ικανότητά τους να ιεραρχούνται οι δανειολήπτες με βάση τον εκτιμώμενο κίνδυνο. Εφαρμόστηκαν τεχνικές Explainable AI, όπως οι SHAP και LIME για να εξεταστεί γιατί το μοντέλο πήρε μια απόφαση και για να κατανοήσουμε τους παράγοντες που επηρεάζουν τις αποφάσεις του. Ζητήματα δικαιοσύνης και πιθανής μεροληψίας εξετάστηκαν με ερμηνευτικές τεχνικές και με ποσοτικές μετρικές fairness, δίνοντας έμφαση στον ρόλο ευαίσθητων δημογραφικών χαρακτηριστικών και στη σχέση τους με τις προβλέψεις των μοντέλων. Αυτή η έρευνα είναι σημαντική διότι προσφέρει μια συνοπτική αλλά ολοκληρωμένη εικόνα των τεχνικών και προκλήσεων που σχετίζονται με την ανάλυση πιστωτικού κινδύνου, ζήτημα που είναι ιδιαίτερα επίκαιρο στον χρηματοπιστωτικό τομέα. Στην εργασία συνδυάζονται η προβλεπτική απόδοση με τη διαφάνεια και την ερμηνευσιμότητα των μοντέλων, με σκοπό να καλυφθεί η αυξανόμενη ανάγκη για υπεύθυνη χρήση αλγοριθμικών συστημάτων από τα πιστωτικά ιδρύματα. Ακόμη, οι πρόσφατες κανονιστικές εξελίξεις, όπως η εισαγωγή του AI Act και του GDPR, έχουν αναδείξει την κρίσιμη ανάγκη επεξηγησιμότητας και λογοδοσίας στην εφαρμογή τεχνικών μηχανικής μάθησης στην πιστοληπτική αξιολόγηση.