本欄上兩期闡述消費信貸的投資優勢及與傳統債類資產，如物業按揭，的回報和風險比較；不少讀者對消費信貸的前景及投資程序感興趣。他們更詢問消費信貸的金額較細，若每宗貸款進行盡職調查，所涉及的人力成本相當沉重；究竟這問題應如何處理。筆者認為此提問有見地，於是將在以下篇幅說明如何挑選消費信貸，關鍵就是運用人工智能。
以美國為例，相對物業按揭金額每宗動輒十幾萬美元至幾百萬美元，消費信貸每宗3,000至20,000美元，顯得較為零碎。消費信貸屬大批量業務；若每宗借貸都用人力審批，其營運便變得非常勞力密集。故此，傳統銀行過去20多年來，皆以評分表機制評估借貸申請人的財務狀況；評估基準約10至15項，主要包括收入、家庭負擔、住址、學歷、工作性質、拖欠記錄等。其實美國公開的的個人徵信系統資料庫（credit bureau），所包含的資訊遠比10-15項多，但是銀行傳統上一般只挑選最相關的項列。銀行以此機制建構風險模塊，並把貸款申請人分類，信貸評級越高，獲批貸款機會越大。
過去幾年隨著人工智能的崛起，消費信貸的風險評估可以做得更仔細。相對傳統銀行的十多項常用評估基準，人工智能卻能以合理成本從個人徵信資料庫及大數據深入發掘成千上萬的個人及行業的借貸屬性，並綜合出多項的借貸評估基準。其實，這些資料過去存在多年，但卻未被善用；因為以人力開發以大量資料來建構風險評估理論上是可行的，但所涉及的開支卻是相當龐大。
人工智能更可進一步模擬貸款經理的思維，及以個人信貸紀錄及大數據為基礎，作出判斷，務求令評級參數更能精準地反映每位借款人的財務狀況；由於人工智能的風控模塊用上了更多的參數，所以對於借貸人的風險評估可以做得更精準。
除了在個人信用狀況上的分析，人工智能更可以在篩選過程中加進宏觀經濟數據，如不同州份的失業率，並評估借款人過去多年的負債比率變化、家庭負擔和過去搬家次數或轉工等個人資料，這更有利於細化不同借款人的風險評估。例如，即使兩個借款人的收入一樣、工作類似，一位居於新罕布什爾州，當地今年3月的失業率為2.6%；而另一位住在失業率高達6.6%的新墨西哥州。前者的風險會較低。同樣，如果有兩位借貸人的背景、工作一樣，但一位的負債水平三年都處近似比率，但另一位卻於過去一年急升；負債水平穩定的一位風險亦會較低。這樣細緻的分析只有通過人工智能才能夠快而準又便宜地分析出來。
人工智能除了可以在低成本下增加評估參數以提升評估能力外，另一特點是它會自我學習，從而提升風險評估能力。例如，去年遇到颶風衝擊後的德州，有比較多借貸人有短暫的過期還款記錄。人工智能可以馬上監測出德州有較多的過期還款記錄而提高對德州借貸人的借貸要求。而且，由於人工智能可以監測到過期還款的人都集中在災區周邊，所以它可以只針對災區周邊的信貸提高信貸要求，而並非一刀切把整個德州的借貸人都歸入高危一類。 由於人工智能的自我學習能力強勁及靈敏度高，亦能每天更新借貸組合內每宗借貸的最新財務狀況，所以風險評估可以做到更精準及更及時。
總結而言，人工智能對挑選優質消費信貸非常重要，因為其分析大數據的強大能力有助信貸分析更細化，從而減低拖欠、壞賬風險及提高金融機構的股本和資產回報率。
