10 rugpjūčio, 2026

Dirbtinio intelekto ir duomenų analizės algoritmai vis dažniau pasitelkiami priimant finansinius sprendimus, tačiau kartu kyla klausimas, kaip užtikrinti, kad automatizuotas vertinimas būtų ne tik tikslus, bet ir sąžiningas. Šią visuomenei aktualią problemą nagrinėjo Kauno kolegijos Verslo fakulteto Verslo duomenų analitikos studijų programos studentė Paulina Žilinskaitė, vadovaujama Verslo katedros doc. dr. Mindaugo Jaso.

Lietuvos mokslo tarybos (LMT) finansuojamame studentų vasaros tyrimų projekte „Netiesioginės diskriminacijos kintamųjų identifikavimas vartojimo kredito algoritmuose“ buvo analizuojami realūs Lietuvos paskolų platformų duomenys, siekiant nustatyti, kaip kredito rizikos vertinimo algoritmuose gali atsirasti netiesioginė diskriminacija ir kokiais metodais ją galima sumažinti.

Kai pašalinti vieną kintamąjį nepakanka

Vertinant asmens paraišką dėl paskolos, algoritmas neturėtų priimti sprendimo pagal tokias asmens savybes kaip lytis. Vis dėlto vien tiesioginės informacijos apie lytį pašalinimas iš duomenų dar negarantuoja, kad modelio sprendimai taps neutralūs.

Istoriniuose duomenyse įvairūs socialiniai ir ekonominiai požymiai gali būti statistiškai susiję su lytimi. Todėl modelis, kurio pagrindinis tikslas – kuo tiksliau prognozuoti kredito riziką, gali netiesiogiai atkurti šią informaciją pasitelkdamas kitus kintamuosius.

Tyrimo metu nustatyta, kad toks reiškinys gali sudaryti ištisą tarpusavyje susijusių požymių tinklą. Analizuotas modelis, siekdamas didžiausio prognozavimo tikslumo, netiesiogiai įvertino lytį per kitas asmens charakteristikas. Pavyzdžiui, griežtesnis vertinimas galėjo būti nepagrįstai siejamas su profesiniu išsilavinimu ar didesnėmis pajamomis, nes istoriniuose duomenyse šie požymiai padėjo modeliui identifikuoti didesnės rizikos klientų grupes.

Paslėptos sąsajos gali užgožti tikruosius rizikos veiksnius

Tyrimas atskleidė ir kitą svarbią problemą. Prisitaikydamas prie istoriniuose duomenyse esančių sąsajų, algoritmas gali nepakankamai įvertinti veiksnius, kurie iš tiesų yra svarbūs kredito rizikai nustatyti.

Analizuotu atveju modelis beveik ignoravo tokį veiksnį kaip kliento amžius, nes didelę rizikos vertinimo dalį matematiškai priskyrė požymiams, susijusiems su lytimi. Tai rodo, kad paslėpta diskriminacija gali turėti platesnių pasekmių: ji ne tik kelia abejonių dėl sprendimų sąžiningumo, bet ir gali iškreipti paties modelio naudojamų rizikos veiksnių reikšmingumą.

Matematiniai metodai padeda kurti sąžiningesnius modelius

Tyrimo metu buvo ne tik identifikuota problema, bet ir išbandytas jos sprendimo būdas. Pritaikius matematinius duomenų apdorojimo metodus, leidžiančius sumažinti nepageidaujamas sąsajas pačiuose duomenyse, pasikeitė ir modelio naudojamų veiksnių reikšmė.

Pašalinus diskriminacines sąsajas, amžius vėl tapo statistiškai reikšmingu rizikos vertinimo veiksniu, o nepagrįstas tam tikrų išsilavinimo požymių poveikis sumažėjo. Kartu pavyko išlaikyti modelio patikimumą.

Šie rezultatai parodo, kad kuriant duomenimis grįstus finansinius sprendimus svarbu vertinti ne tik algoritmo prognozavimo tikslumą. Ne mažiau reikšminga analizuoti, kokiais duomenų ryšiais modelis grindžia savo sprendimus ir ar iš pirmo žvilgsnio neutralūs kintamieji netampa priemone netiesiogiai atkurti jautrią informaciją apie asmenį.

Kauno kolegijoje vykdomas tyrimas prisideda prie platesnės diskusijos apie atsakingą duomenų analitikos ir dirbtinio intelekto metodų taikymą finansų sektoriuje bei sąžiningesnių, skaidresnių automatizuotų sprendimų kūrimą.

Plačiau su studentų vasaros tyrimų projekto rezultatais bus galima susipažinti 2026 m. rugpjūčio 26 d. vyksiančioje baigiamojoje konferencijoje.

Finansavimą skyrė Lietuvos mokslo taryba (LMTLT), sutarties 2026 06 12 Nr. S-SV-25-10.