KBTG AI-Powered Lending Platform

เมื่อเร็วๆนี้ ทีม KBTG ได้ทำการอัพเกรดแพลตฟอร์ม AI ที่ใช้เสนอสินเชื่อให้กับลูกค้าผ่านทาง KPlus โดยเราทำการ Redesign Lending Platform ผ่านประสบการณ์ Trial and Error ของการใช้ AI ปล่อยสินเชื่อมาเป็นเวลา 2 ปี วันนี้เลยอยากจะมาเล่าให้ฟังว่าการดีไซน์ครั้งนี้ เราคำนึงถึงอะไรและแก้ปัญหาอะไรไปบ้าง เพื่อยกระดับธนาคารกสิกรไทยให้เป็น Data-Driven Bank ระดับเอเชียตะวันออกเฉียงใต้

KPlus Loan Offer

ปัญหาแรกคือการที่ AI ที่ใช้ทำ Digital Lending มีมากกว่า 1 ตัว ใน Flow ของเราจะมี Model หลักๆ 3 ตัวคือ

1. ลูกค้าจะเป็นหนี้เสียรึเปล่า? (Model Probability to Default)
2. ลูกค้าอยากได้สินเชื่อแค่ไหน? (Model Propensity to Buy)
3. จะติดต่อหาลูกค้ายังไงดี ควรจะใช้ KPlus + Facebook Ad หรือไม่? (Model Best Channel to Reach out)

การรวม Model ให้รัน End-to-End หรือ System-to-System มีปัญหาด้วยกันหลายอย่าง คือ

1. แต่ละ Model มี Data Sources ที่แตกต่างกัน มาในเวลาที่ต่างกัน (บางอันมารายวัน บางวันรายเดือน) หรือด้วยขนาดที่ต่างกัน (บางอันระดับ 1 MB บางอันระดับ 100 GB)
2. End-to-End Flow มีทั้ง Model และ Rules-Based ประกอบกัน (เช่น เราไม่สามารถเสนอสินเชื่อให้กับลูกค้าที่ทำธุรกิจค้าขายอาวุธได้ตามกฏของธนาคารแห่งประเทศไทย (BOT))
3. KBTG/KBank เป็นองค์กรใหญ่ มี Data Scientist เก่งๆ กระจายอยู่ในหลายที่ แต่ละทีมมีความเชี่ยวชาญในการเขียน Model ด้วยภาษาและ Machine Learning Library ที่ต่างกัน (R, Python, etc.)
4. Model ใน KBTG ใช้ข้อมูลมากกว่า 1,000 Fields การรัน Model โดยการใช้ SQL Query หรือ Apache Spark ที่ไม่ดี จะทำให้ระบบฐานข้อมูลทำงานหนักเกินความจำเป็น

ปัญหาเหล่านี้ทำให้ต้องมี Schedule Run AI Model ในแบบออฟไลน์ผสมออนไลน์ ส่งผลให้ไม่สามารถเปลี่ยน Rules, Model, หรือ Marketing Campaign ที่จะส่ง Loan Offer ไปให้ลูกค้าได้อย่างฉับไวดังที่ต้องการ ความล่าช้านี้เป็นอุปสรรคขวางทางเราสู่การเดินหน้าไปเป็น Regional AI-Based Technology Company ทาง KBTG จึงหาทางแก้ในหลายมิติพร้อมๆกัน คือ

1. วิธีการทำงานร่วมกัน: มีการทำ Agile Transformation ให้ Data Engineer และ Modeler มาทำงานในรูปแบบ Scrum (Daily Stand-up และ Raise Blocker Issue ทุกเช้า)
2. เทคโนโลยี Data: เราทำการสร้าง Customer 360 Table เพื่อเป็น Single Point of View ให้ทุก Model มา Query จากฐานข้อมูลเดียวกันที่ได้รับการรองรับอย่างใกล้ชิดจากทีม Data Engineering
3. เทคโนโลยี Modeling Platform: เรารวม model ให้มาเขียนในแพลตฟอร์มกลาง มา Unify Technology (Language and Model Libraries) ผ่าน Docker ให้มากที่สุด

การแก้ไขเรื่องต่างๆนี้ทำให้เราสร้าง Digital Lending Platform ที่มี Agility สูง สามารถพัฒนาแก้ไข AI Model และส่ง Loan Offer ให้ลูกค้าได้เร็วขึ้นจากระดับ 1 เดือนเป็นระดับ 1 วัน

ปัญหาที่สอง เรามองเห็นว่า Data Scientist (Modeler) และทีม Data Engineer มี Skill Gap ที่สำคัญ Data Scientist ที่เก่งเรื่อง Data, Stats และ Model มักจะไม่ค่อยเก่งเรื่องการเขียน Software แต่คนที่ทำ Software เก่งมักจะไม่รู้ AI ก่อให้เกิดปัญหาตามมาเช่น Code Style ไม่ Comply Standard หรือ Code Run Performance ได้ช้า เราจึงแก้ไขด้วยการสร้างทีมใหม่คือ Machine Learning Engineer หรือ Software Engineer ที่เก่ง AI เหมือนกัน มาทำงานร่วมกับ Data Science และทีม Engineering อย่างใกล้ชิด ทีม MLE มีการใช้ Code Style, Git Versioning, Test Automation, Environment Control เพื่อปิดช่องว่างที่เราพบ ให้เราสามารถทำ System-to-System Lending ได้

ปัญหาที่สาม Model ไม่สามารถวัดผลให้ทีม Marketing Campaign Management และ Digital Lending Business เห็นได้ เราจึง Redesign แพลตฟอร์มให้รองรับการวัดผลว่า Model เราเพิ่มรายได้ เพิ่มลูกค้าหรือลดค่าใช้จ่ายที่ชัดเจน ด้วยเทคนิค A/B Testing หรือ Champion vs Challenger ถ้าอธิบายกันแบบง่ายๆ ก็คือ เรามีการแบ่งกลุ่มลูกค้าเป็น 2 กลุ่ม กลุ่มแรกคือ Control Group ที่ไม่ใช้ AI ในการเลือก Loan Offer ให้ลูกค้า และอีกกลุ่มคือ Treatment Group โดยใช้ AI ของเรา โดยจากการทดลองนี้ สรุปผลออกมาว่า AI Model ของเราสามารถเพิ่มรายได้ให้ธนาคารได้เกินเป้าที่เราคาดไว้

ปัญหาที่สี่ เราไม่รู้ทิศทางในการทำให้ Model ดีขึ้น เพราะเราไม่มี Feedback Loop เราจึงไม่ทราบผลของ Model ว่าเมื่อส่ง Offer ออกไป ลูกค้ารับสินเชื่อหรือไม่ ซึ่งตรงนี้เราได้ทำการติด Tracking ใน KPlus และมี Data Pipeline ต่อกลับมาที่ระบบฐานข้อมูลกลาง เพื่อให้ Data Scientist สามารถศึกษาและพัฒนา Model ต่อไปได้

เราแก้ปัญหาใหญ่ๆ ทั้ง 4 ข้อนี้ด้วยแพลตฟอร์มที่ผ่านการ Redesign ซึ่งมี High-Level Architecture ตามรูปข้างล่างนี้

KBTG Digital Lending Platform Architecture

สรุปก็คือแพลตฟอร์มของเราสามารถทำ Capability ต่อไปนี้ได้

1. System-to-System AI + Rules-Based for Lending ทั้งหมดเป็น Automation ใน 1 แพลตฟอร์มผ่าน Job Scheduler
2. Single Source of Data (Customer 360)
3. A/B Testing สำหรับการวัดผลว่า AI ช่วยธุรกิจของเราเป็นมูลค่าเท่าไหร่
4. Tracking and Feedback Loop เพื่อติดตามพฤติกรรมลูกค้าและพัฒนา Model
5. Agile-Enabled Change โดยระบบสามารถเปลี่ยนแปลง Rule หรือ AI และรันใหม่ได้ทันที

จะเห็นว่างาน AI และงาน Software/Data Engineering ยังมีโปรเจคสนุกๆ อีกมากมายที่ KBTG ดังนั้นมาร่วมงานกันเยอะๆนะครับ ก่อนจากกัน ขอขอบคุณทีม KBTG Data Engineering และทีม Campaign Intelligence ของธนาคารกสิกรไทยที่ร่วมมือกันทำแพลตฟอร์มนี้ขึ้นมาครับ