บทความโดย
นายมยูร บุญยะรัตน์
นายอดิศร หทัยรัตนา
นางสาวพัชรพร บับพาน
1.บทนำ
การประเมินความเสี่ยงสินเชื่อเป็นกระบวนการสำคัญของระบบการเงินเนื่องจากผลการประเมินมีผลโดยตรงต่อการตัดสินใจว่าจะให้สินเชื่อแก่ผู้กู้หรือไม่ รวมถึงวงเงินและเงื่อนไขต่างๆ ทิศทางของการบริหารความเสี่ยงในปัจจุบันกำลังเผชิญกับการเปลี่ยนแปลงครั้งสำคัญ ซึ่งเป็นประเด็นที่ผู้เขียนได้มีโอกาสเข้าร่วมแลกเปลี่ยนมุมมองในงานสัมมนา Credit Risk Model Community – Thailand (CRMCT) 3rd Annual Conference 2026 โดยมี
คุณอดิศร หทัยรัตนา เป็นผู้จัดงาน เวทีดังกล่าวได้ชี้ให้เห็นว่าระบบสินเชื่อสมัยใหม่ในยุคที่ข้อมูลและปัญญาประดิษฐ์ (Artificial Intelligence: AI) มีบทบาทสูง ไม่ได้เผชิญเพียงความท้าทายด้านประสิทธิภาพของแบบจำลองเท่านั้น แต่ยังรวมถึงคำถามเชิงนโยบายว่า เทคโนโลยีเหล่านี้จะถูกนำมาใช้เพื่อขยายโอกาสทางการเงินอย่างเป็นธรรม หรืออาจกลายเป็นกลไกที่ตอกย้ำความเหลื่อมล้ำที่มีอยู่เดิม
ภายในงาน Prof. Galina Andreeva ผู้อำนวยการ Credit Research Center (CRC) แห่งมหาวิทยาลัย Edinburgh ได้นำเสนอแนวคิดที่มีนัยสำคัญต่อการกำหนดกรอบคิดของบทความ โดยระบุว่า “AI และข้อมูลทางเลือก (Alternative Data) มีศักยภาพในการลดความไม่สมมาตรของข้อมูล และช่วยให้สามารถประเมินผู้กู้ที่มีประวัติเครดิตจำกัด (Thin File) ได้ครอบคลุมยิ่งขึ้น อย่างไรก็ตาม มีข้อสังเกตสำคัญว่า “Algorithms are not neutral” หรืออัลกอริทึมมิได้มีความเป็นกลางโดยธรรมชาติ หากแบบจำลองถูกพัฒนาจากข้อมูลที่มีอคติ หรือถูกนำไปใช้โดยปราศจากกลไกกำกับดูแล ผลลัพธ์ของระบบก็อาจผลิตซ้ำหรือขยายความเหลื่อมล้ำทางสังคม แทนที่จะช่วยลดข้อจำกัดในการเข้าถึงสินเชื่อ”
มุมมองดังกล่าวสะท้อนให้เห็นว่าการพิจารณาสินเชื่อในยุค AI หากต้องยกระดับจากการมองแบบจำลองในฐานะเครื่องมือเพิ่ม “ความแม่นยำ (Accuracy)” ไปสู่โครงสร้างการตัดสินใจที่ต้องมี “ความรับผิดชอบ (Accountability)” แม้ความแม่นยำในการทำนายความเสี่ยงจะยังเป็นเงื่อนไขสำคัญ แต่ผู้กำหนดนโยบาย ผู้กำกับดูแล และสถาบันการเงินจำเป็นต้องพิจารณาควบคู่กันว่า แบบจำลองใช้ข้อมูลที่เหมาะสมหรือไม่ ผลลัพธ์มีความเป็นธรรมต่อผู้กู้แต่ละกลุ่มเพียงใด สามารถอธิบายเหตุผลของการตัดสินใจได้หรือไม่ (Explainability) และมีผู้รับผิดชอบต่อผลกระทบที่เกิดขึ้นหรือไม่ซึ่งสอดคล้องกับหลักการการให้สินเชื่ออย่างมีความรับผิดชอบ (Responsible Lending)
บทความนี้ ขอนำเสนอแนวทางการประเมินความเสี่ยงสินเชื่อในฐานะประเด็นเชิงนโยบาย โดยศึกษาพัฒนาการของการประเมินสินเชื่อ บทบาทของข้อมูลทางเลือกและปัญญาประดิษฐ์ ประเด็นความเป็นธรรมของอัลกอริทึม ตลอดจนเสนอแนะแนวทางสร้างสมดุลระหว่างความแม่นยำ ความเป็นธรรม ความสามารถในการอธิบายผล การบริหารความเสี่ยง และความรับผิดชอบ เพื่อให้การนำเทคโนโลยีมาใช้สามารถสนับสนุนประสิทธิภาพของระบบการเงินและคุ้มครองผู้กู้ได้อย่างเหมาะสม โดยในอันดับแรกขอกล่าวถึงวัฒนาการของการจัดทำ Credit Score ดังต่อไปนี้
ภาพที่ 1 บรรยากาศการเข้าร่วมงาน Credit Risk Model Community – Thailand (CRMCT) 3rd Annual Conference 2026


2. วิวัฒนาการของการประเมินความเสี่ยงสินเชื่อ
การประเมินความเสี่ยงสินเชื่อมีพัฒนาการอย่างต่อเนื่อง ซึ่งสอดรับกับการเปลี่ยนแปลงของโครงสร้างข้อมูล เทคโนโลยีสารสนเทศ และบริบทของระบบการเงินจากเดิมที่มุ่งเน้นเพียงการเพิ่มความแม่นยำใน การพยากรณ์พฤติกรรมการชำระหนี้ ปัจจุบันได้ขยายขอบเขตไปสู่การสร้างสมดุลระหว่างความแม่นยำทางสถิติ กับมิติด้านความเป็นธรรม (Fairness) ความสามารถในการอธิบายผลลัพธ์ (Explainability) และความรับผิดชอบเชิงสถาบัน (Accountability) เนื่องจากผลการประเมินส่งผลกระทบโดยตรงต่อโอกาสในการเข้าถึงบริการทางการเงินของประชาชน ทั้งนี้ วิวัฒนาการของกระบวนทัศน์ดังกล่าว สามารถจำแนกออกเป็น 5 ระยะ ดังนี้
2.1 การประเมินความเสี่ยงโดยอาศัยดุลยพินิจของผู้เชี่ยวชาญ (Expert Judgment)
ในยุคเริ่มต้น กระบวนการพิจารณาสินเชื่อพึ่งพาความรู้ ประสบการณ์ และดุลยพินิจของเจ้าหน้าที่เป็นหลัก โดยอาศัยองค์ประกอบเชิงคุณภาพและเชิงปริมาณผ่านกรอบวิเคราะห์ 5Cs of Credit (Baiden, 2011) เป็นหลักเกณฑ์ประเมินความน่าเชื่อถือของผู้กู้ ซึ่งประกอบด้วย:
2.1.1 Character (อุปนิสัย): พิจารณาจากประวัติทางการเงิน วินัย และความรับผิดชอบในการชำระหนี้ในอดีต
2.1.2 Capacity (ความสามารถในการชำระหนี้): พิจารณาจากศักยภาพในการสร้างรายได้ กระแสเงินสด และภาระหนี้สินที่มีอยู่
2.1.3 Capital (เงินทุน): พิจารณาจากความมั่นคงของฐานะทางการเงินที่สามารถรองรับความเสี่ยงได้
2.1.4 Collateral (หลักประกัน): พิจารณาจากมูลค่าทรัพย์สินที่นำมาค้ำประกัน เพื่อลดความสูญเสียหากเกิดการผิดนัดชำระหนี้
2.1.5 Conditions (ปัจจัยแวดล้อม): พิจารณาจากสภาวะเศรษฐกิจและปัจจัยภายนอกที่อาจส่งผลกระทบต่อผู้กู้
แม้การประเมินด้วยดุลยพินิจจะมีความยืดหยุ่น แต่ผลลัพธ์มักแตกต่างกันไปตามประสบการณ์ของผู้พิจารณาแต่ละราย ทำให้เกิดข้อจำกัดด้านความสม่ำเสมอ อาจแฝงอคติส่วนบุคคล และไม่สามารถรองรับการพิจารณาสินเชื่อในปริมาณมหาศาลได้
2.2 การสร้างแบบจำลองทางสถิติ (Statistical Modeling)
เพื่อลดความแตกต่างจากการใช้ดุลยพินิจของมนุษย์ สถาบันการเงินได้เปลี่ยนผ่านเข้าสู่การสร้างแบบจำลองทางสถิติ ซึ่งช่วยให้การประเมินสินเชื่อมีมาตรฐานและเป็นระบบมากขึ้น แนวทางนี้อาศัยการวิเคราะห์ข้อมูลในอดีตเพื่อค้นหาความสัมพันธ์ระหว่างลักษณะของผู้กู้กับพฤติกรรมการชำระหนี้ นำไปสู่การคำนวณ ความน่าจะเป็นที่ผู้กู้จะผิดนัดชำระหนี้ (Probability of Default: PD) อย่างเป็นรูปธรรม
ข้อดีของแบบจำลองทางสถิติคือความสามารถในการสร้างมาตรฐานที่ทำซ้ำได้ (Repeatable) และลดอคติจากเจ้าหน้าที่ อย่างไรก็ตาม เมื่อบริบททางการเงินซับซ้อนขึ้น แบบจำลองทางสถิติแบบดั้งเดิมกลับพบข้อจำกัดในการจัดการกับข้อมูลขนาดใหญ่ (Big Data) รวมถึงข้อจำกัดในการวิเคราะห์ความสัมพันธ์ของตัวแปรที่ไม่ได้เป็นเส้นตรง (Non-linear relationship) ข้อจำกัดเหล่านี้นำไปสู่ความจำเป็นในการประยุกต์ใช้เทคโนโลยีที่มีประสิทธิภาพสูงกว่าในระยะถัดมา
2.3 การประยุกต์ใช้การเรียนรู้ของเครื่อง (Machine Learning: ML)
ความก้าวหน้าทางวิทยาการข้อมูลได้นำเทคโนโลยีการเรียนรู้ของเครื่อง (Machine Learning: ML) และปัญญาประดิษฐ์ (Artificial Intelligence: AI) เข้ามาพลิกโฉมการวิเคราะห์ความเสี่ยงสินเชื่อ แบบจำลองกลุ่มนี้มีศักยภาพในการประมวลผลข้อมูลขนาดใหญ่ (Big Data) และสามารถวิเคราะห์ความสัมพันธ์ที่ซับซ้อนได้อย่างมีประสิทธิภาพ โดยมีเทคนิคที่สำคัญ เช่น
Decision Tree (ต้นไม้ตัดสินใจ): การจำแนกความเสี่ยงตามลำดับเงื่อนไข ซึ่งมีโครงสร้างที่เข้าใจและสามารถอธิบายเหตุผลได้ง่าย
Random Forest: การรวมผลพยากรณ์จากต้นไม้ตัดสินใจหลายต้น เพื่อลดความคลาดเคลื่อนและเพิ่มความเสถียรของแบบจำลอง
Gradient Boosting และ XGBoost: การใช้วิธีปรับลดข้อผิดพลาดแบบสะสมอย่างเป็นลำดับ ซึ่งส่งผลให้มีความแม่นยำสูงมากในการคาดการณ์ชุดข้อมูลสินเชื่อที่มีความซับซ้อน
แม้แบบจำลองการเรียนรู้ของเครื่องเหล่านี้จะช่วยเพิ่มความแม่นยำได้มหาศาล แต่อัลกอริทึมที่มีความซับซ้อนสูงมักเผชิญกับข้อจำกัดด้านความสามารถในการอธิบายผล (Explainability) เนื่องจากระบบไม่สามารถแสดงให้เห็นได้อย่างชัดเจนว่า ตัวแปรหรือปัจจัยใดคือสาเหตุหลักที่นำไปสู่ผลการตัดสินใจ ลักษณะดังกล่าวเรียกว่าสภาวะ “กล่องดำ” (Black-box Model) ซึ่งถือเป็นความท้าทายสำคัญในเชิงนโยบาย เพราะความไม่โปร่งใสนี้ทำให้การตรวจสอบเหตุผลเบื้องหลังการอนุมัติหรือปฏิเสธสินเชื่อทำได้ยาก ส่งผลกระทบโดยตรงต่อความโปร่งใสของสถาบันการเงิน และสิทธิในการรับทราบข้อมูลของผู้ขอสินเชื่อ
2.4 การประยุกต์ใช้ข้อมูลทางเลือก (Alternative Data)
การเติบโตของเศรษฐกิจดิจิทัลได้เปิดโอกาสให้สถาบันการเงินนำ ข้อมูลทางเลือก (Alternative Data) เช่น พฤติกรรมการซื้อขายออนไลน์ การใช้กระเป๋าเงินดิจิทัล หรือประวัติการชำระค่าสาธารณูปโภค มาใช้ร่วมกับข้อมูลเครดิตแบบดั้งเดิม แนวทางนี้ช่วยเพิ่มมิติในการวิเคราะห์พฤติกรรมทางการเงิน และเติมเต็มข้อจำกัดสำหรับกลุ่มผู้กู้ที่มีประวัติสินเชื่อในระบบไม่เพียงพอ (Thin File) ให้มีโอกาสเข้าถึงแหล่งเงินทุนได้มากขึ้น
อย่างไรก็ตาม การใช้ข้อมูลทางเลือกต้องกระทำด้วยความระมัดระวังและคำนึงถึงความเท่าเทียม เนื่องจากข้อมูลบางประเภทอาจสะท้อนความเหลื่อมล้ำในการเข้าถึงเทคโนโลยีของกลุ่มประชากร หรืออาจก่อให้เกิดอคติทางอ้อม (Indirect Bias) ที่นำไปสู่การเลือกปฏิบัติในการพิจารณาสินเชื่อโดยไม่ตั้งใจ
2.5 การใช้ AI อย่างมีความรับผิดชอบในการพิจารณาสินเชื่อ
การนำ AI มาใช้ประมวลผลข้อมูลจำนวนมหาศาลช่วยเพิ่มศักยภาพให้สถาบันการเงินสามารถประเมินความเสี่ยงได้ละเอียดและแม่นยำยิ่งขึ้น แต่ประสิทธิภาพของแบบจำลองไม่ควรถูกประเมินจาก “ความถูกต้องของผลลัพธ์” เพียงมิติเดียว เนื่องจากการพิจารณาสินเชื่อส่งผลกระทบโดยตรงต่อภาระทางการเงินและโอกาสในชีวิตของประชาชน
ด้วยเหตุนี้ จึงเกิดแนวคิด การใช้ปัญญาประดิษฐ์อย่างมีความรับผิดชอบ (Responsible AI) ซึ่งให้ความสำคัญกับการประเมินผลกระทบต่อผู้ที่ได้รับผลจากการตัดสินใจของระบบ โดยแบบจำลองที่ดีจะต้องมีผลลัพธ์ที่เป็นธรรม มีความโปร่งใส สามารถอธิบายเหตุผลได้ (Explainability) และต้องมีผู้รับผิดชอบต่อผลลัพธ์อย่างชัดเจน
ในบริบทของการเงิน แนวคิดดังกล่าวสอดรับกับ การให้สินเชื่ออย่างมีความรับผิดชอบ (Responsible Lending) ที่คำนึงถึงความสามารถในการชำระหนี้และความเหมาะสมของผลิตภัณฑ์ต่อผู้กู้ ควบคู่ไปกับการบริหารความเสี่ยงของสถาบันการเงิน การตัดสินใจจึงไม่ควรมุ่งเน้นเพียงว่าผู้กู้มีความเสี่ยงที่จะผิดนัดชำระหนี้มากน้อยเพียงใด แต่ต้องประเมินผลกระทบเชิงลบที่อาจเกิดขึ้นต่อตัวผู้กู้ด้วย
ดังนั้น การเปลี่ยนผ่านในวิวัฒนาการประเมินความเสี่ยงสินเชื่อยุคใหม่ จึงไม่ใช่เพียงการนำ AI มาใช้เพื่อเพิ่มขีดความสามารถทางเทคนิค แต่เป็นการยกระดับกระบวนทัศน์จากการมุ่งเน้นความแม่นยำเพียงด้านเดียว ไปสู่การสร้างสมดุลระหว่างความแม่นยำ ความเป็นธรรม ความโปร่งใส และความรับผิดชอบต่อผู้ที่มีส่วนได้ส่วนเสียทุกฝ่าย
3. ข้อมูลทางเลือกและ AI กับการขยายการเข้าถึงสินเชื่อ
ข้อมูลทางเลือกและ AI เป็นองค์ประกอบที่เกื้อหนุนกัน แต่มีบทบาทแตกต่างกันอย่างชัดเจน กล่าวคือ ข้อมูลทางเลือก (Alternative Data) คือ “วัตถุดิบ” ประเภทใหม่ที่นำมาใช้เสริมข้อมูลเครดิตแบบดั้งเดิม ในขณะที่ AI และ ML คือ “เทคโนโลยีประมวลผล” ความเข้าใจในความแตกต่างนี้มีความสำคัญต่อนโยบายการกำกับดูแลระบบสินเชื่อยุคใหม่ เพราะการมีข้อมูลในปริมาณที่มากขึ้น ไม่ได้หมายความว่าจะนำไปสู่ผลลัพธ์ที่ดีขึ้นโดยอัตโนมัติ หากข้อมูลนั้นขาดคุณภาพ ไม่สัมพันธ์กับความเสี่ยง หรือถูกนำไปใช้อย่างไม่เหมาะสม
3.1 ข้อจำกัดของข้อมูลเครดิตดั้งเดิม
ข้อมูลเครดิตแบบดั้งเดิมถือเป็นเสาหลักในการประเมินความเสี่ยง เพราะสะท้อนประวัติการกู้ยืมและการชำระหนี้ในอดีตได้อย่างชัดเจน อย่างไรก็ตาม ข้อจำกัดสำคัญคือประชาชนบางกลุ่มอาจไม่มีประวัติสินเชื่อในระบบ หรือมีประวัติไม่เพียงพอต่อการประเมิน (Thin File) ส่งผลให้กลุ่มคนเหล่านี้อาจเสียโอกาสในการเข้าถึงแหล่งเงินทุน ทั้งที่ในความเป็นจริงอาจมีศักยภาพและพฤติกรรมทางการเงินที่สามารถนำมาประเมินความเสี่ยงได้
3.2 ข้อมูลทางเลือกเพื่อเติมเต็มช่องว่างทางเครดิต
ข้อมูลทางเลือก หมายถึง ข้อมูลประเภทอื่นที่นำมาใช้ประกอบการพิจารณาสินเชื่อนอกเหนือจากประวัติการกู้ยืม เช่น ข้อมูลธุรกรรมการชำระค่าสาธารณูปโภค หรือข้อมูลพฤติกรรมดิจิทัล การนำข้อมูลเหล่านี้มาใช้มีศักยภาพในการเติมเต็มช่องว่างของข้อมูล โดยเฉพาะสำหรับกลุ่ม Thin File อย่างไรก็ตาม หลักสำคัญเชิงนโยบายไม่ได้อยู่ที่การรวบรวมข้อมูลให้ได้มากที่สุด แต่อยู่ที่การพิจารณาว่าข้อมูลนั้นมีความเกี่ยวข้องเชื่อมโยง (Relevance) กับความสามารถในการชำระหนี้หรือไม่ ดังนั้น ข้อมูลทางเลือกจึงควรถูกจัดวางในฐานะ “ข้อมูลประกอบการตัดสินใจ” มากกว่าการเป็นตัวแทนของข้อมูลเครดิตทั้งหมด
3.3 AI และ ML ในการประมวลผลข้อมูลทางเลือก
เทคโนโลยี AI และ ML มีบทบาทสำคัญในการประมวลผลข้อมูลทางเลือกที่มีปริมาณมหาศาลและไม่มีโครงสร้างที่ชัดเจน เพื่อค้นหารูปแบบความสัมพันธ์ที่ซับซ้อน แม้กระบวนการดังกล่าวจะช่วยให้สถาบันการเงินสามารถวิเคราะห์ผู้กู้ที่มีข้อมูลจำกัดได้ลึกซึ้งยิ่งขึ้น แต่ประสิทธิผลของระบบยังขึ้นอยู่กับคุณภาพของข้อมูลและวิธีการเลือกตัวแปร AI จึงไม่ควรถูกมองว่าเป็นเครื่องมือวิเศษที่ทำให้การตัดสินใจถูกต้องโดยอัตโนมัติ แต่เป็นเครื่องมือที่ต้องการการออกแบบและกำกับดูแลอย่างรัดกุม
3.4 โอกาสในการขยายการเข้าถึงสินเชื่อ
การบูรณาการข้อมูลทางเลือกสามารถสร้างโอกาสให้กลุ่มคนที่เคยถูกปฏิเสธจากระบบสินเชื่อแบบเดิม สามารถเข้าสู่กระบวนการพิจารณาได้อย่างเป็นธรรมมากขึ้น หากข้อมูลดังกล่าวสามารถสะท้อนความสามารถในการชำระหนี้ได้อย่างเหมาะสม อย่างไรก็ตาม การขยายโอกาสในการประเมิน (Access to assessment) ไม่ได้หมายถึงการต้องอนุมัติสินเชื่อให้ผู้กู้ทุกคนเสมอไป แต่หมายถึงการสร้างระบบที่อาศัยข้อมูลประกอบการประเมินที่ครอบคลุมและแม่นยำยิ่งขึ้น
3.5 ข้อจำกัด ความเสี่ยง และอคติที่ซ่อนอยู่ในข้อมูลทางเลือก
แม้ข้อมูลทางเลือกจะมีประโยชน์มหาศาล แต่ก็มาพร้อมกับความเสี่ยงใหม่ที่ต้องเฝ้าระวัง ดังที่ Prof. Galina Andreeva ได้ให้ข้อสังเกตไว้ในงานสัมมนา CRMCT 2026 ว่า ข้อมูลทางเลือกถือเป็นพื้นที่ใหม่ที่ยังไม่มีการศึกษาผลกระทบอย่างถ่องแท้ และอาจซ่อนอคติที่เราไม่คุ้นเคยมาก่อน (Hidden biases)
บ่อยครั้งที่แบบจำลอง AI มักใช้ข้อมูลพฤติกรรมมาเป็น “ตัวแปรตัวแทน (Proxy variables)” ทางสถิติ โดยขาดความเป็นเหตุเป็นผล (Causal relationship) ตัวอย่างเช่น การนำข้อมูลพฤติกรรมอย่าง “การชาร์จแบตเตอรี่โทรศัพท์มือถือในช่วง 22.00 น. เป็นประจำ” มาอนุมานว่าเป็นผู้มีวินัยและมีความเสี่ยงต่ำ ซึ่งในมิติของการกำกับดูแล ตัวแปรลักษณะนี้แทบจะไม่สามารถอธิบายตรรกะความเชื่อมโยงกับความสามารถในการชำระหนี้ได้เลย ยิ่งไปกว่านั้น หากข้อมูลทางเลือกมีความเชื่อมโยงแอบแฝงกับปัจจัยด้านภูมิศาสตร์ ฐานะทางเศรษฐกิจ หรือกลุ่มชาติพันธุ์ อัลกอริทึมอาจเรียนรู้และนำไปสู่การเลือกปฏิบัติทางอ้อม (Indirect Discrimination) ต่อผู้กู้บางกลุ่มโดยไม่ได้ตั้งใจ การตรวจสอบข้อมูลก่อนนำเข้าสู่แบบจำลอง (Input) และการตรวจสอบความเป็นธรรมของผลลัพธ์ (Output) จึงเป็นขั้นตอนที่ขาดไม่ได้
ตารางที่ 1 การเปรียบเทียบข้อมูลเครดิตแบบดั้งเดิมและข้อมูลทางเลือก
| มิติการเปรียบเทียบ | ข้อมูลเครดิตดั้งเดิม (Traditional Credit Data) | ข้อมูลทางเลือก (Alternative Data) |
| แหล่งที่มาของข้อมูล | ประวัติการชำระหนี้ สินเชื่อบัตรเครดิต และข้อมูลจากสถาบันข้อมูลเครดิต | ธุรกรรมดิจิทัล การชำระค่าสาธารณูปโภค การใช้บริการออนไลน์ กิจกรรมบนแพลตฟอร์มดิจิทัล และข้อมูลพฤติกรรมอื่น ๆ |
| ลักษณะของข้อมูล | มีโครงสร้างและรูปแบบการจัดเก็บค่อนข้างชัดเจน และเกี่ยวข้องโดยตรงกับประวัติสินเชื่อ | มีความหลากหลาย ทั้งข้อมูลเชิงธุรกรรม พฤติกรรม และข้อมูลดิจิทัล ซึ่งอาจมีทั้งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง |
| ขอบเขตการครอบคลุม | เหมาะกับผู้กู้ที่มีประวัติสินเชื่อหรือมีข้อมูลทางการเงินในระบบ | สามารถเพิ่มข้อมูลสำหรับผู้ที่มีประวัติสินเชื่อจำกัดหรือไม่มีประวัติสินเชื่อ เช่น กลุ่ม Thin File |
| ข้อมูลที่สะท้อน | ประวัติการชำระหนี้และพฤติกรรมทางการเงินในระบบ | พฤติกรรมทางเศรษฐกิจ การใช้บริการ และกิจกรรมทางดิจิทัลที่อาจใช้ประกอบการประเมินความเสี่ยง |
| บทบาทในการประเมินสินเชื่อ | เป็นฐานข้อมูลสำคัญในการประเมินประวัติและความเสี่ยงของผู้กู้ | ใช้เติมเต็มข้อมูลที่ขาดหายและเพิ่มมิติของข้อมูลประกอบการประเมิน |
| ข้อจำกัดสำคัญ | อาจไม่ครอบคลุมผู้ที่ไม่มีหรือมีประวัติสินเชื่อน้อย | มีประเด็นด้านคุณภาพข้อมูล ความเป็นส่วนตัว ความแตกต่างในการเข้าถึงข้อมูล และความเสี่ยงจากอคติ |
| บทบาทของ AI/ML | ใช้สนับสนุนการวิเคราะห์ข้อมูลเครดิตและการคาดการณ์ความเสี่ยง | ช่วยประมวลผลข้อมูลจำนวนมากและวิเคราะห์ความสัมพันธ์ที่ซับซ้อนของข้อมูลหลายรูปแบบ |
4. ความเป็นธรรมของอัลกอริทึม (Algorithmic Fairness)
แม้ปัญญาประดิษฐ์และอัลกอริทึมจะช่วยเพิ่มประสิทธิภาพและความแม่นยำในการประเมินสินเชื่อ แต่ “ความแม่นยำ” เพียงอย่างเดียวไม่สามารถรับประกัน “ความเหมาะสมและเป็นธรรม” ของการตัดสินใจได้ แบบจำลองทางสถิติมักมีธรรมชาติในการเรียนรู้และตอกย้ำอคติหรือความเหลื่อมล้ำที่มีอยู่เดิมในอดีต การพัฒนาระบบสินเชื่อในปัจจุบันจึงต้องพิจารณาประเด็นความเป็นธรรม ควบคู่ไปกับการบริหารความเสี่ยงอย่างไม่อาจหลีกเลี่ยงได้
4.1 แหล่งที่มาของอคติในกระบวนการพิจารณาสินเชื่อ
อคติในระบบสินเชื่อแทบจะไม่จำกัดอยู่เพียงความผิดพลาดของตัวอัลกอริทึม แต่แฝงตัวอยู่ในทุกกระบวนการ ตั้งแต่การกำหนดปัญหา การรวบรวมข้อมูล ไปจนถึงการเลือกตัวแปร ตัวอย่างที่พบได้บ่อยคือการเกิด ตัวแปรตัวแทน (Proxy Variables) แม้ผู้พัฒนาจะพยายามแก้ปัญหาโดยการตัดตัวแปรที่อ่อนไหวและสุ่มเสี่ยงต่อการเลือกปฏิบัติ เช่น เพศ หรือเชื้อชาติ ออกจากแบบจำลองแล้ว แต่ระบบปัญญาประดิษฐ์ก็ยังสามารถหาตัวแปรอื่นมาใช้เป็นตัวแทนเพื่อแบ่งแยกกลุ่มคนได้อยู่ดี เช่น พื้นที่อยู่อาศัย หรือพฤติกรรมดิจิทัล ซึ่งนำไปสู่การเลือกปฏิบัติทางอ้อม (Indirect Discrimination) กล่าวคือ ระบบดูเหมือนจะใช้เกณฑ์ที่เป็นกลาง แต่ผลลัพธ์กลับกีดกันหรือสร้างความเสียเปรียบแก่กลุ่มประชากรเปราะบางอย่างมีนัยสำคัญ
4.2 ระดับของอคติในระบบ AI ตามกรอบ NIST
สถาบันมาตรฐานและเทคโนโลยีแห่งชาติ สหรัฐอเมริกา (NIST) ได้จำแนกอคติในระบบ AI ออกเป็น 3 ระดับ ซึ่งสะท้อนความซับซ้อนในการแก้ไขปัญหา ดังนี้
4.2.1 อคติเชิงสถิติและการคำนวณ (Statistical & Computational Biases): เกิดจากความคลาดเคลื่อนของการสุ่มตัวอย่าง หรือข้อจำกัดของแบบจำลอง ซึ่งเป็นระดับที่สามารถตรวจสอบและแก้ไขได้ด้วยกระบวนการทางวิศวกรรมข้อมูล
4.2.2 อคติของมนุษย์ (Human Biases): เกิดจากสมมติฐาน การคัดเลือกข้อมูล และการตีความผลลัพธ์ที่แฝงอคติของผู้พัฒนาและผู้ใช้งาน
4.2.3 อคติเชิงระบบและสถาบัน (Systemic & Institutional Biases): เป็นอคติที่หยั่งรากลึกอยู่ในโครงสร้างสังคม บรรทัดฐาน และประวัติศาสตร์ความเหลื่อมล้ำทางเศรษฐกิจ ซึ่งไม่สามารถแก้ไขได้ด้วยการปรับแต่งอัลกอริทึมเพียงอย่างเดียว แต่ต้องอาศัยการแทรกแซงเชิงนโยบาย
4.3 ความท้าทายในการนิยามความเป็นธรรม
ประเด็นที่ท้าทายที่สุดสำหรับผู้กำหนดนโยบายคือการหาข้อสรุปว่าสิ่งใดคือ “ความเป็นธรรม” Prof. Galina Andreeva ได้ชี้ให้เห็นในงานสัมมนาว่า ปัจจุบันนิยามของความเป็นธรรมในทางคณิตศาสตร์ (Mathematical Fairness) มีมากกว่า 20 รูปแบบ ซึ่งหลายรูปแบบขัดแย้งกันเองโดยพื้นฐาน ทำให้เป็นไปไม่ได้เลยที่จะสร้างแบบจำลองที่ตอบโจทย์ความยุติธรรมทุกรูปแบบพร้อมกัน นอกจากนี้ ยังมีความขัดแย้งที่หลีกเลี่ยงไม่ได้ระหว่าง “การบริหารความเสี่ยงเพื่อรักษาเสถียรภาพทางกำไร” ของสถาบันการเงิน กับ “ความคาดหวังของสังคม” ที่ต้องการให้กลุ่มเปราะบางเข้าถึงสินเชื่อได้มากขึ้น
ดังนั้น ความเป็นธรรมทางการเงินในบริบทนี้จึงไม่ใช่การตั้งเป้าหมายเพื่อ “การอนุมัติสินเชื่อให้ทุกคนเท่ากัน” แต่ควรหมายถึง “การประเมินผู้กู้ตามศักยภาพและความสามารถทางการเงินที่แท้จริงโดยปราศจากการเลือกปฏิบัติอย่างไม่เหมาะสม”
4.4 เกณฑ์ความเป็นธรรมกับการบริหารความเสี่ยงสินเชื่อ
เมื่อไม่สามารถใช้คณิตศาสตร์สร้างความเป็นธรรมที่สมบูรณ์แบบได้ สถาบันการเงินและผู้กำกับดูแลจึงต้องเลือกใช้เกณฑ์ชี้วัดความเป็นธรรมที่สอดคล้องกับเป้าหมายเชิงนโยบาย โดยมีแนวทางหลัก 2 รูปแบบ ได้แก่
4.4.1 ความเสมอภาคของผลลัพธ์ (Demographic Parity): กำหนดให้อัตราการได้รับอนุมัติสินเชื่อของแต่ละกลุ่มประชากรมีความใกล้เคียงกัน แนวทางนี้ส่งเสริมความเท่าเทียมเชิงประจักษ์ แต่อาจขัดแย้งกับหลักการบริหารความเสี่ยงหากประชากรแต่ละกลุ่มมีความสามารถในการชำระหนี้ที่แตกต่างกันจริง 4.4.2 ความเสมอภาคของโอกาส (Equal Opportunity): กำหนดให้ผู้กู้ที่มี “ความสามารถในการชำระหนี้ใกล้เคียงกัน” ต้องมีโอกาสได้รับอนุมัติสินเชื่อเท่าเทียมกัน โดยไม่นำลักษณะเฉพาะของกลุ่มประชากรมาเป็นข้อกีดกัน แนวทางนี้ช่วยรักษาสมดุลระหว่างความเป็นธรรมและวินัยความเสี่ยงได้ดีกว่า
ตารางที่ 2 การเปรียบเทียบเกณฑ์ความเป็นธรรมและนัยต่อการประเมินความเสี่ยงสินเชื่อ
| มิติการพิจารณา | ความเสมอภาคของผลลัพธ์ (Demographic Parity) | ความเสมอภาคของโอกาส (Equal Opportunity) |
| เป้าหมายหลัก | ให้แต่ละกลุ่มมีอัตราการได้รับอนุมัติสินเชื่อในสัดส่วนที่ใกล้เคียงกัน | ให้ผู้กู้ที่มีความสามารถในการชำระหนี้ได้รับโอกาสในการอนุมัติอย่างเท่าเทียมกัน |
| จุดเน้น | ความเท่าเทียมของผลลัพธ์ระหว่างกลุ่มประชากร | ความเท่าเทียมของโอกาสสำหรับผู้ที่มีคุณสมบัติหรือความสามารถในการชำระหนี้ |
| ประโยชน์ | ช่วยลดความแตกต่างของอัตราการอนุมัติระหว่างกลุ่มและสะท้อนเป้าหมายด้านความเสมอภาค | ช่วยรักษาความเชื่อมโยงระหว่างการตัดสินใจให้สินเชื่อกับความสามารถในการชำระหนี้ |
| ความท้าทาย | อาจทำให้การอนุมัติสินเชื่อไม่สอดคล้องกับระดับความเสี่ยงที่แท้จริงของผู้กู้แต่ละกลุ่ม | อาจยังไม่สามารถแก้ไขความแตกต่างเชิงโครงสร้างที่ทำให้บางกลุ่มเข้าถึงสินเชื่อได้ยาก |
| นัยต่อแบบจำลองสินเชื่อ | ต้องกำหนดข้อจำกัดด้านความเท่าเทียมของผลลัพธ์ระหว่างกลุ่ม | ต้องตรวจสอบว่าแบบจำลองให้โอกาสแก่ผู้กู้ที่มีความสามารถในการชำระหนี้อย่างเป็นธรรม |
4.5 จุดสมดุลระหว่างความแม่นยำ ความเป็นธรรม และความเสี่ยง
การพัฒนาระบบประเมินสินเชื่อยุคใหม่ไม่ควรสุดโต่งไปที่ตัวชี้วัดใดเพียงด้านเดียว แต่ต้องมุ่งเน้นการบูรณาการองค์ประกอบทั้ง 4 มิติเข้าด้วยกัน ดังนี้
4.5.1 ความแม่นยำ (Accuracy): ความสามารถในการคาดการณ์ความเสี่ยงที่เชื่อถือได้ ซึ่งเป็นรากฐานของการบริหารความเสี่ยง ทว่าความแม่นยำเพียงอย่างเดียวไม่สามารถการันตีความเป็นธรรมได้
4.5.2 ความเป็นธรรม (Fairness): การตรวจสอบผลกระทบของระบบต่อกลุ่มคนต่างๆ อย่างเหมาะสม โดยไม่พยายามกดดันให้ทุกกลุ่มต้องเท่าเทียมกันจนสูญเสียหลักการบริหารความเสี่ยง
4.5.3 การบริหารความเสี่ยง (Risk Management): การประเมินให้สอดคล้องกับความสามารถในการชำระหนี้ที่แท้จริง เพื่อรักษาเสถียรภาพของผู้ให้สินเชื่อและระบบเศรษฐกิจโดยรวม
4.5.4 ความสามารถในการอธิบายผล (Explainability): ความโปร่งใสในการระบุเหตุผลเบื้องหลังการตัดสินใจ ซึ่งมีความสำคัญอย่างยิ่งยวดในการเปิดโอกาสให้ผู้กู้ตรวจสอบสิทธิของตน โดยเฉพาะเมื่อใช้ระบบ AI ที่ซับซ้อน
เป้าหมายสูงสุดของการพัฒนาระบบประเมินสินเชื่อ จึงไม่ใช่การดันทุรังทำให้ตัวชี้วัดด้านใดด้านหนึ่งมีค่าสูงที่สุด แต่คือการออกแบบสถาปัตยกรรมการตัดสินใจที่สามารถรักษาสมดุลระหว่าง 4 เสาหลักนี้ เพื่อให้ผลลัพธ์มีความเหมาะสม ตรวจสอบได้ และรับผิดชอบต่อสังคม
5. จากอัลกอริทึมสู่ระบบสินเชื่อที่มีความรับผิดชอบ
พัฒนาการของการประเมินความเสี่ยงสินเชื่อ ชี้ให้เห็นว่าการเปลี่ยนแปลงไม่ได้จำกัดอยู่เพียงความก้าวหน้าทางเทคโนโลยี แต่ยังหมายรวมถึงการยกระดับ “วิธีคิด” ในการตัดสินใจทางการเงิน จากเดิมที่มุ่งเน้นเพียงความแม่นยำของแบบจำลองเพื่อบริหารความเสี่ยง ปัจจุบันระบบสินเชื่อต้องคำนึงถึงผลกระทบต่อผู้กู้ และแสดงความรับผิดชอบเชิงสถาบันควบคู่กันไปอย่างหลีกเลี่ยงไม่ได้
5.1 จากความแม่นยำ สู่การตัดสินใจอย่างมีความรับผิดชอบ
แม้ความแม่นยำ (Accuracy) จะเป็นปัจจัยชี้ขาดคุณภาพสินเชื่อ แต่ความแม่นยำเพียงอย่างเดียวไม่สามารถรับรองความเป็นธรรมได้ ดังนั้น คำถามหลักในการบริหารสินเชื่อยุค AI จึงไม่ใช่เพียง “แบบจำลองคาดการณ์ความเสี่ยงได้แม่นยำเพียงใด” แต่ต้องตั้งคำถามเชิงนโยบายอย่างจริงจังว่า “ระบบถูกนำไปใช้อย่างเหมาะสม เป็นธรรม อธิบายได้ และมีผู้พร้อมรับผิดชอบต่อผลลัพธ์หรือไม่” ซึ่งเป็นแก่นแท้ของการตัดสินใจสินเชื่ออย่างมีความรับผิดชอบ (Responsible Decision-making)
5.2 โอกาสและข้อจำกัดของข้อมูลทางเลือกในบริบทไทย
สำหรับประเทศไทย ข้อมูลทางเลือก (Alternative Data) มีศักยภาพสูงในการทลายข้อจำกัดของประวัติเครดิตดั้งเดิม ช่วยให้กลุ่มคนที่มีข้อมูลจำกัดได้รับการประเมินอย่างครอบคลุมขึ้น โดยเฉพาะเมื่อนำมาผสานกับพลังของ AI อย่างไรก็ตาม การขยายแหล่งข้อมูลไม่ได้เท่ากับการลดความเสี่ยงเสมอไป ข้อมูลทางเลือกมาพร้อมกับความท้าทายด้านความเป็นส่วนตัว ความน่าเชื่อถือของตัวแปร และที่สำคัญที่สุดคือความเสี่ยงจากการเลือกปฏิบัติผ่านตัวแปรตัวแทน (Proxy Discrimination) การใช้ข้อมูลเหล่านี้จึงต้องอยู่ภายใต้กรอบการกำกับดูแลที่ตรวจสอบได้ และต้องชั่งน้ำหนักระหว่างประโยชน์ในการขยายการเข้าถึง กับผลกระทบเชิงลบที่อาจเกิดขึ้นต่อตัวผู้กู้
5.3 บทเรียนการกำกับดูแลจากสหรัฐอเมริกาและสหภาพยุโรป
แนวทางการกำกับดูแลในระดับสากล สะท้อนให้เห็นว่ายิ่งเทคโนโลยีมีความซับซ้อน ความรับผิดชอบของผู้ใช้งานก็ยิ่งต้องสูงตามไปด้วย
สหรัฐอเมริกา: สำนักงานคุ้มครองผู้บริโภคทางการเงิน (Consumer Financial Protection Bureau: CFPB) ให้ความสำคัญสูงสุดกับ “สิทธิในการรับคำอธิบาย” โดยระบุชัดเจนว่า แม้สถาบันการเงินจะใช้ AI หรือ ML ที่ซับซ้อนระดับใดก็ตาม หากการตัดสินใจนั้นส่งผลเสียต่อผู้ขอสินเชื่อ เช่น การปฏิเสธสินเชื่อ สถาบันการเงินยังคงต้องสามารถระบุเหตุผลที่เฉพาะเจาะจงและถูกต้องได้เสมอ (CFPB, 2022)
สหภาพยุโรป: ร่างกฎหมายกำกับดูแลปัญญาประดิษฐ์ (AI Act) ใช้แนวทาง “การกำกับดูแลตามระดับความเสี่ยง (Risk-based Approach)” โดยจัดให้ระบบ AI ที่ใช้ประเมินความน่าเชื่อถือทางเครดิต อยู่ในกลุ่ม “ระบบที่มีความเสี่ยงสูง (High-Risk AI Systems)” ซึ่งสะท้อนว่าเครื่องมือที่มีอิทธิพลต่อโอกาสในชีวิตของประชาชน จำเป็นต้องมีการตรวจสอบที่เข้มงวดเป็นพิเศษ
บทเรียนจากทั้งสองภูมิภาค ชี้ให้เห็นว่าเทคโนโลยีแบบ “กล่องดำ” ไม่อาจใช้เป็นข้ออ้างในการละเว้นความรับผิดชอบ (Accountability) ของสถาบันการเงินได้
5.4 นัยต่อการพัฒนาระบบนิเวศทางการเงินของประเทศไทย
ประเทศไทยกำลังเดินหน้าพัฒนาระบบการเงินดิจิทัลอย่างรวดเร็ว ผ่านนโยบายสำคัญ เช่น การธนาคารแบบเปิด (Open Banking) ซึ่งปูทางให้เกิดการแบ่งปันข้อมูลทางการเงินอย่างเป็นระบบ ระบบการพิสูจน์และยืนยันตัวตนทางดิจิทัล (NDID) รวมถึงการอนุญาตจัดตั้ง ธนาคารพาณิชย์ไร้สาขา (Virtual Bank) การเปลี่ยนแปลงเหล่านี้เอื้อให้เกิดการใช้ข้อมูลทางเลือกมาประกอบการพิจารณาสินเชื่ออย่างที่ไม่เคยมีมาก่อน เช่น ประวัติการชำระค่าน้ำ-ค่าไฟ
อย่างไรก็ตาม โอกาสเหล่านี้ต้องมาพร้อมกับการกำกับดูแลที่รัดกุม ธนาคารแห่งประเทศไทยได้เริ่มให้ความสำคัญกับการบริหารจัดการความเสี่ยงจากการใช้งาน AI โดยครอบคลุมตั้งแต่กระบวนการจัดเก็บข้อมูล การพัฒนาและทดสอบแบบจำลอง การตรวจสอบอคติ ไปจนถึงการอธิบายผลลัพธ์
ความท้าทายของไทยในระยะถัดไป คือการสร้างความเชื่อมั่นว่า กระบวนการตรวจสอบเหล่านี้จะไม่หยุดอยู่แค่ขั้นตอนก่อนใช้งาน (Pre-deployment) แต่ต้องมีการติดตามผลอย่างต่อเนื่อง (Post-deployment monitoring) นอกจากนี้ ต้องสร้างกลไกเชิงสถาบันที่เปิดโอกาสให้ผู้กู้สามารถรับทราบเหตุผล ตรวจสอบความถูกต้อง และขอให้มีการทบทวนผลการพิจารณาได้ โดยเฉพาะเมื่อผลลัพธ์จาก AI ขัดแย้งกับสถานะทางการเงินที่แท้จริง กลไกเหล่านี้จะช่วยเปลี่ยนผ่านระบบสินเชื่อไทยไปสู่กระบวนทัศน์ที่มีความรับผิดชอบอย่างแท้จริง
6. ข้อเสนอเชิงนโยบาย
การพัฒนาระบบประเมินสินเชื่อที่บูรณาการข้อมูลทางเลือกและปัญญาประดิษฐ์ จำเป็นต้องรักษาสมดุลระหว่างประสิทธิภาพในการขยายโอกาสทางการเงิน และการคุ้มครองผู้บริโภคจากอคติที่แอบแฝง บทความนี้จึงมีข้อเสนอเชิงนโยบายต่อหน่วยงานกำกับดูแลและสถาบันการเงิน ดังต่อไปนี้
6.1 การพัฒนาระบบธรรมาภิบาลข้อมูลและแบบจำลอง (Data and Model Governance)
หน่วยงานกำกับดูแลควรกำหนดมาตรฐานที่ชัดเจนในการจัดเก็บและนำข้อมูลมาใช้ โดยคำนึงถึงแหล่งที่มา ความถูกต้อง และความเกี่ยวโยง (Relevance) ของข้อมูลที่มีต่อความสามารถในการชำระหนี้อย่างแท้จริง นอกจากนี้ ต้องกำหนดให้มีการทบทวนและทดสอบแบบจำลอง (Model Validation) อย่างสม่ำเสมอ เนื่องจากพฤติกรรมทางเศรษฐกิจของผู้กู้ย่อมเปลี่ยนแปลงไปตามสภาวะแวดล้อม แบบจำลองที่เคยมีประสิทธิภาพในอดีตอาจไม่เหมาะสมกับบริบทในอนาคต
6.2 การกำกับการใช้ข้อมูลทางเลือกและการตรวจสอบความเป็นธรรม (Alternative Data & Fairness Audit)
ควรมีการจัดทำแนวปฏิบัติ (Guidelines) เพื่อกำหนดขอบเขตว่าข้อมูลทางเลือกประเภทใดมีความเหมาะสม และข้อมูลประเภทใดควรถูกจำกัดการใช้งานเพื่อป้องกันการเลือกปฏิบัติทางอ้อม (Indirect Discrimination) ผู้ให้สินเชื่อต้องจัดให้มีการตรวจสอบผลกระทบของแบบจำลอง (Impact Assessment) ที่มีต่อผู้กู้แต่ละกลุ่มประชากร ทั้งก่อนนำไปใช้งานจริง (Pre-deployment) และระหว่างการใช้งาน (Post-deployment) เพื่อค้นหาและแก้ไขอคติเชิงโครงสร้างอย่างทันท่วงที
6.3 การคุ้มครองสิทธิในการรับคำอธิบายตามระดับความเสี่ยง (Risk-based Explainability)
กระบวนการพิจารณาสินเชื่อต้องสามารถอธิบายตรรกะและเหตุผลสำคัญของการตัดสินใจได้ โดยเฉพาะในกรณีที่ผู้กู้ถูกปฏิเสธการให้สินเชื่อ สำหรับระบบ AI ที่มีความซับซ้อนสูง (Black-box models) การกำกับดูแลควรดำเนินไปตาม “ระดับความเสี่ยง (Risk-based Approach)” หากระบบดังกล่าวส่งผลกระทบต่อสิทธิในการเข้าถึงแหล่งเงินทุนอย่างมีนัยสำคัญ สถาบันการเงินจะต้องมีกลไกที่สามารถถอดรหัสผลลัพธ์ให้ผู้ใช้และผู้ได้รับผลกระทบเข้าใจได้อย่างโปร่งใส
6.4 การสร้างกลไกเยียวยาและทบทวนผลการพิจารณา (Human-in-the-loop Review Mechanism)
ผู้กำกับดูแลควรบังคับใช้กลไกที่เปิดโอกาสให้ผู้กู้สามารถตรวจสอบ สอบถาม และขอทบทวนผลการพิจารณาสินเชื่อได้ ในกรณีที่ผู้กู้พบว่าข้อมูลตั้งต้นไม่ถูกต้อง หรือผลการประเมินคลาดเคลื่อนจากสถานะทางการเงินที่แท้จริง การมีเจ้าหน้าที่มนุษย์เข้ามาแทรกแซงและพิจารณาซ้ำ (Human-in-the-loop) ในกรณีที่เกิดข้อโต้แย้ง จะช่วยยกระดับความรับผิดชอบของระบบสินเชื่อ และเป็นหลักประกันขั้นพื้นฐานในการคุ้มครองผู้บริโภคทางการเงิน
7. บทสรุป
วิวัฒนาการของการประเมินความเสี่ยงสินเชื่อได้ก้าวข้ามจากการพึ่งพาดุลยพินิจของมนุษย์ ไปสู่ยุคแห่งการประมวลผลข้อมูลทางเลือกด้วยปัญญาประดิษฐ์ ความก้าวหน้านี้เปิดโอกาสให้ผู้ที่มีประวัติเครดิตจำกัด (Thin File) สามารถเข้าถึงแหล่งเงินทุนได้กว้างขวางขึ้น อย่างไรก็ตาม การมีข้อมูลที่มหาศาลและเทคโนโลยีที่ล้ำสมัย ไม่ได้เป็นเครื่องการันตีถึงความเหมาะสมและความเป็นธรรมโดยอัตโนมัติ อคติยังคงสามารถแทรกซึมได้ในทุกขั้นตอน ตั้งแต่การเลือกตัวแปรไปจนถึงการแปลผลลัพธ์
ดังที่ Prof. Galina Andreeva ได้กล่าวไว้ แบบจำลองทางสถิติมักทำหน้าที่เพียง “ทำซ้ำอดีต (Replicate the past)” หากปราศจากการกำกับดูแลที่เหมาะสม ความเหลื่อมล้ำทางสังคมและอคติเชิงระบบที่มีอยู่ในอดีต จะถูกส่งผ่านและขยายผลต่อไปยังอนาคต ประเด็นสำคัญของการพิจารณาสินเชื่อในยุค AI จึงอยู่ที่การแสวงหาจุดสมดุลระหว่าง ความแม่นยำ (Accuracy) ความเป็นธรรม (Fairness) การบริหารความเสี่ยง (Risk Management) ความสามารถในการอธิบายผล (Explainability) และความรับผิดชอบ (Accountability)
สำหรับประเทศไทย การขยายโอกาสในการเข้าถึงสินเชื่อด้วยข้อมูลทางเลือกและนวัตกรรมทางการเงิน จะบรรลุผลสัมฤทธิ์ได้อย่างยั่งยืนก็ต่อเมื่อดำเนินการควบคู่ไปกับการคุ้มครองข้อมูลส่วนบุคคล การตรวจสอบความเป็นธรรม และการรับประกันสิทธิในการรับคำอธิบาย ท้ายที่สุดแล้ว กระบวนทัศน์ใหม่ของการประเมินสินเชื่อไม่สามารถพึ่งพาความสมบูรณ์แบบทางคณิตศาสตร์เพียงอย่างเดียวได้ แต่ต้องการพื้นที่สำหรับบทสนทนาเชิงสร้างสรรค์ (Constructive Dialogue) ระหว่างนักวิชาการ สถาบันการเงิน และหน่วยงานกำกับดูแล เพื่อร่วมกันหาข้อตกลงว่า เทคโนโลยีเหล่านี้จะถูกกำกับใช้อย่างไรให้ตอบโจทย์ทั้งเสถียรภาพทางเศรษฐกิจ และความยุติธรรมของสังคมอย่างแท้จริง
บรรณานุกรม
ธนาคารแห่งประเทศไทย. (2568a). แนวนโยบายธนาคารแห่งประเทศไทย เรื่อง การบริหารจัดการความเสี่ยงของการใช้งานระบบปัญญาประดิษฐ์. https://www.bot.or.th/content/dam/bot/fipcs/documents/FOG/2568/ThaiPDF/25680178.pdf
ธนาคารแห่งประเทศไทย. (2568b). บริการขอประวัติการใช้และชำระค่าน้ำ-ค่าไฟ. https://www.bot.or.th/th/financial-innovation/digital-finance/open-data/Your_Data_Project/utility-data.html
ธนาคารแห่งประเทศไทย. (2568c). ประกาศรายชื่อผู้ที่ได้รับความเห็นชอบจากรัฐมนตรีว่าการกระทรวงการคลังให้จัดตั้งธนาคารพาณิชย์ไร้สาขา (Virtual Bank). https://www.bot.or.th/th/news-and-media/news/news-20250619.html
ธนาคารแห่งประเทศไทย. (2569). รายชื่อผู้ให้บริการสินเชื่อส่วนบุคคลดิจิทัล. https://www.bot.or.th/th/financial-innovation/digital-finance/Digital-P-LoanProviders.html
Baiden, J. E. (2011). The 5 C’s of credit in the lending industry. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.1872804
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Schwartz, R., Vassilev, A., Greene, K. K., Perine, L., Burt, A., & Hall, P. (2022). Towards a standard for identifying and managing bias in artificial intelligence (NIST Special Publication 1270). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.1270
Thomas, L. C., Crook, J. N., & Edelman, D. B. (2017). Credit scoring and its applications (2nd ed.). Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611974560


นายมยูร บุญยะรัตน์
เศรษฐกรชำนาญการพิเศษ
ผู้เขียน
นายอดิศร หทัยรัตนา
หัวหน้าฝ่ายบริหารจัดการและเทคโนโลยี
ผู้เขียน
นางสาวพัชรพร บับพาน
นิสิตฝึกงานมหาวิทยาลัยเกษตรศาสตร์
ผู้เขียน
