NTT与NTT・TC租赁联合开发的AI信用审查技术

日本NTT与日本NTT・TC租赁于11月12日宣布,成功开发出一套全新的AI信用审查技术,能够统一学习多样化的客户数据和合同条件差异,精准预测未来的坏账风险。

双方利用NTT・TC租赁拥有的约150万条法人租赁信用数据进行联合实验。与现有的主流AI模型如梯度提升决策树(GBDT)和面向表格数据的Transformer模型相比,新技术在预测准确率指标AR值(Accuracy Ratio)上最高提升约30%。

该技术不仅有助于降低坏账损失,还能扩大对以往难以通过统一标准评估的客户群的信用授信机会。NTT・TC租赁计划于2027财年后将此技术正式应用于实际信用审查业务。

传统AI信用审查面临的“数值偏差”和“合同期限差异”问题

信用审查是基于客户财务状况和合同条件评估其还款能力及未来风险,决定是否签约及授信额度的重要环节。然而,金融机构所持有的实际数据存在两大难题,阻碍了机器学习模型的精度提升。

第一,输入数据的数值分布极为多样。例如,企业资本金数据中,中小企业集中在数百万至数千万日元区间,而大型企业则存在数万亿日元的极端异常值。传统方法通常将数据归一化到0到1之间,但极端异常值会导致大部分中小企业数据集中在接近0的位置,细微风险差异难以辨识。

第二,合同条件差异未能被准确反映在风险评估中。举例来说,12个月合同第10个月发生坏账与72个月合同第10个月发生坏账,虽然时间点相同,但风险权重和客户财务状况差异巨大。传统AI模型多将结果简化为“还清”或“坏账”两类标签,忽视了合同期限中破产发生的时间上下文。

结合排名转换与进度比例——应用排序学习实现协同效应

新开发的技术通过“数值表示技术”和“条件表示技术”两种方法的结合,解决了上述问题。

数值表示技术不再以绝对数值处理财务指标,而是将其转换为在整体样本中的“排名(百分位)”。这样,即使数据分布包含从100万到1万亿的极端值,也能保持大小关系,将数据均匀映射到0%至100%区间,避免复杂前处理且消除异常值影响。

条件表示技术则将坏账发生时间视为合同期限的比例。例如,12个月合同第10个月坏账被表示为“83%进度时发生”,72个月合同第10个月则为“14%进度时发生”,使不同合同条件下的多样化合同历史可在统一尺度上比较。

据负责人介绍,该方法的核心在于借鉴生存时间分析和排序学习的知识,针对信用审查进行了改良。通过将输入数据转换为排名关系,结合合同条件的相对比较(哪个案件更早发生坏账风险),显著提升了模型的风险识别能力。

利用150万条数据验证及“条件优化”潜力

技术验证阶段,利用NTT・TC租赁持有的约150万条法人信用数据,涵盖最长17年的历史数据,采用多次回测方法,用未来一年数据作为测试集,测量平均预测精度。结果显示,与广泛使用的GBDT模型和表格Transformer模型相比,新技术在准确排序高风险案件的AR值上最高提升约30%。

技术验证数据

这一精度提升不仅能减少损失风险,还为灵活判断贷款可行性提供了可能。负责人指出,由于该技术能评估坏账发生的具体时间,过去被统一拒绝的客户也能通过动态调整合同条件获得授信,例如“3年合同不可行,但2年合同可控风险”,为探索最优方案提供了新路径。该模型专注于风险评估,最终的贷款批准或拒绝仍由人工决策完成。

技术应用示意

2027财年实际应用及面向个人金融和集团协作的展望

NTT・TC租赁计划继续验证该技术在实际业务中的可操作性和有效性,目标于2027财年后正式引入信用审查系统。该公司所涉及的通信设备租赁客户属性多样,数据波动显著,这一特性被认为是模型适配取得良好效果的重要因素之一。

日本NTT方面表示,未来将推动该技术不仅应用于法人租赁,还将扩展到个人贷款、银行、证券、保险等更广泛的金融领域,打造多样化的预测技术体系。

此次成果将于11月18日至25日举办的“NTT R&D FORUM 2026”展出,现场还将展示面向个人信用的应用案例演示。