Leerstoel BNP Paribas Fortis: research for a changing world

De wereld kent de laatste jaren razendsnelle economische veranderingen. Beleidsmakers moeten daarom steeds vaker en sneller ingrijpen. Deze beslissingen maken, evalueren en herzien met halve of geen actuele inzichten is echter onbegonnen werk. Banken zitten aan de bron van de economische activiteit aangezien ze een groot deel van de economische transacties rechtstreeks verwerken. Bijgevolg zouden deze transactiedata na volledige anonimisering gebruikt kunnen worden om een goede inschatting te maken van, bijvoorbeeld, de nationale groei- en inflatiecijfers vooraleer ze officieel bekend zijn. Professor Schoors verwijst naar deze oefening als ‘preplication’, het repliceren van nationale cijfers vooraleer ze gepubliceerd worden door de nationale instanties. Deze leerstoel is opgericht om, binnen een strikt compliance-kader, te onderzoeken hoe de maatschappelijke impact van inzichten uit volledig geanonimiseerde bankdata positief kan versterkt worden.

DOELSTELLINGEN

Drie grote uitdagingen
Om van geanonimiseerde individuele transacties tot maatschappelijk relevante en bruikbare inzichten te komen is er echter een transparante aanpak nodig. Machinelearningtechnieken halen efficiënt verbanden uit grote volumes data, maar er zijn drie grote uitdagingen bij het toepassen ervan om beleidsbeslissingen te ondersteunen. Deze uitdagingen vormen de focus van het onderzoek dat de leerstoel sponsort.


De eerste uitdaging is dat de flexibiliteit van deze technieken om zeer complexe verbanden te vatten vaak ten koste gaat van de interpreteerbaarheid van de resultaten. Dit terwijl het voor beslissingen net cruciaal is om goed te weten waarom een voorspelling wordt gemaakt door het model, om zo te waarborgen dat de beslissingen op correcte basis worden genomen.


De tweede uitdaging is dat beleidsbeslissingen interventies voorschrijven met een bepaald doel voor ogen (bijvoorbeeld subsidies om kansarmen te helpen). Maar machinelearning is voornamelijk gefocust op het vinden van observationele verbanden en deze zeggen niet per se veel over het doel van een interventie. Zo kan machinelearning voorspellen dat als er veel ijsjes verkocht worden, dit een goeie indicatie is dat er veel bosbranden zullen zijn. Maar een beleidsmaker die bosbranden wil bestrijden door ijsjesfabrieken te sluiten zal daarmee natuurlijk weinig effectief zijn.


De derde uitdaging is dat de data die nodig zijn om de inzichten te creëren waarmee beleidsmakers de bevolking beter kunnen helpen, niet zomaar gedeeld kunnen worden. Al het onderzoek van de leerstoel wordt daarom gedaan binnen een strikt compliance-kader, binnen de beveiligde systemen van BNP Paribas Fortis, en enkel na goedkeuring van een strikt juridisch en ethisch proces. En zelfs na deze stappen wordt er alleen naar strikt geanonimiseerde data gekeken waaruit alle privacygevoelige persoonlijke kenmerken zijn verwijderd.

SCHENKER(S)

BNP Paribas Fortis

PERIODE

2022-2024

PROMOTOR

Prof. Koen Schoors