La predizione del default è dove l'explainable AI mostra il suo valore. Ecco sei test su dataset reali di prestiti personali e business.
1. Gradient boosting interpretabile
EBM (Explainable Boosting Machines) ha raggiunto 0.89 AUC contro 0.92 di XGBoost black box. La differenza di 3 punti percentuali vale la trasparenza per audit e compliance.
2. Feature interaction scoperte
L'analisi delle interazioni ha rivelato che età del richiedente e tipo di impiego creavano bias nascosti nel 18% dei casi. Il modello penalizzava giovani freelance anche con ottimo credit score.
3. Seasonal drift detection
Monitoring delle feature importance ha identificato un drift significativo nei modelli di default durante Q4, permettendo un re-training mirato che ha salvato 2.1 milioni di exposure.
4. Counterfactual analysis per SME
Per piccole imprese, generare counterfactuals ha mostrato che modifiche minime nel debt-to-equity ratio cambiavano la predizione nel 34% dei casi borderline.
5. Explainability per segmenti
Modelli separati per retail, SME e corporate con spiegazioni specifiche hanno ridotto i contestazioni legali del 67%.
6. Cost-benefit del re-training
Monitorare explanation drift ha permesso di identificare quando ri-addestrare, riducendo i re-training non necessari del 40%.