ফাইন্যান্সে AI এথিক্স — ক্রেডিট স্কোরিং ও অ্যালগরিদমিক ট্রেডিং

১ · AI ক্রেডিট স্কোরিং — প্রতিশ্রুতি ও নতুন ঝুঁকি

ঐতিহ্যবাহী ক্রেডিট স্কোরিং মূলত ঋণ-পরিশোধের ইতিহাসের উপর নির্ভর করে — যাদের কখনো আনুষ্ঠানিক ঋণ নেওয়ার সুযোগ হয়নি (প্রায়ই "থিন-ফাইল" আবেদনকারী বলা হয়), তাদের জন্য এই পদ্ধতি কার্যত অদৃশ্য। AI/ML-ভিত্তিক "বিকল্প-ডেটা" স্কোরিং মডেল ইউটিলিটি-বিল পরিশোধ, মোবাইল-রিচার্জ প্যাটার্ন, বা অন্যান্য অ-প্রথাগত সিগন্যাল ব্যবহার করে এই জনগোষ্ঠীকেও স্কোর করার প্রতিশ্রুতি দেয় — আর্থিক অন্তর্ভুক্তি বাড়ানোর একটি বাস্তব সম্ভাবনা। কিন্তু L01 ও M3/L09-এর মূল যুক্তি এখানেও প্রযোজ্য: এই "বিকল্প" ফিচারগুলো নিজেরাই সামাজিক-অর্থনৈতিক অবস্থান বা অন্য কোনো সুরক্ষিত বৈশিষ্ট্যের প্রক্সি হয়ে উঠতে পারে — পুরনো বৈষম্যকে একটি নতুন, কম স্বচ্ছ রূপে পুনরুৎপাদন করার ঝুঁকি নিয়ে আসে।

২ · একটি সত্যিকারের হিসাব — থিন-ফাইল বনাম থিক-ফাইল

নিচের কোড সেলে M3/L10-এর ফেয়ারনেস-মেট্রিক্স ক্যালকুলেটর প্যাটার্নটি একটি ক্রেডিট-স্কোরিং দৃশ্যে প্রয়োগ করা হয়েছে — সিন্থেটিক ডেটা, কোনো বাস্তব ব্যাংক বা ঋণদাতা প্রতিষ্ঠান নয়। দুটি গ্রুপ: "থিক-ফাইল" (দীর্ঘ প্রথাগত ক্রেডিট ইতিহাস আছে) ও "থিন-ফাইল" (স্বল্প প্রথাগত ইতিহাস, বিকল্প-ডেটার উপর বেশি নির্ভরশীল)। predicted_positive মানে "ঋণ অনুমোদিত (কম-ঝুঁকি হিসেবে প্রেডিক্টেড)", actual_positive মানে "প্রকৃতপক্ষে ঋণ পরিশোধ করতেন"।

# সিন্থেটিক, ইলাস্ট্রেটিভ উদাহরণ -- কোনো বাস্তব ব্যাংক বা ঋণদাতা প্রতিষ্ঠান নয়

def make_group(tp, fp, fn, tn):
    records  = [{"predicted_positive": True,  "actual_positive": True}]  * tp
    records += [{"predicted_positive": True,  "actual_positive": False}] * fp
    records += [{"predicted_positive": False, "actual_positive": True}]  * fn
    records += [{"predicted_positive": False, "actual_positive": False}] * tn
    return records

# থিক-ফাইল: দীর্ঘ প্রথাগত ক্রেডিট ইতিহাস (n=100)
thick_file = make_group(tp=40, fp=8, fn=7, tn=45)
# থিন-ফাইল: স্বল্প প্রথাগত ইতিহাস, বিকল্প-ডেটা-নির্ভর স্কোরিং (n=100)
thin_file  = make_group(tp=25, fp=8, fn=22, tn=45)

def fairness_metrics(records):
    n = len(records)
    pred_pos   = [r for r in records if r["predicted_positive"]]
    actual_pos = [r for r in records if r["actual_positive"]]
    actual_neg = [r for r in records if not r["actual_positive"]]

    approval_rate = len(pred_pos) / n   # ডেমোগ্রাফিক প্যারিটি -- কত শতাংশ অনুমোদিত হলো

    fp  = len([r for r in actual_neg if r["predicted_positive"]])
    fpr = fp / len(actual_neg) if actual_neg else 0.0

    fn  = len([r for r in actual_pos if not r["predicted_positive"]])
    fnr = fn / len(actual_pos) if actual_pos else 0.0   # যোগ্য (পরিশোধকারী) হয়েও ভুলভাবে প্রত্যাখ্যাত হওয়ার হার

    calibration = (len([r for r in pred_pos if r["actual_positive"]]) / len(pred_pos)) if pred_pos else 0.0

    return {"n": n, "approval_rate": approval_rate, "fpr": fpr, "fnr": fnr, "calibration": calibration}

for name, group in [("থিক-ফাইল", thick_file), ("থিন-ফাইল", thin_file)]:
    m = fairness_metrics(group)
    print(f"{name}  (n={m['n']})")
    print(f"  অনুমোদনের হার (ডেমোগ্রাফিক প্যারিটি): {m['approval_rate']*100:.1f}%")
    print(f"  False Positive Rate:                {m['fpr']*100:.1f}%")
    print(f"  False Negative Rate:                {m['fnr']*100:.1f}%")
    print(f"  ক্যালিব্রেশন (অনুমোদিতদের মধ্যে):     {m['calibration']*100:.1f}%")
    print()

৩ · অ্যালগরিদমিক ট্রেডিং — একটি ভিন্ন প্রকৃতির ঝুঁকি

অ্যালগরিদমিক (বা হাই-ফ্রিকোয়েন্সি) ট্রেডিং সিস্টেম মানুষের চেয়ে অনেক দ্রুত গতিতে বাজার-সিগন্যালের উপর ভিত্তি করে ট্রেড কার্যকর করে। এখানে মূল নৈতিক উদ্বেগ ব্যক্তি-স্তরের ফেয়ারনেস নয় — বরং সিস্টেমিক ঝুঁকি: যদি অনেক স্বতন্ত্র প্রতিষ্ঠানের ট্রেডিং অ্যালগরিদম একই ধরনের সিগন্যালে একইভাবে প্রতিক্রিয়া জানাতে "শেখে" (করিলেটেড স্ট্র্যাটেজি), তাহলে একটি বাজার-মুভমেন্টের প্রতিক্রিয়ায় তারা প্রায় একই সময়ে একই দিকে (যেমন একযোগে বিক্রি) সাড়া দিতে পারে — যা একটি সাধারণ মূল্য-সংশোধনকে দ্রুত, অতিরিক্ত অস্থিরতায় পরিণত করতে পারে। এটি নিয়ন্ত্রক ও আর্থিক অর্থনীতিবিদদের মধ্যে একটি সুপরিচিত, ব্যাপকভাবে আলোচিত সাধারণ উদ্বেগ — এখানে উদ্দেশ্য কোনো নির্দিষ্ট ঐতিহাসিক "ফ্ল্যাশ ক্র্যাশ"-জাতীয় ঘটনার একক বিতর্কিত কারণ চিহ্নিত করা নয়, বরং করিলেটেড স্বয়ংক্রিয় সিদ্ধান্ত-গ্রহণের একটি সাধারণ, কাঠামোগত ঝুঁকি ব্যাখ্যা করা।