Azərbaycanda yeni nəsil risklərin idarə edilməsi üzrə ekspert Nigar Kərimova ilə eksklüziv müsahibə

"Maliyyə və risklərin idarə edilməsinə olan həvəsimin ardınca gedə bildiyim üçün özümü şanslı hiss edirəm".

Bu sözləri Oxu.Az-a müsahibəsi zamanı hazırda ABŞ-nin Nyu-York şəhərində "Citibank"da çalışan maliyyə risklərinin idarə edilməsi üzrə ekspert Nigar Kərimova deyib

Söhbət zamanı N.Kərimova risklərin idarə edilməsində ən son tendensiyalar haqqında fikirlərini bölüşüb və süni intellektin kredit risklərinin idarə edilməsi sahəsində mühüm dəyişikliklərə səbəb olduğunu diqqətə çatdırıb.

- Bu gün maliyyə risklərinin idarə edilməsi sahəsində peşəkar və "CLF Ventures" şirkətinin həmtəsisçisi Nigar Kərimova ilə maraqlı müsahibə olacaq. Bizimə müsahibəyə razılaşdığınız üçün təşəkkür edirik. Nigar xanım, təhsilinizdən və bu təhsilin karyeranızı necə formalaşdırdığı barədə məlumat verə bilərsinizmi?

- Bu gün mənimlə birlikdə olduğunuz üçün təşəkkür edirəm. Maliyyə və risklərin idarə edilməsinə olan həvəsimin ardınca gedə bildiyim üçün özümü şanslı hiss edirəm. 2022-ci ilin dekabr ayında Kolumbiya Universitetində Müəssisə risklərinin idarə edilməsi üzrə magistri dərəcəsi aldım ki, bu da statistik modelləşdirmə, proqramlaşdırma və məlumatların vizuallaşdırılması sahəsində bilik və bacarıqlarımı xeyli artırdı. Kredit riskinin idarə edilməsi və sistemli risk kimi mövzular daxil olmaqla çətin kurslar karyeram üçün möhkəm təməl formalaşdırdı. Bundan əvvəl "Northeastern" Universitetini Biznesin idarə edilməsi üzrə fərqlənmə diplomu ilə bitirmişəm. Orada təhsil aldığım müddətdə "Bloomberg" sertifikatı almaq, "Maliyyə və İnvestisiya Klubu"na üzv olmaq kimi müxtəlif fəaliyyətlərdə iştirak etmişəm. Bu güclü təhsil keçmişi qeyd etdiyim sahədəki uğurlarımın əsasını təşkil edib.

- Sizi maliyyə risklərinin idarə edilməsi sahəsi üzrə ixtisaslaşmağa yönəldən amillər hansılardır və "CLF Ventures" şirkətini yaratmağa nə təşviq etdi?

- Təhsilimdən sonra anladım ki, effektiv risklərin idarə edilməsi hazırda sürətlə dəyişən maliyyə sektorunda çox vacibdir. Bu bilik və bacarıqları həmin sektorda təsirli bir dəyişiklik yaratmaq üçün tətbiq etmək istədim. "CLF Ventures" şirkətinin yaradılması irəliləyişə səbəb oldu. Çünki bu təşəbbüs mənə inkişaf etməkdə olan bazarlarda yüksək təsirli startaplara diqqət etməyimə imkan verdi. Şirkətin hədəfi, xüsusilə sosial ədalətin təşviqində və təhsilin inkişafında kimi mövzularda mənim dəyərlərimlə uzlaşır.

Bu sektorda təcrübəmi və nüfuzumu artırmaq üçün süni intellekt (AI) startaplarına və şirkətlərinə investisiya yatırmaq qərarına gəldim. Süni intellektin hələ geniş yayılmadığı dövrdə özümü bu sahə üzrə hər şeyi öyrənməyə yönəltdim. Bu əsas bilik mənə kredit riskinin modelləşdirilməsində AI modellərini tətbiq etməyə imkan yaratdı. Qabaqcıl süni intellekt mexanizmindən istifadə edərək kredit riskinin qiymətləndirilməsi və təsirinin azaldılmasına istiqamətlənən yeni innovativ həllər formalaşdırdım və bu, maliyyə sektorunda risklərin idarə edilməsi təcrübələrinin effektivliyini əhəmiyyətli dərəcədə artırdı.

- Peşəkar təcrübələriniz və xüsusilə risklərin idarə edilməsi sahəsində çalışdığınız mühüm layihələr haqqında məlumat verə bilərsinizmi?

- "CLF Ventures"da mən innovativ startaplara yönəlmiş investisiya strategiyalarının hazırlanması və həyata keçirilməsinə rəhbərlik edirəm. Mənim fəaliyyətimdəki mühüm nailiyyətlərdən biri süni intellekt sahəsində bir startapa - "NucsAI"ya, qoyulan 3,5 milyon ABŞ dolları həcmində ilkin investisiyaya rəhbərlik olub ki, bunun hesabına PSMA-PET/KT görüntüləməsində 92% dəqiqliklə xərçəngin aşkarlanması nəticəsinə nail olunmaq mümkün olub. Bu nailiyyət fərdiləşdirilmiş xərçəng müalicəsində yardımı əhəmiyyətli dərəcədə təkmilləşdirib.

Bundan əlavə, "Citibank"dakı rolumda maliyyə hesabatlarını təhlil etmək və fəaliyyət göstəricilərini müəyyən etmək üçün alətlər hazırlamışam. Həmçinin "Citibank" tərəfindən müəyyən edilmiş meyarlara uyğun olaraq borcalanların maliyyə vəziyyətini qiymətləndirən tablo yaratdım və bu, risklərin qiymətləndirilməsi prosesimizi təkmilləşdirdi. Bu təcrübələrin hər biri mənim korporativ risklərin idarə edilməsi sahəsində mürəkkəb problemlərin öhdəsindən gəlmək bacarığımı təkmilləşdirməkdə mühüm rol oynadı.

- Kiçik və orta biznesin (KOB) kredit riskinin qiymətləndirilməsində süni intellekt tətbiqləri ilə bağlı araşdırmanız barədə söhbətimizi səbirsizliklə gözləyirdim. Bu araşdırmaya sizi aparan nə oldu və niyə bu mövzu sizin üçün əsas diqqət mərkəzindədir?

- Bu araşdırmaya ilham verən amil və ya onun seçilməsinin səbəbi kredit riskinin modelləşdirilməsində süni intellekt modellərindən istifadənin potensial nəticələridir. Bunun nəticəsində maliyyə institutları potensial defolt riski altında olan borcalanları daha dəqiq müəyyən edə və kredit risklərini azalda bilər. Bundan əlavə, bu yanaşma KOB-ların ədalətsiz olaraq kredit əldə etmək imkanından məhrum edilməsinin qarşısını almaqla iqtisadi artıma əhəmiyyətli töhfə verə bilər.

- Tədqiqatınızda süni intellektə əsaslanan təsadüfi meşə modelini ənənəvi kredit riskinin qiymətləndirilməsi üsulları ilə müqayisə etmisiniz. Tapdığınız əsas məqamlar hansılardır və AI modeli ənənəvi yanaşmalardan hansı üstünlüklərinə görə fərqlənir?

- Süni intellekt modellərinin tətbiqinin faydalarını göstərən çoxlu araşdırma nəticələri var. Bu üstünlüklərdən biri də vaxtın idarə edilməsidir. Son illərdə süni intellektin geniş sahələr üzrə istifadəsi sürətlənib, nəticələrin səmərəliliyini və effektivliyini artırıb. Maliyyə sistemi də bu inkişaflardan faydalanan sahələrdən biri olmuşdur.

Kredit riskinin modelləşdirilməsi tarixən insan səhvlərinə meylli bir sahədir və mənim tədqiqatım bu sahədə AI-nin transformasiya potensialını ön plana çıxarır. Tədqiqat sübut etdi ki, süni intellekt bu prosesləri avtomatlaşdıraraq defolt xalların daha sürətli və daha dəqiq hesablanmasına imkan verir. Məlumat bazasındakı hər bir girişin şərtlərini qiymətləndirərək standart balı hesablamaq əllə edilən yorucu və vaxt aparan işdir. Süni intellekt bu uzun prosesləri nisbətən qısa müddətdə tamamlamaq bacarığı ilə yanaşı, həm də ənənəvi modellərlə müqayisədə mürəkkəb əlaqələri daha yaxşı həll etmək qabiliyyətinə malikdir.

Ənənəvi modellər maliyyə dünyasında dəyişənlərin statik təbiətinə əsaslanır ki, bu da həmişə belə olmur. Daha çox şüurlu qərarlar qəbul etmək üçün dəyişənlərin dinamik xarakteri təhlil edilməlidir. Nəticələrimiz kredit riskinin qiymətləndirilməsinə daha adaptiv yanaşmanın inteqrasiyasını müdafiə etməklə sağlam qərar qəbuletmə proseslərinə imkan verir.

- Model yaradılarkən faiz dərəcələrindəki dəyişikliklər və ya valyuta dəyişmələri kimi makroiqtisadi xarici amillər nəzərə alınıbmı?

- Əlbəttə. Farahani və Ghaseminin fikrincə, "tarixi məlumatlar bəhrələnən maşınların öyrənmə alqoritmləri dəqiqlik baxımından daha effektiv nəticə verə bilər". Buna görə də, AI modelləri yalnız şirkətlərin performans göstəriciləri kimi daxili amilləri yox, həmçinin makroiqtisadi və siyasi təsirlər kimi xarici amilləri də təhlil edir. Bu xarici amillər şirkətlərin fəaliyyətinə əhəmiyyətli dərəcədə təsir göstərə bilər.

Xüsusilə qeyd etmək istərdim ki, biz süni intellektin risklərin qiymətləndirilməsində həm dəqiqliyi, həm də səmərəliliyi necə artıra biləcəyini göstərdik. Bu, risklərin idarə edilməsi təcrübələrinin təkamülünə töhfə verir və maliyyə qeyri-müəyyənlikləri qarşısında şirkətlərin dayanıqlığını artırır.

- Modeldəki müxtəlif xüsusiyyətlərin əhəmiyyətini necə qiymətləndirdiniz və defoltun proqnozlaşdırılmasında hansı xüsusiyyətlərin ən vacib olduğu sübut edildi?

- AI modelləri simulyasiyalar yaratmaq və minlərlə iterasiyadan bəhrələnmək üçün tarixi məlumatlardan istifadə edərək, təkcə KOB-ların fəaliyyəti ilə bağlı məhdud tarixi məlumatlara diqqət yetirmir. Eyni zamanda ekzogen dəyişənlərdəki fərqliliyi və onların KOB-ların fəaliyyətinə təsirini proqnozlaşdırır. Tədqiqatın məqsədi ənənəvi olaraq kredit qiymətləndirməsi üçün istifadə edilən təsadüfi meşə modelini tətbiq etdikdən sonra dəqiqlik və proqnozlaşdırmada praktiki təkmilləşmənin olub-olmadığını araşdırmaqdır.

- AI modeli böhranlar və ya sənayedəki qəfil dəyişikliklər kimi qeyri-standart vəziyyətləri necə idarə edir?

- Şirkətlərin qeyri-standart vəziyyətlərini diqqət yetirildikdə görərik ki, kredit riskinin qiymətləndirilməsində bir çox sahədə süni intellektdən istifadə edilib. Birincisi, böyük həcmdə məlumatları qısa müddətdə təhlil etmək süni intellekt tətbiqlərinin ən cəlbedici xüsusiyyətlərindən biridir. Bundan əlavə, təhlil edilən məlumatların mürəkkəbliyini uğurla idarə etmək qabiliyyəti AI-ni xüsusilə təsiredici edir. Süni intellekt mürəkkəb dəyişənlər arasında əlaqələri effektiv şəkildə aşkar edir, qeyri-dəqiq məqamları aşkarlayır və proqnozlarda yüksək dəqiqliyi təmin edir. Süni intellekt modelləri verilənlərdəki qarışıqlığı azaltmaqla ən vacib dəyişənləri seçir və daha etibarlı nəticələr verir.

- Təsadüfi meşə modelinin maliyyə institutunun mövcud kredit qiymətləndirilməsi sisteminə inteqrasiyası prosesini necə təsəvvür edirsiniz? Modelin tətbiqinin iqtisadi səmərəliliyini qiymətləndirərkən hansı amillər nəzərə alınmalıdır?

- KOB-un defolt proqnozlarına gəldikdə, təsadüfi meşə modellərinin inteqrasiyasının dəyəri olduqca yüksəkdir, çünki bu modellər qeyri-dəqiq məlumatları və əlaqələri idarə etmək qabiliyyətinə malikdir. Çox vaxt dəyişənlər arasındakı əlaqələr xətti hesab edildikdə düzgün təhlil edilə bilməz. Bu səbəbdən təsadüfi meşə modelləri bu sahədə güclü bir vasitədir. Modelin tətbiqinin iqtisadi səmərəliliyinə gəldikdə, bir çox sahələrdə süni intellektdən istifadənin sürətləndirilməsi şirkətlərin səmərəliliyini və effektivliyini artırıb. Bu kontekstdə maliyyə sistemi də süni intellekt və maşın öyrənməsinin təklif etdiyi çoxsaylı töhfələrdən faydalanıb.

- Tədqiqatınızın Azərbaycanın və digər inkişaf etməkdə olan ölkələrin maliyyə bazarlarının inkişafına potensial təsirini necə qiymətləndirirsiniz?

- Modelin gücü birən çox qərar ağaclarını birləşdirərək dəyişənlər arasında qeyri-dəqiq əlaqələri aşkarlamaqdır. Bu, ənənəvi modellərin zəif olduğu məqamlardan biridir. Bir çox dinamik risk faktorlarının Azərbaycanda KOB-lara və ümumilikdə bu bizneslərə təsir etdiyini nəzərə alsaq, model dəyişənlər arasında mürəkkəb əlaqələr haqqında lazımi fikirlər təqdim edir.

- Maliyyə institutlarında kredit qiymətləndirilməsində innovativ həllərin tətbiqini sürətləndirmək üçün hansı addımlar atılmalıdır?

- Modeldə son nəticəyə (proqnozlaşdırma) çatmaq üçün bir neçə addım atılır. Birincisi, model orijinal verilənlərdən nümunələr götürür və təlim verilənlər toplusunu yaradır. Orijinal məlumatdan doqquz məlumat nöqtəsinin təsadüfi seçilməsi və bu məlumat nöqtələrinin yeniləri ilə əvəzlənməsi modelin möhkəmliyinə kömək edir. Bu addım "bootstrap" seçmə adlanır.

- Modelin böyük həcmdə məlumatlara və böyük müştəri bazasına tətbiqi hansı çətinliklər yarada bilər?

- Modelin məhdudiyyətləri kontekstində bəzi çatışmazlıqlar nəzərə alınmalıdır. Birincisi, modelin dəqiqliyi istifadə olunan girişlərin keyfiyyəti ilə düz mütənasibdir. Modeldəki əsas dəyişənlər üçün daxilolmalar Azərbaycandakı yerli bir bankla KOB-lar arasında bağlanmış müqavilə əsasında bank tərəfindən təmin edilibdir. Bu KOB-ların ictimaiyyətə açıq şəkildə yoxlanılmış maliyyə məlumatları olmadığı üçün məlumatlarda səhvlərin ola biləcəyini və KOB-ların daha yaxşı kredit xalı əldə etmək məqsədilə məlumatları manipulyasiya etməsi ehtimalını istisna etmək olmaz.

Bundan əlavə, AI modellərinin qərar vermək səbəbini və prosesini izah etmək asan deyil. Maşınların öyrənmə modellərini şərh etmək çətindir. Maliyyə institutları KOB-lara onların kredit müraciətlərinin niyə rədd edildiyini izah etməkdə çətinlik çəkə bilər və ya bunu qeyri-etik hesab edə bilər. Modelin daha yüksək dəqiqliyinə istinad etməklə kredit müraciətinin rəddini izah etmək çox vaxt kifayət qədər əsaslı olmaya bilər. Modelin digər məhdudiyyəti ondan ibarətdir ki, o, KOB-lar tərəfindən maliyyə institutlarına təqdim edilən və tarixən manipulyasiya edilmiş ola biləcək məlumatlara əsaslanır. Bu məlumatlar şirkətlərin həqiqi maliyyə vəziyyətini daha müsbət göstərə bilər.

Həmçinin təsadüfi meşə modeli maşının öyrənməsinə əsaslanan mürəkkəb bir modeldir və banklar üçün potensial defoltları müəyyən etmək üçün istifadə edildikdə qərar prosesini izah etmək çətin ola bilər. Maşınların öyrənmə alqoritmlərinin iş prinsiplərinin kifayət qədər aydın olmaması bu qərarlar əsasında fəaliyyət göstərdikdə etik problemlər yarada bilər.

- Süni intellektə əsaslanan kredit riski modellərinin gələcək inkişafı üçün ən perspektivli tədqiqat istiqamətləri hansılardır?

- Süni intellekt modelləri yalnız KOB-ların məhdud tarixi fəaliyyət məlumatlarına diqqət yetirməklə yanaşı, həm də xarici dəyişənlərdəki dalğalanmaları və bu dəyişənlərin KOB-ların fəaliyyətinə təsirlərini proqnozlaşdıra bilər. Tədqiqatın məqsədi təsadüfi meşə modelini tətbiq etdikdən sonra ənənəvi olaraq kredit qiymətləndirməsində istifadə olunan modelin dəqiqliyi və proqnozlaşdırma gücündə praktiki təkmilləşmənin mövcudluğunu görməkdir.

- Tədqiqatınızı digər kredit növlərini və ya inkişaf etməkdə olan digər bazarları əhatə edəcək formada necə genişləndirməyi planlaşdırırsınız?

- Tədqiqatıma əsasən, maliyyə institutları çox vaxt kiçik və orta biznesin kredit müraciətlərini rədd edir və ya potensial riskləri azaltmaq üçün daha yüksək faiz dərəcələri tələb edirlər. Bununla belə, təsadüfi meşə modeli bu müəssisələrin gələcək potensialını təhlilə inteqrasiya etməklə daha dinamik bir yanaşma təklif edir. Maşınların öyrənmə köməyi ilə bu modellər KOB-ların kredit qabiliyyətini daha ədalətli qiymətləndirə, onların keçmiş fəaliyyətlərinə əsaslanaraq vəsaitləri daha ədalətli bölüşdürə bilərlər. Nəticədə, bu tədqiqat maliyyə dünyasında müsbət transformasiya yaratmaq potensialına malik yol göstərən modelin kəşfi ilə nəticələndi.

- Maliyyə sektorunda süni intellektin inkişafı və tətbiqində tənzimləyicilərin rolu necə olmalıdır? Süni intellektdən məsuliyyətli istifadəni təmin etmək üçün hansı tənzimləyici çərçivələr tələb olunur?

- Süni intellekt maliyyə dünyasında inqilab etdi və kredit qiymətləndirməsinin modelləşdirilməsində geniş tətbiq olundu. Kredit riskinin qiymətləndirilməsində süni intellektdən müxtəlif sahələrdə istifadə edilir. Birincisi, süni intellektin böyük məlumat bazasını qısa müddətdə təhlil etmək qabiliyyəti bu texnologiyanın ən cəlbedici xüsusiyyətlərindən biridir.

Bundan əlavə, "Hilpisch" bildirir ki, süni intellektin təhlil etdiyi məlumatların mürəkkəbliyi olduqca təsir edicidir. Süni intellekt mürəkkəb dəyişənlər arasındakı əlaqələri effektiv şəkildə aşkarlaya, qeyri-dəqiq strukturları tapıb, dəqiq proqnozlar verə bilər. Həmçinin AI modelləri məlumat bazasındakı qarışıqlığı azaltmaqla ən vacib dəyişənləri seçir. Bu dəyişənlərə ümumi iqtisadi şərait, bazar meylləri, istehlakçı davranışı və hətta siyasi risklər kimi xarici amillər daxildir. Süni intellekt real vaxt məlumatlarını və bu məlumatların risk faktorlarına təsirini aşkar etməklə maliyyə bazarlarında getdikcə daha çox əhəmiyyət kəsb edir. Dərin öyrənmə modelləri və neyron şəbəkələri kredit qiymətləndirilməsi prosesində maliyyə institutlarının səmərəliliyini artıran maşınların öyrənmə alqoritmlərinə nümunə kimidir.

Bu inkişafı və süni intellektin geniş istifadəsini nəzərə alan tənzimləyici orqanlar məsuliyyətli çərçivə yaratmalı, süni intellektin ədalətli və şəffaf şəkildə istifadəsini təmin etməli, istehlakçıların hüquqlarını qorumalıdır.

- Risklərin idarə edilməsi sahəsində geniş təcrübənizə əsaslanaraq, bu tədqiqatın karyera inkişafı və peşəkar yüksəlişinizlə əlaqəsini necə dəyərləndirirsiniz?

- Risklərin idarə edilməsi sahəsində geniş təcrübəmə əsaslanaraq deyə bilərəm ki, bu tədqiqat mənim karyera və peşəkar inkişafımla birbaşa uyğunlaşır. Kredit riskinin modelləşdirilməsində süni intellektin tətbiqi ilə bağlı dərin araşdırmalarım mənə ənənəvi risk qiymətləndirmə üsullarını təkmilləşdirmək üçün qabaqcıl texnologiyalardan istifadə etməyə imkan verir. Bu, həm innovativ risklərin idarə edilməsi strategiyaları üzrə təcrübəmi artırır, həm də məni sahə üzrə ən son inkişafların önündə göstərir. Bu araşdırmadan əldə etdiyim anlayışlar şirkətimə risklərin idarə edilməsi təcrübələrinə daha effektiv töhfələr verməyə və davamlı inkişafı dəstəkləyən məlumatlara əsaslanan qərarlar qəbul etməyə imkan yaradır.

- Tədqiqat Azərbaycanda unikal problemlərlə üzləşən kiçik və orta sahibkarlığa yönəlib. Niyə bu xüsusi konteksti seçdiniz və tədqiqat nəticələrinin daha geniş miqyasda necə tətbiq oluna biləcəyini düşünürsünüz?

- Tədqiqatın nəticələri Azərbaycan konteksti ilə yanaşı, maliyyə sektorunda süni intellektin istifadəsi üçün də daha geniş təsirlərə malikdir. Nəticələr kredit riskinin qiymətləndirilməsi kimi maliyyə proseslərində süni intellektin istifadəsini dəstəkləyir və ənənəvi logistik reqressiya modelləri əvəzinə maşın öyrənmə modellərindən istifadənin modelin dəqiqliyini və həssaslığını əhəmiyyətli dərəcədə artırdığını göstərir. Əlavə olaraq, maşın öyrənmə modellərinin etibarlı nəticələr əldə etmək üçün böyük məlumat bazasına ehtiyacı olduğu aydındır. Bu tapıntının praktiki nəticəsi ondan ibarətdir ki, maşın öyrənməsindən istifadə edərək məhdud məlumat bazasına əsaslanan təhlilin aparılması gözlənilməz nəticələrə səbəb ola bilər. Nəhayət, model nəticələrini şərh və tətbiq etməzdən əvvəl maşın öyrənməsinin istifadəsində məlumat bazasının modelə daxil edilməsi və şəffaflıq kimi etik məsələlərə diqqət yetirilməlidir. Lakin bu məsələlərin bəzilərinin həlli bankların nəzarətindən kənarda ola bilər. Məsələn, inkişaf etməkdə olan ölkələrin bankları mürəkkəb maşın öyrənmə modellərinin iş prinsiplərini müəyyən etməkdənsə, hazır alqoritmlərə etibar edirlər. Bu, xüsusilə Azərbaycan kimi ölkələrdə şəffaflığın əhəmiyyətini artırır.

- Siz süni intellektin transformasiya potensialını vurğulayır, eyni zamanda kredit riskinin modelləşdirilməsində onun istifadəsindən irəli gələn etik məsələlərə toxunursunuz. Sizcə, ən vacib etik problemlər hansılardır və onları necə həll etmək olar?

- Maşın öyrənməsindən istifadə zamanı modelin nəticələrini şərh və tətbiq etməzdən əvvəl modelə məlumatların daxil edilməsi konteksti və şəffaflıq kimi etik məsələlər nəzərə alınmalıdır. Bu baxımdan etik məsələlər həll edilməli və məsul rəhbərlər tərəfindən yüngülləşdirici tədbirlər həyata keçirilməlidir.

Svetlovanın qeyd etdiyi kimi, tarixi məlumatlarda və alqoritmlərdə qərəzlilik süni intellektlə aparılan proqnozlarda ümumi problemdir. Məsələn, tarixi məlumatlara əsaslanan qərəzlilik kreditləşmə proseslərində ayrı-seçkilik nəticəsində yarana bilər. Belə qərəzləri minimuma endirmək üçün mütəxəssislər təhlildən əvvəl məlumatları təhrif və ya ayrı-seçkiliyə görə qiymətləndirməlidirlər.

Bu araşdırmada məlumatlar hazırda bankdan kredit almış KOB-lardan gəlir. Modellərin ədalətli olub-olmadığını yoxlamaq da vacibdir. Bu yoxlama müəyyən qruplar və ya şirkətlər üçün qeyri-bərabər iştirak yaradan xüsusiyyətlərin modellərə daxil edilmədiyinə zəmanət verməlidir. Məsələn, demoqrafik paritet yoxlamalarını təmin edən alətlər modellərə inteqrasiya oluna bilər. Bu araşdırmada təhlil bankdan kredit almış KOB-ların məlumatlarına diqqət yetirdiyi üçün ədalətlilik məsələləri daha az aktualdır. Çünki bu KOB-lar gələcəkdə defolt ehtimalını müəyyən etmək üçün əlavə qiymətləndirməyə məruz qalırlar.

- Bu sahədə həm tədqiqatçı, həm də mütəxəssis kimi verdiyiniz töhfələr son dərəcə dəyərlidir. Risklərin idarə edilməsi və süni intellekt tətbiqləri sahəsində karyerasını inkişaf etdirmək istəyən gənc mütəxəssislərə və tədqiqatçılara nə məsləhət görərdiniz?

- Fikirlərimi və təcrübələrimi bölüşmək üçün fürsət yaratdığınıza görə təşəkkür edirəm. Karyeram ərzində maraqlı layihələr üzərində işləmək və istedadlı insanlarla əməkdaşlıq etmək fürsəti qazandığım üçün xoşbəxtəm.

Risklərin idarə edilməsi və süni intellekt tətbiqlərində karyera qurmağı hədəfləyən gənc mütəxəssislər və tədqiqatçılar üçün üç vacib məsləhətim var. Birincisi, hər iki sahədə möhkəm təməl qurulmalıdır. Ənənəvi risklərin idarə edilməsi prinsiplərini dərindən öyrənməklə yanaşı, süni intellekt və maşın öyrənmə bacarıqlarını əldə etməyə diqqət yetirmək vacibdir. İkincisi, daim öyrənməyə meylli olmaq və uyğunlaşmaq lazımdır. Sahə sürətlə inkişaf edir, ona görə də ən son tendensiyalar, texnologiyalar və ən yaxşı təcrübələrlə ayaqlaşmaq çox vacibdir. Nəhayət, bilikləri praktik təcrübələr vasitəsilə tətbiq etmək önəmlidir. Real layihələr üzərində işləmək, sənaye mütəxəssisləri ilə əməkdaşlıq etmək və fənlərarası tədqiqatlarda iştirak etmək imkanları araşdırılmalıdır. Bu praktiki yanaşma təkcə təcrübəni dərinləşdirmir, həm də möhkəm peşəkar əlaqələr qurmağa kömək edir.

Aytac Qasımova