拓海先生、最近部下からP2Pローンの話が出まして、AIで承認とデフォルトを予測できる論文があると聞きました。現場に導入する価値って本当にあるんですか？
素晴らしい着眼点ですね！大丈夫、一緒に分解していけば本質が見えてきますよ。結論だけ先に言うと、この研究は承認（acceptance）とデフォルト（default）を二段階で自動予測することで、発行後のデフォルト率を大きく下げられる可能性を示しています。
それは魅力的ですね。ただ投資対効果が心配です。うちのような老舗の与信体制を全部AIに置き換えるのは、現実的ではないと思うのですが。
良い質問です。まずは段階的導入が鍵ですよ。要点は三つです。1) 初段階は人の代わりに“門番”として拒否基準を自動化する、2) 次に承認済みに対してデフォルト確率を評価して重点監視する、3) 小口や小規模事業向けには別モデルを使うことで精度を上げられる、です。
これって要するに、まずAIに「門前払い」を任せて、残った候補に対して深掘り評価をするという二段構えということ？投資は最初は少なく抑えられそうですね。
その通りです！素晴らしい着眼点ですね。論文では第一段階にロジスティック回帰（Logistic Regression、LR）を使い拒否判定を行い、第二段階でディープニューラルネットワーク（Deep Neural Network、DNN）を使って承認後のデフォルトを予測しています。これにより、承認段階のミスを減らせる可能性がありますよ。
技術の話が出ましたが、精度はどの程度なんでしょうか。現場で使える水準かどうか、その数字を具体的に教えてください。
良い観点です。論文では第一段階の拒否予測でロジスティック回帰がテストセットでリコール（Recall、適合率の一種）マクロスコア約77.4%を示し、第二段階のデフォルト予測でディープニューラルネットワークが検証セットでデフォルトに対するリコール約72%を達成しています。これは実務で十分に参考にできる水準です。
なるほど。ところで業種別や小規模事業向けには別の扱いが必要とありますが、それはどういう意味でしょうか。うちも取引先に小さな会社が多いので気になります。
重要な点です。論文の分析では、第一段階の拒否判定は全データで学習したモデルの方が有利だったが、第二段階のデフォルト予測は「小規模事業（small business）」のサブセットで学習したモデルの方が精度が上がった、という結果でした。言い換えれば、スクリーニングとデフォルト解析は同じデータで最適化するとは限らないのです。
それって要するに、現場の審査ルールと実際にデフォルトする因子が違うから、審査のやり方も貸し手によっては見直す必要があるということですね。合ってますか？
まさにその通りです！素晴らしい理解です。現場の審査基準は歴史や慣習に根差しているため、データに基づいて再評価すると想定外の改善点が見つかることがあるのです。ですから段階的にモデルを導入してA/Bテストし、現行ルールと比較することをお勧めします。
導入の流れが見えてきました。最後に一つ、現場に説明する際に使える短い要点を三つにまとめてもらえますか。部下に話す時に端的に伝えたいので。
素晴らしい着眼点ですね！短く三点でまとめます。1) まずAIで「門前払い」を自動化して明確な拒否基準を作る、2) 承認済みにはデフォルト確率を算出して重点管理する、3) 小規模事業は別モデルで解析し、ルールとモデルのA/B評価を行う。これで現場説明は十分伝わりますよ。
分かりました。では最後に私の言葉でまとめます。今回の論文は、最初に簡潔な拒否判断で候補を絞り、次に残った承認分を慎重にデフォルト確率で評価する二段階の体制が有効だと示した、ということで間違いないですね。導入は段階的に、まず門番部分から試してみます。
DO NOT ADD THIS KEY
