Laura Kornhauser, dyrektor generalna i współzałożycielka Stratyfy zajmująca się zaawansowanymi modelami AI dla underwritingu

Podobają Ci się nasze podcasty? Nie przegap przyszłych odcinków! Proszę, wciśnij ten przycisk subskrypcji Apple, Spotify, YouTubelub ulubioną platformę podcastów, aby być na bieżąco z najnowszymi treściami. Dziękuję za Twoje wsparcie!

Stosowanie modeli uczenia maszynowego w gwarantowaniu kredytów konsumenckich istnieje już od ponad dekady. Choć fintech wyraźnie objął tutaj wiodącą rolę, tak naprawdę dopiero od kilku lat tradycyjni pożyczkodawcy korzystają z tej technologii. Chociaż te modele AI/ML różnią się od szaleństwa generatywnej sztucznej inteligencji, które ogarnęło świat biznesu w zeszłym roku, zjawisko to z pewnością pomogło w podniesieniu świadomości.

Moim kolejnym gościem podcastu Fintech One-on-One jest Laura Kornhauser, dyrektor generalna i współzałożycielka Stratyfikuj. Misją jej firmy jest zapewnienie ludziom większej integracji finansowej, a jednocześnie pomaganie instytucjom finansowym w lepszym zarządzaniu ryzykiem i jego ograniczaniu. Robią to poprzez wdrażanie zaawansowanych modeli sztucznej inteligencji i oczywiście dzięki zaangażowaniu swoich pracowników.

Z tego podcastu dowiesz się:

• Historia założenia Stratyfy.
• Misja firmy i jak ewoluowała?
• Różne typy instytucji finansowych, z którymi obecnie współpracują.
• Jak odróżniają się od innych w przestrzeni.
• Jak działa ich produkt UnBias.
• Co oznacza przejrzystość w przypadku powiadomień o działaniach niepożądanych.
• Co jest dziś najważniejsze dla większości banków i fintechów.
• Najważniejsze są rodzaje danych, z których korzystają ich klienci.
• Na czym polega wdrożenie Stratyfy do systemu pożyczkodawcy.
• Jak ich modele AI uległy poprawie na przestrzeni czasu.
• Jak popularność sztucznej inteligencji poprzez ChatGPT wpłynęła na Stratyfy.
• Jak to było pozyskać rundę kapitałową w 2023 r.
• Największe wyzwanie, przed jakim stoi dziś Stratyfy.
• W jaki sposób sztuczna inteligencja będzie nadal udoskonalana, jeśli chodzi o decyzje kredytowe i ryzykowne.

Przeczytaj zapis naszej rozmowy poniżej.

Piotr Renton  00:01

Witamy w podcaście Fintech One-on-One. Mówi Peter Renton, prezes i współzałożyciel Fintech Nexus. Prowadzę ten program od 2013 roku, co czyni go najdłużej emitowanym programem z wywiadami jeden na jednego w całym fintech. Dziękuję, że dołączyłeś do mnie w tej podróży. Jeśli spodobał Ci się ten podcast, powinieneś obejrzeć nasze siostrzane programy The Fintech Blueprint z Lexem Sokolinem i Fintech Coffee Break z Isabelle Castro lub posłuchać wszystkiego, co produkujemy, subskrybując kanał podcastów Fintech Nexus.

Piotr Renton  00:39

Zanim zaczniemy, chcę przypomnieć, że Fintech Nexus jest teraz firmą zajmującą się mediami cyfrowymi. Sprzedaliśmy naszą działalność związaną z wydarzeniami i jesteśmy w 100% skoncentrowani na byciu wiodącą firmą w zakresie mediów cyfrowych dla fintech. Co to oznacza dla Ciebie: możesz teraz nawiązać kontakt z jedną z największych społeczności fintech, liczącą ponad 200,000 XNUMX osób, za pośrednictwem różnych produktów cyfrowych, seminariów internetowych, szczegółowych oficjalnych dokumentów, podcastów, wiadomości e-mail, reklam i wielu innych informacji. Możemy stworzyć indywidualny program zaprojektowany specjalnie dla Ciebie. Jeśli chcesz dotrzeć do starszych odbiorców branży fintech, skontaktuj się z działem sprzedaży pod adresem fintech nexus.com już dziś.

Piotr Renton  01:21

Dziś w programie mam przyjemność powitać Laurę Kornhauser. Jest dyrektorem generalnym i współzałożycielką Stratyfy. Stratyfy to bardzo interesująca firma, która skupia się na podejmowaniu przez pożyczkodawców decyzji dotyczących ryzyka w oparciu o sztuczną inteligencję. Oczywiście mówimy o tym, co to wszystko oznacza. Spędzamy także dużo czasu rozmawiając o stronniczości i o tym, jak modele stratyfikacji naprawdę pomagają zidentyfikować stronniczość. Mówimy o przejrzystości i o tym, jak jest ona wbudowana we wszystko, co robią jako Stratyfy. Rozmawiamy o różnych typach danych, rozmawialiśmy o tym, jak poprawiły się ich modele, co wiąże się z wdrożeniem Stratyfy u nowego pożyczkodawcy. Rozmawiamy też ogólnie o sztucznej inteligencji oraz o tym, dlaczego jest to tak gorący temat i jaki ma to na nich wpływ. Mówimy o rundach finansowania i nie tylko. To była fascynująca dyskusja. Mam nadzieję, że spodoba ci się przedstawienie.

Piotr Renton  02:20

Witamy w podcaście. Laura.

Laurę Kornhauser  02:22

Dziękuję bardzo, Piotrze. Szczęśliwy że jestem tutaj.

Piotr Renton  02:23

W porządku. Świetnie, że cię mam. Zacznijmy więc od przedstawienia słuchaczom kilku informacji o Tobie. Wiem, że miałeś przyzwoity okres w JPMorgan Chase, wygląda na to, że opowiesz nam o najważniejszych wydarzeniach w Twojej dotychczasowej karierze przed Stratyfy.

Laurę Kornhauser  02:39

Wspaniały. Więc tak, rozpocząłem karierę w JPMorgan Chase, spędziłem tam ponad dekadę, pełniąc zarówno funkcje związane z pożyczkami, jak i ryzykiem w tej instytucji, gdzie odkryłem wiele problemów lub rozwiązałem na własnej skórze wiele problemów, którymi zajmujemy się w Stratyfy. Wcześniej byłem studentem inżynierii. Studiowałem uczenie maszynowe na studiach licencjackich, zanim to się tak nazywało. Wtedy nazywano to po prostu zaawansowaną statystyką. A potem, wiesz, kiedy odchodziłem z JPMorgan, kiedy zdecydowałem się odejść, miałem wielkie nadzieje i marzenia o założeniu firmy. Wiesz, moi rodzice są przedsiębiorcami. Założyli firmę mniej więcej w czasie, gdy się urodziłem, a następnie przekształcili ją w międzynarodową firmę, którą ostatecznie sprzedali firmie strategicznej. Więc to były moje prawdziwe, jak sądzę, pierwsze prace, począwszy od odbierania telefonów, gdy byłem w szkole średniej, aż do redagowania sieci, gdy byłem na studiach. Więc wiesz, zawsze miałem w sobie ducha przedsiębiorczości, jeśli tak można powiedzieć. Po ukończeniu studiów poszłam w zupełnie innym kierunku, jak wielu twierdzi, że trzecie dzieci często to robią, po ukończeniu studiów, ale wtedy wiedziałam, że chcę wrócić do tego domu i zostać założycielką.

Piotr Renton  03:49

OK, więc porozmawiajmy o historii założenia, a potem o Stratyfy. Co konkretnie zauważyłeś i co próbujesz rozwiązać?

Laurę Kornhauser  03:58

Absolutnie. Co więc ciekawe, po opuszczeniu JPMorgan miałem doświadczenie, osobiste doświadczenie, w którym produkt karty kredytowej był mi mocno reklamowany przez Chase ze wszystkich ludzi i miał świetny plan punktowy, a ja mam słabość do dobrego planu punktowego . Zapisałem się na kartę kredytową i zostałem odrzucony. I to doprowadziło mnie do, wiesz, zadzwonienia pod numer podany na odwrocie mojego powiadomienia o odrzuceniu, porozmawiania z kimś, komu przekazałem dodatkowe informacje, i wtedy dosłownie niemal słychać było bum, bum, bum, buu boo boo w tle i właściwie zostałem zatwierdzony przez telefon. To doświadczenie naprawdę otworzyło mi oczy na sposób, w jaki decyzje kredytowe podejmowane są przez tak wiele instytucji oraz na duże grupy osób pomijane przy tych decyzjach. Wiesz, byłem w szczęśliwym miejscu. Nie potrzebowałem tej karty kredytowej. Wiesz, to nie było coś, co mogłoby znacząco zmienić moje życie. Ale dla wielu innych ludzi tego rodzaju produkty kredytowe pomagają im kupić pierwszy dom, pomagają im, wiesz, w finansowaniu zapasów dla ich małej firmy, wiesz i mają naprawdę znaczący wpływ i, i to było coś Naprawdę chciałem się zwrócić. Miałem szczęście, że mniej więcej w tym samym czasie spotkałem mojego współzałożyciela, Dmitrija Leśnika. Poprzednią dekadę przed naszym spotkaniem spędził, opracowując rodzinę algorytmów, która nadal stanowi rdzeń technologii i usług, które świadczymy w Stratyfy. A co jest naprawdę fajne w tej rodzinie algorytmów, to to, że umożliwia automatyczne uczenie się na danych w skalowalny sposób, ale w sposób bardzo, bardzo przejrzysty dla użytkownika. Widziałem więc zastosowanie w kredytach oraz w innych ściśle regulowanych przypadkach użycia, o których wiesz, w moim poprzednim życiu w JPMorgan miałem nawet trudności z uzyskaniem odpowiedniej technologii, która pasowałaby do problemów, które próbowaliśmy rozwiązać.

Piotr Renton  05:54

OK, więc przejdźmy szybko do dnia dzisiejszego, w którym założyłeś firmę, czy to był rok 2017? A teraz, sześć lat temu, opowiedz nam trochę o tym, jak ewoluowała firma i jak opisujesz ją dzisiaj?

Laurę Kornhauser  06:05

Tak. Zatem opisując firmę, zaczynam od naszej misji, która jest naszą misją od samego początku, a mianowicie umożliwianie ludziom większej integracji finansowej, a jednocześnie pomaganie instytucjom finansowym w lepszym zarządzaniu ryzykiem i jego ograniczaniu. Widzimy to jako dwie strony tej samej monety: nie możemy zrobić pierwszej bez drugiej lub nie możemy skalowalnie zrobić pierwszej bez zrobienia drugiej. Kiedy więc zakładaliśmy firmę, bardzo skupialiśmy się na punktacji ryzyka kredytowego i podejmowaniu decyzji w sprawie ryzyka kredytowego. Pomagamy więc pożyczkodawcom w zrozumieniu prawdziwego ryzyka pożyczkobiorców, głównie konsumentów i małych firm, pomagając im zrozumieć to prawdziwe ryzyko i podejmować bardziej świadome decyzje w oparciu o ulepszone przewidywania ryzyka. To prawda, wykorzystano wnioski z danych w sposób automatyczny, ale zrobiono to w sposób, który nadal pozwalał użytkownikowi niezwiązanemu z nauką o danych zrozumieć, o co do cholery się dzieje, co, jak widzimy, nadal jest naprawdę ważne. Przejdźmy szybko do chwili obecnej: w ciągu ostatniego roku branża położyła duży nacisk, nie tylko na sztuczną inteligencję i uczenie maszynowe. Jednak ogromne skupienie się na branży na temat tego, jak można wykorzystać technologię, ale w sposób bezpieczny, solidny i uczciwy. I jesteśmy do tego doskonale przygotowani. Śmiem twierdzić, że może kiedy zakładaliśmy firmę, byliśmy jeszcze trochę za wcześnie na wejście na rynek. Jednak trajektoria wzrostu, którą zaobserwowaliśmy, szczególnie w ciągu ostatnich 18 miesięcy, była naprawdę niewiarygodna i pozwoliła nam rozszerzyć działalność na inne przypadki użycia. Dlatego obecnie mamy także klientów zajmujących się wykrywaniem oszustw, gdzie pomagamy im identyfikować oszustwa, zapewniając uczciwość i ograniczając przy tym liczbę fałszywych alarmów. Następnie przenieśliśmy nasze możliwości wykrywania i łagodzenia błędów do osobnego rozwiązania, które nazywamy UnBias. która skupia się bezpośrednio na uczciwej ocenie ryzyka kredytowego i umożliwia kredytodawcom robienie tego skuteczniej, bardziej proaktywnie i identyfikowanie ryzyka, zanim stanie się ono problemem.

Piotr Renton  06:07

Chciałem się zorientować, z kim pracujesz. Jakie są niektóre instytucje finansowe i z jakimi rodzajami instytucji finansowych obecnie współpracujesz?

Laurę Kornhauser  08:13

Tak. Zaczęliśmy więc współpracę głównie z fintechami. A zatem byli to pierwsi użytkownicy, nasi pierwsi klienci, co umożliwiło nam uzyskanie naprawdę niewiarygodnych opinii na temat produktów i szybkich cykli iteracji naszej oferty. Teraz współpracujemy z bankami. Właściwie współpracujemy obecnie z bankami z dość szerokiego spektrum, naszym największym klientem bankowym jest jeden z dziesięciu największych banków w USA. Współpracujemy także z mniejszymi bankami lokalnymi i wieloma CDFI. Przede wszystkim dzięki niedawno uruchomionej inicjatywie pod nazwą gwarantowanie sprawiedliwości rasowej oraz program pilotażowy, w ramach którego jesteśmy partnerem technologicznym, o którym z pewnością możemy porozmawiać więcej. Ale widzimy ogromną szansę w przestrzeni CDFI, w szczególności widzimy ogromną szansę w bankach lokalnych, dla technologii takiej jak nasza, a także widzimy spore zapotrzebowanie ze strony, powiedziałbym, że duże banki społeczne przechodzą również w bankach regionalnych.

Piotr Renton  09:11

OK, więc nie jesteś w tym miejscu sam. Istnieją inne, które również świadczą usługi tego rodzaju instytucjom finansowym. Czym różnisz się od innych w kosmosie?

Laurę Kornhauser  09:24

Tak, więc to, co naprawdę nas wyróżnia, to poziom przejrzystości, jaki zapewniamy zarówno modelom, jak i systemom punktacji i systemom decyzyjnym. Stało się to więc nieco nadużywanym, modnym hasłem, w którym wszyscy twierdzą, że panuje przejrzystość. Wiesz, kiedy to mówimy, mamy na myśli, że nasi użytkownicy mają pełny wgląd w wewnętrzne działanie modelu lub strategii. Mają także władzę wprowadzania zmian i robią to bez pisania ani jednej linijki kodu. Uważamy, że ma to naprawdę znaczenie, zwłaszcza dla banków lokalnych, a nawet dla wielu graczy regionalnych. że, no wiesz, jeśli mają zespół zajmujący się analizą danych, może to być kilka osób, jeśli są naprawdę zestresowani i przepracowani. A tak naprawdę skupiamy się na tym, jak udostępnić narzędzia analizy danych ekspertowi w danej dziedzinie, użytkownikowi, który naprawdę rozumie kredyty i z pewnością ma bardzo duże kompetencje w zakresie danych i zna dane, ale nie jest analitykiem danych. nie są inżynierami, jak dać im narzędzia, z których mogą naprawdę czuć się komfortowo, ze względu na poziom widoczności i kontroli, jaki zapewniamy w porównaniu z innymi? Zatem żadnych czarnych skrzynek ze Stratyfy i wszystkim, co umożliwia ta podstawowa technologia, o której wspomniałem wcześniej.

Piotr Renton  10:51

Ciekawy. Chcę poruszyć kwestię uprzedzeń. Wspominałeś już o tym tutaj kilka razy. Wygląda na to, że była to dla was naprawdę podstawowa zasada. Jakie jest wasze podejście? Może potrafisz dokładnie wyjaśnić, wiesz, w jaki sposób twoje modele są w stanie lepiej niż inne identyfikować stronniczość.

Laurę Kornhauser  11:10

Tak. Więc to jest coś, masz całkowitą rację, część naszego podejścia założycielskiego, wiesz, naszego początkowego rozwiązania, które zbudowaliśmy, nasze rozwiązanie do oceny ryzyka kredytowego i podejmowania decyzji zawsze uwzględniało stronniczość jako KPI modeli. Dlatego zawsze uważaliśmy, że jest to jeden ze wskaźników wydajności, na który należy zwrócić uwagę, oceniając różne strategie, różne opcje, różne modele. I, wiecie, po pierwsze, nie zajmujemy się mówieniem ani określaniem, co jest sprawiedliwe, a co nie. Zajmujemy się oferowaniem szeregu różnych testów i wskaźników, z których wszystkie można łatwo wykorzystać w naszych narzędziach do oceny potencjalnego błędu systematycznego, który może wkraść się do dodatku. Zatem jedną rzecz robimy, Peters, obsługujemy wiele różnych wskaźników uprzedzeń i pozwalamy użytkownikowi na podjęcie decyzji, które wskaźniki są dla niego najważniejsze. Jakie wskaźniki są najważniejsze dla organów regulacyjnych i ich klientów, a oni mogą je wybrać. Pierwszym krokiem jest sposób działania naszego produktu UnBias. W rzeczywistości dzielimy go na trzy kroki: odkrywamy, rozumiemy, cofamy. Zatem pierwszym krokiem do odkrycia jest przeprowadzenie tych testów w bardzo solidny, a jednocześnie zautomatyzowany sposób, tak aby pożyczkodawca mógł przeprowadzać te testy częściej i bardziej proaktywnie. Jeśli według jednego z tych wskaźników pojawi się ryzyko, przechodzimy do kroku drugiego lub pozwalamy użytkownikowi przejść do kroku drugiego w ramach naszych produktów, czyli zrozumienia. Tam rozkładamy to ryzyko. Jakie są więc główne sterowniki? Co powoduje pojawienie się ryzyka stronniczości? A potem, po wyjaśnieniu tego, przekazujemy naszym klientom informacje, które muszą określić, czy muszą podjąć działania. A jeśli zdecydują, że chcą podjąć działania, dzięki komponentowi cofania możemy pomóc im znaleźć sposób na naprawienie problemu i wprowadzenie zmian w ich modelach. I skoryguj lub zrekompensuj stronniczość, która się pojawiła, ponieważ nikt nie zamierza budować stronniczego modelu ani stronniczej strategii decyzyjnej, prawda? Nie ma pożyczkodawcy, który by powiedział: „Hej, wiesz, albo moi ludzie podejmują decyzje, albo mój zautomatyzowany system, albo jakaś kombinacja obu, jak ma to miejsce w przypadku wielu pożyczkodawców, prawda, nikt nie ma zamiaru mieć takiego uprzedzenia. Zauważyliśmy jednak, że większość dokładnych kontroli ma miejsce w momencie uruchomienia, przed wprowadzeniem nowej strategii. W końcu tak, są też okresowe odprawy. Często jednak problemy mogą zostać rozwiązane szybciej niż kolejna przeprowadzana kontrola okresowa. Jak zatem wiecie, naszym celem w przypadku tej oferty produktów i tego, co udało nam się dostarczyć klientom, jest lepszy wgląd w ciągłe monitorowanie tych zagrożeń, tak aby można było rozwiązać problem, zanim stanie się on poważnym problemem.

Piotr Renton  13:58

Więc możesz zobaczyć, jakby ktoś kierował twoimi modelkami i powiedziano, że mija kilka tygodni i mogą zacząć widzieć, wydaje się, że jest tak, czy to kobiety, czy to rasa, można powiedzieć, dobrze, wydaje się dla mnie oznacza to, że odrzucasz więcej tego typu ludzi, niż powinieneś. Czy jest to więc coś, co po prostu oznacza punkt spustowy? A może klient ustawia punkt aktywacji?

Laurę Kornhauser  14:25

Klient może określić częstotliwość, z jaką chce przeprowadzać ocenę. Wiesz, możemy to robić codziennie, a nawet kilka razy dziennie, jeśli klient sobie tego życzy. W większości przypadków sprawdzamy, czy ludzie chcą przeprowadzać te kontrole co miesiąc lub co kwartał. Bardzo trudno to zmierzyć. Jeśli nie masz wystarczająco dużego zestawu próbek, możesz napotkać sytuacje, w których możesz oznaczyć coś, co nie jest statystycznie istotne. Tak więc naprawdę skupiamy się na, no wiecie, nie tylko na pomiarze, ale na upewnieniu się, że pomiar ten jest statystycznie istotny, abyśmy mogli czuć się komfortowo określając ilościowo coś jako ryzyko, i nie rzucamy mnóstwem bzdur flagi tam, gdzie były, nie muszą.

Piotr Renton  15:05

Prawidłowy. Wyobrażam sobie, że mogłoby to stanowić wyzwanie dla niektórych mniejszych banków lokalnych, prawda, które nie mają, które nie mają takiego wolumenu?

Laurę Kornhauser  15:11

Dokładnie. Nie mam wolumenu, żeby, no wiesz, uruchamiać go z większą częstotliwością, no wiesz, to w takim razie co miesiąc, a często w przypadku mniejszych banków chcą to uruchamiać co kwartał. Ale wiesz, nasza technologia pozwala im działać z dowolną częstotliwością, jaką chcą. Rynek sprawdzamy raz w miesiącu lub raz na kwartał.

Piotr Renton  15:29

Czy Twój system pomaga również w przypadku pism z działaniami niepożądanymi lub w przypadku odmowy przyjęcia danej osoby? I oczywiście potrzebujemy, żebyście ludzie wiedzieli dlaczego. Czy to część tego, co tam oferujesz?

Laurę Kornhauser  15:42

Absolutnie. Jest to także coś, co postrzegam jako nasz wyróżnik, ponownie wskazując na poziom przejrzystości naszego podstawowego podejścia. Wiele osób, które korzystają z innych metod uczenia maszynowego, a następnie z tyłu przekazują powiadomienia o niepożądanych działaniach, używa takich rzeczy, jak wartości Shapleya, aby dostarczyć powiadomienia o niepożądanych działaniach lub kody przyczyn. Organy regulacyjne wyszły na jaw i podniosły uwagi w związku z tego rodzaju wyjaśnieniami podoktorskimi . Teraz nie powiedzieli, że nie da się ich wystarczająco wytłumaczyć. Myślę, że dokładny język, jakim były wyjaśnienia podoktorskie, może nie być wystarczająco przejrzysty, aby można go było używać w przypadku tego rodzaju zastosowań. Powiedziałbym jednak, że jest to temat będący przedmiotem gorącej dyskusji w branży i wiele osób korzysta z tych metod, jeśli korzysta z większej liczby rozwiązań typu blackbox i uczenia maszynowego. Nie mamy tego problemu, ponieważ podstawowa natura naszych modeli polega na tym, że można je interpretować, co oznacza, że ​​są widoczne lub przezroczyste, wiesz, od elementów składowych w górę, w przeciwieństwie do nakładania modelu na model w celu zrozumienia jak działają modele.

Piotr Renton  16:46

Jasne, jasne. A potem trzeba, tak jak CFPB, dać jasno do zrozumienia, że ​​tego chcą i nie chcą widzieć żadnych uprzedzeń w modelach kredytowania. Mam na myśli, że wyobrażam sobie, że większość, jeśli nie wszyscy, pożyczkodawcy byliby tego dziś całkiem świadomi. Czy element uprzedzeń jest dziś najważniejszy dla pożyczkodawców, czy też w trakcie rozmowy jest to cecha, która ich najbardziej interesuje? Albo co, jak to jest?

Laurę Kornhauser  17:14

To interesujące środowisko rynkowe. Powiedziałbym, że dla większości banków najważniejsze jest zwiększanie depozytów, zwiększanie depozytów, a potem zwiększanie depozytów. Biorąc to pod uwagę, jest to ogromny nacisk. Banki, biorąc pod uwagę środowisko, w którym się znajdujemy, obcinają zatrudnienie, koszty itp. I szukają sposobów na automatyzację procesów, szukają skalowalności, szukają wydajności poprzez technologię. Sztuczna inteligencja i poddziedzina uczenia maszynowego mają ogromną wartość do zaoferowania, umożliwiając osiągnięcie tego rodzaju wzrostu skalowalności i wydajności. Zauważyliśmy jednak, że wielu uczestników rynku nadal dość nieśmiało podchodzi do stosowania uczenia maszynowego w przypadku tego rodzaju decyzji o dużej wartości i wysokim ryzyku, wymagających dużej kontroli. I wiesz, właśnie w tym jesteśmy w stanie naprawdę się wyróżnić. Właśnie dlatego zaobserwowaliśmy wzrost, ponieważ możemy zaoferować im korzyści płynące z tej technologii bez pewnych wad, no wiesz, bez wywoływania u nich poczucia, że ​​muszą siedzieć i ślepo ufać wynikowi lub model, którego nie rozumieją, mogą bardzo łatwo dostosować wszystko do swojej szczególnej tolerancji ryzyka, swojej konkretnej bazy klientów, widzą ponownie, dokładnie widzą, czego nauczyli się z danych, mogą to zmienić, mogą obejść, mogą umieścić dodatkowe informacje w systemie to jest poza danymi, aby zrekompensować takie rzeczy jak uprzedzenia, aby zrekompensować to, co wiesz, rzeczy takie jak dane, które zawsze patrzą wstecz. Myślę, że to naprawdę nam pomogło w ostatecznie trudnym środowisku.

Piotr Renton  18:52

Porozmawiajmy o samych danych, ponieważ chciałbym w pewnym sensie zorientować się, jakiego rodzaju dane stają się naprawdę krytyczne w przypadku niektórych rzeczy, o których tu mówiliśmy, w celu zidentyfikowania części tego błędu. A może dane są mniej ważne.

Laurę Kornhauser  19:09

Kilka rzeczy po stronie danych, często spotykamy klienta tam, gdzie się on znajduje. Mamy partnerstwa w zakresie danych, ale sama Stratyfy nie jest dostawcą danych.

Piotr Renton  19:18

Dobrze.

Laurę Kornhauser  19:19

Więc wiesz, nie mówimy hej, dodaj ten element danych do swojego modelu, a osiągniesz błogość analityki. Pracujemy z zasobami danych, które oni posiadają lub które nabyli w ramach jednego z naszych partnerów w zakresie danych, i jak najlepiej je wykorzystujemy, wydobywając z nich maksymalną wartość. Nadal stwierdzamy, że większość pożyczkodawców, zwłaszcza gdy, jak wiadomo, przenosisz się do społeczności, przestrzeni banków społecznościowych, nadal korzysta z tradycyjnych danych kredytowych. To, czego szukają, to lepszy sposób na wydobycie wartości z tych danych, aby osiągnąć większą wydajność i większą dokładność, ale bez utraty widoczności, przejrzystości i kontroli. Dużo mówi się o dodatkowych elementach danych. A wielu pożyczkodawców, zarówno fintechów, jak i większych, wykorzystuje inne elementy danych, aby w szczególności pomóc zrekompensować wnioskodawcom o niewielkiej liczbie dokumentów lub bez plików, jak wiesz, z naszej pracy wynika, wiesz, ogromne obietnice zysków w tych obszarach. Wiesz, jestem na przykład wielkim zwolennikiem danych dotyczących płatności czynszu, a w szczególności tego, że te dane mogą naprawdę pomóc w kwestii uczciwości, zmniejszyć stronniczość i pomóc w zwiększeniu liczby tych cieńszych wnioskodawców. Wszyscy widzieliśmy i wiem, że czytaliście badania FinRegLab i innych, z którymi również współpracowaliśmy z FinRegLab, w sprawie bardzo interesującego badania dotyczącego uczenia maszynowego i underwritingu, ale underwritingu opartego na przepływach pieniężnych, również niezwykle obiecującego. I znowu, na podstawie tych alternatywnych danych, widzimy różnych pożyczkodawców w różnych momentach krzywej adopcji. Jednak zawsze jest to dla mnie interesujące, ponieważ wielu pożyczkodawców wciąż, gdy mówisz o danych alternatywnych lub danych poza raportem kredytowym, myślisz, że mówisz o skrobaniu czyjegoś profilu w mediach społecznościowych. Prawidłowy? I często żartuję, że jak w naszej przestrzeni, dane alternatywne nie są takie alternatywne, prawda?

Piotr Renton  21:17

Dobrze.

Laurę Kornhauser  21:18

Więc wiesz, czasami musisz w pewnym sensie zmartwić ludzi, kiedy zaczynasz poruszać tę rozmowę. Jednak w każdej z tych dyskusji, jak jestem pewien, że możesz sobie wyobrazić, zwłaszcza w środowisku rynkowym, kluczowym pytaniem, na które pożyczkodawca musi odpowiedzieć, jest: jaki dodatkowy wzrost zapewnia ten element danych? Czy uzasadnia to koszty, jakie muszę ponieść, lub tarcia, jakie muszę wprowadzić, aby to uzyskać? Często widzimy, jak ludzie korzystają z naszych produktów, aby pomóc w przeprowadzeniu tego testu, jeśli chcesz, a także w celu zbadania wartości tego dodatkowego elementu danych. Inną rzeczą, o której wspomnę, Peter, jest to, że widzieliśmy, że nie potrzebujesz tysięcy cech, aby podejmować dobre decyzje kredytowe. I często występuje prawie punkt nasycenia, w którym Tak, być może dodajesz marginalną wartość przyrostową, ale niekoniecznie uzasadnia to zwiększoną złożoność modelu lub koszt tych danych. Więc nie jesteśmy, jak niektórzy inni w naszej przestrzeni, przyglądamy się tysiącom atrybutów, aby podjąć decyzję w sprawie któregokolwiek z naszych klientów już teraz, wiesz.

Piotr Renton  21:18

Zatem kiedy jesteś i rejestrujesz nowego klienta, nowego pożyczkodawcę, co wiąże się z procesem wdrażania Stratyfy? Jak dużo czasu to zajmuje? Zabierz nas w typową tam podróż.

Laurę Kornhauser  22:35

Dlatego początkowe zaangażowanie zazwyczaj rozpoczyna się od umowy pilotażowej, która obowiązuje od jednego do trzech miesięcy. W ramach tej umowy pilotażowej wymieniamy dane, czyli dane pożyczkodawców, które są z nami wymieniane. Wszystkie są anonimowe, więc nie muszą oni udostępniać nam żadnych danych osobowych ani niczego podobnego, co jest bardzo pomocne. A potem rozmawiamy o tym, czy chcą zbadać inne zasoby danych – znowu, zwykle w fazie pilotażowej, ale ludzie tego nie robią. A potem współpracujemy z nimi, aby zbudować początkowy zestaw modeli pretendentów i strategii pretendentów, wiesz. Zatem modele generujące wynik, strategia generująca decyzję, prawda. Współpracuj z nimi, aby stworzyć zestaw modeli i strategii pretendentów w naszym oprogramowaniu, które będą mogli następnie ocenić. Następnie w celu ciągłego wykonywania często integrujemy się z LOS w celu ciągłego wykonywania tylko za pośrednictwem interfejsu API. A to wszystko jest kontrolowane przez nasze produkty, dzięki czemu możesz łatwo, przy odpowiednich kontrolach, wypromować nową strategię na tę wdrożoną dla API, bez konieczności zmiany integracji. A potem widzimy, że zazwyczaj pożyczkodawcy to wprowadzą, więc żaden pożyczkodawca nie zrobi tego, po przeprowadzeniu pilotażu, gdy będziemy wchodzić w długoterminowe zaangażowanie, wiesz, pierwszego dnia przerzuci wszystko na nowy model pretendenta. Zazwyczaj jest to naliczane z biegiem czasu, zaczynając od określonego procentu, a następnie stopniowo to zwiększane.

Piotr Renton  24:01

OK, więc jak zmieniły się Twoje modele, jak rozwinąłeś modele sztucznej inteligencji i jak poprawiły się z biegiem czasu?

Laurę Kornhauser  24:07

Świetne pytanie. I to prowadzi mnie do kolejnego punktu zróżnicowania: nie pobieramy danych naszych klientów, a następnie nie tworzymy wspólnego repozytorium dla wszystkich tych danych, z którego następnie korzystają wszyscy pozostali klienci. Zatem dane naszych klientów pozostają ich danymi i widzimy, że są dla nich naprawdę ważne. To powiedziawszy, biorąc pod uwagę sposób działania naszej rodziny algorytmów, można o tym myśleć jako o funkcjach lub spostrzeżeniach wydobywanych z naszych danych. A to jest następnie wykorzystywane do ulepszania lub udoskonalania, tworząc, jeśli wolisz, efekt sieciowy dla naszej firmy, polegający na tym, że każdy nowy klient, którego zdobywamy, stanowi wartość dodaną dla wszystkich. Więc tak to robimy. Jednak celowo nie tworzymy tego, wiesz, repozytorium dużych zbiorów danych, z którego wszyscy korzystają?

Piotr Renton  25:01

OK, więc zbliża się rok od wydania ChatGPT i wszyscy zaczęli mówić o sztucznej inteligencji. To znaczy, to jest po prostu niesamowite. Przeglądasz dzisiaj jakąkolwiek gazetę i widzisz sztuczną inteligencję, codziennie pojawiają się artykuły o sztucznej inteligencji, wszyscy o tym mówią. Czy to zmieniło Twoje podejście? Czy ułatwiło to czy utrudniło wyjaśnienie tego, co robisz?

Laurę Kornhauser  25:26

Fantastyczne pytanie. Odpowiedź jest taka, że ​​zwiększyło to liczbę rozmów na ten temat i, jak sądzę, stworzyło prawie dwa obozy w obszarze usług finansowych. Można też nieco powiązać te obozy z wielkością aktywów instytucji, z którymi współpracują, ale nie byłoby to idealne rozwiązanie. I ten jeden obóz widzi obietnicę, widzi wartość, widzi ryzyko, a jest ich wiele, widzi także ryzyko, ale chce to rozgryźć, a w wielu przypadkach musi rozgryźć, no wiecie, pewną liczbę instytucje, z którymi współpracujemy, mają pośredni mandat od swoich zarządów, aby znaleźć sposób na wykorzystanie tej technologii. Dlatego naprawdę chcą dowiedzieć się, jak sprawić, by to zadziałało dla nich. Ze zdrową, powiedziałbym, zdrową dawką strachu. Wiesz, drugi obóz został po prostu zbyt zalany, widzi słowo AI i natychmiast się wyłącza. I, jak wiecie, ponieważ przez ostatnie dwa miesiące aktywnie uczestniczyłem w konferencjach, podobnie jak wiele innych osób, i bardzo interesujące było dla mnie stwierdzenie, że ludzie nie są pomiędzy, lub znalazłem bardzo niewielu pomiędzy nimi należą do jednego z tych dwóch obozów. Wiesz, bardzo mocno wierzę w moc, jaką technologia AI, ogólnie rzecz biorąc, musi wnieść do branży finansowej. Jeśli zrozumiesz, że z wielką mocą wiąże się wielka odpowiedzialność. I wiesz, tych narzędzi można użyć, aby znacznie poprawić sytuację, szczególnie w kwestiach uczciwości. Można je również wykorzystać do zakorzenienia uprzedzeń i wykładniczego ich skalowania w przyszłych decyzjach. I myślę, że jesteśmy w punkcie zwrotnym lub decyzji, w którym, no wiesz, naprawdę mam nadzieję, że wszystko pójdzie w pierwszym kierunku. Jeśli jednak nie będziemy mieć odpowiednich kontroli, kontroli, które nie tłumią innowacji, ale kontrole, możemy mieć sytuację, w której wszystkie uprzedzenia z przeszłości zostaną zakodowane w decyzjach podejmowanych w przyszłości.

Piotr Renton  27:29

Prawidłowy. Chcę więc zmienić trochę bieg i porozmawiać o zbiórce pieniędzy, ponieważ kiedy ostatnio rozmawialiśmy, właśnie, myślę, że właśnie zamknąłeś rundę finansowania. I nie wiem, czy było już publiczne, ale właśnie je zamknęliście. Gratulacje! Zamknięcie rundy finansowania w 2023 r. nie jest łatwe. Opowiedz nam więc trochę o tym procesie, kim są Twoi inwestorzy i jak przebiegał ten proces?

Laurę Kornhauser  27:51

Cóż, środowisko zbierania funduszy było bardzo wymagające, nie ma co do tego wątpliwości. Ale jesteśmy bardzo szczęśliwi, że mamy inwestorów, którzy podzielają naszą misję i wartości, ale także dostrzegają ogromne korzyści dla Stratyfy. Wiesz, odnieśliśmy ogromne korzyści z posiadania długoterminowych relacji. To prawda, jesteśmy tu już od jakiegoś czasu. Od jakiegoś czasu pielęgnujemy relacje z inwestorami. A to oznaczało, że kiedy wychodziliśmy, aby zbierać fundusze, w rzeczywistości – choć mogło się to wydawać szokujące, biorąc pod uwagę środowisko finansowania – robiliśmy to oportunistycznie. Zbieraliśmy wówczas nie dlatego, że kończyły nam się pieniądze, ale dlatego, że mieliśmy klientów, z którymi albo podpisaliśmy umowę, albo mieliśmy ją wkrótce podpisać. Musieliśmy się także upewnić, że będziemy w stanie skalować zespół, aby sprostać wyzwaniom, które podjęliśmy. Zatem będąc w takiej sytuacji, mamy oczywiście większą siłę do zbierania funduszy. Nie bylibyśmy jednak w stanie tego zrobić bez tych długoterminowych relacji i bez inwestorów, którym naprawdę zależy na stworzeniu bardziej sprawiedliwego systemu finansowego i którzy wierzą, że Stratyfy jest kluczowym elementem umożliwiającym osiągnięcie tego celu.

Piotr Renton  29:10

OK, więc patrząc na dzisiaj Twój biznes, jakie jest Twoje największe wyzwanie w próbie rozwoju Stratyfy?

Laurę Kornhauser  29:17

Jedna rzecz, która jest obecnie i zawsze będzie wyzwaniem, to sprzedaż bankom. Nie jest to łatwe zadanie.

Piotr Renton  29:25

Dobrze.

Laurę Kornhauser  29:26

Nie jest to łatwe zadanie. Cykle sprzedaży są długie. Umowy są ryczałtowe. Wiesz, weszliśmy w to z otwartymi oczami. To nie tak, że było to dla nas zaskoczeniem. Wiedzieliśmy, że to trudna droga, którą podążamy. Ale to teraz trudne. To trudne w obecnej sytuacji rynkowej, w której się znajdujemy. Wielu pożyczkodawców ogranicza ryzyko, zamykając produkty i w wielu przypadkach robi to za pomocą bardzo tępych instrumentów, podnosząc odcięcie FICO. Całkowite zamknięcie określonej oferty lub całkowita sprzedaż tej oferty na rynku wtórnym, prawda? Postrzegamy to jako początkową reakcję, która przeminie i stworzy także ogromne możliwości, zwłaszcza dla banków lokalnych i banków regionalnych, które przez tak długi czas były uciskane przez pożyczkodawców z branży fintech z jednej strony i duże banki z drugiej. Wierzymy więc, że stworzy to naprawdę znaczącą szansę. Ale teraz jest to wyzwanie. To, na czym naprawdę się skupiam, podejmując to wyzwanie, to, wiesz, klasyczne sterowanie elementami sterowniczymi. Mamy dziś niewiarygodną bazę klientów, a ciągłe dostarczanie im produktów najwyższej możliwej jakości da nam nowe możliwości rozwoju w stosunku do istniejącej bazy klientów. Potem jestem naprawdę skupiony na naszym zespole, zbudowaliśmy absolutnie niewiarygodny zespół. Jestem bardzo dumna z faktu, że jest to również, wiesz, główny zespół żeński, co stanowi ogromny wyróżnik, jeśli można tak powiedzieć, w środowisku rynkowym, w którym żyjemy, jestem z tego bardzo dumny. Ale wiesz, poza jedną rzeczą, która mogłaby klasyfikować któregokolwiek z naszych pracowników, jestem naprawdę dumny z tego, jak bardzo są zaangażowani w naszą misję, z jaką pasją podchodzą do zmian, które chcemy wprowadzić, i jak bardzo są pracujemy nad tym, aby to osiągnąć. Tak więc, naprawdę skupiam się na rozwijaniu tego niesamowitego zespołu, z którym musimy w dalszym ciągu sprostać nowym wymaganiom rynku, z którym w końcu przyjdzie nam się zmierzyć, oraz na sprostaniu wszelkim wyzwaniom, jakie stoją przed nami w związku ze sprzedażą do banków w perspektywie krótkoterminowej.

Piotr Renton  31:30

OK, więc zakończmy pytaniem wybiegającym w przyszłość i spróbujmy w pewnym sensie zorientować się, gdzie jesteśmy dzisiaj. Mam na myśli ciągły rozwój sztucznej inteligencji. Jak będzie się to rozwijać, jeśli chodzi o decyzje kredytowe i ryzykowne dla pożyczkodawców? Jak to będzie wyglądać za pięć lat?

Laurę Kornhauser  31:49

Tak. Dlatego bardzo mocno wierzę, że będziemy mieli znacznie bardziej zautomatyzowany proces podejmowania decyzji w zakresie udzielania kredytów. Nie oznacza to, że niektóre decyzje nie będą nadal wymagały ręcznego przeglądu lub drugiej pary oczu, ale zautomatyzowane podejmowanie decyzji musi się upowszechnić bardziej niż dotychczas. I to będzie się działo w przypadku różnych linii produktów. Ale to, co moim zdaniem jest naprawdę ważne – i dotyczy to przyszłości sztucznej inteligencji, kredytów i innych miejsc – to to, że rodzaje systemów, które zwyciężą i zapewnią klientom największą wartość, to systemy, które umożliwiają wprowadzanie danych wejściowych ostatecznie z wielu źródeł. Zatem jednym źródłem mogą być dane, ale także ludzie, którzy… Uczenie maszynowe jest naprawdę dobre w przetwarzaniu danych i znajdowaniu wglądu. Ludzie są naprawdę świetni w stosowaniu kontekstu do tych danych, informacji znajdujących się poza elementami danych. Wierzę zatem, że jeśli tak, sztuczna inteligencja przyszłości, zwłaszcza w przypadku regulowanych przypadków użycia, ale myślę, że w przypadku innych przypadków użycia, a także świadomości społecznej na temat systemu sztucznej inteligencji wzrośnie w miarę, jak prawdopodobnie pojawią się nowe regulacje, które w pewnym sensie będą podążać za wielu przepisów, które widzieliśmy w Europie i już widzieliśmy początkowy postęp w przypadku 1033, naprawdę skupimy się na tym, jak zrozumieć, co się dzieje, nie tylko na podstawie danych, ale także ludzie? Połącz te dwa elementy w jeden zautomatyzowany system i upewnij się, że mogę powiedzieć FI lub innej firmie, która może powiedzieć swojemu klientowi po drugiej stronie, co do cholery się stało? Jak podjęto tę decyzję? Jakie informacje wykorzystano? Jak mogę pomóc Państwu w podjęciu innej decyzji, która w dalszym ciągu uważam, że stanowi ogromną szansę w sprawie, której wynik jest negatywny? Jak zbudować relację z klientem, aby pomóc mu osiągnąć pozytywny wynik? Wiesz, to będą systemy sztucznej inteligencji, które będą w stanie to zrobić, które faktycznie spełnią wszystkie obietnice i całą wartość, o której słyszymy we wszystkich gazetach.

Piotr Renton  33:47

OK, w takim razie będziemy musieli to tak zostawić. Laura, dziękuję bardzo za przybycie dzisiaj do programu. Powodzenia.

Laurę Kornhauser  33:53

Dziękuję bardzo, Piotrze.

Piotr Renton  33:57

Cóż, mam nadzieję, że przedstawienie ci się podobało. Dziękuję bardzo za wysłuchanie. Proszę śmiało, zrecenzuj program na wybranej platformie podcastów i powiedz o tym swoim przyjaciołom i współpracownikom. Tak czy inaczej, podpiszę się pod tym stwierdzeniem: „Bardzo dziękuję za wysłuchanie i dogonię cię następnym razem”. Do widzenia.

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://www.fintechnexus.com/laura-kornhauser-ceo-stratyfy-advanced-ai-models-underwriting/