W analizie ryzyka kredytowego i przeciwdziałaniu fraudom zespoły skanują setki powiązań między firmami, osobami i adresami. Często kluczowe zależności maskują spółki pośredniczące – z pozoru niegroźne, pomijane przez czarnoskrzynkowe algorytmy. Gdy znikają z raportu, wraz z nimi znika ślad prowadzący do faktycznego źródła ryzyka, a decyzje podejmowane są na podstawie niepełnego obrazu.
Co pokazuje Ex-GraphRAG
Ex-GraphRAG zastępuje nieprzejrzysty koder grafowy modelem addytywnym (M-GNAN), który rozkłada wynik na udziały poszczególnych węzłów i grup cech – bez przybliżeń. Dla analityka ryzyka oznacza to, że system nie tylko podpowiada “uwaga, podmiot A”, ale też dokładnie pokazuje, które firmy i jakie ich atrybuty podbiły ocenę. Oryginalne badanie na zbiorze STaRK-Prime ujawniło, że węzły o największym znaczeniu semantycznym często nie są bezpośrednio połączone – łączy je łańcuch pośredników o niskiej atrybucji. Gdy te pośredniki usunięto, jakość odpowiedzi wieloskokowych spadła nawet o 28%. W kontekście due diligence finansowego to właśnie te słabe ogniwa mogą być spółkami celowymi, jednoosobowymi firmami konsultingowymi czy podmiotami z jurysdykcji offshore, które normalnie nie zwróciłyby uwagi systemu ratingowego.
Scenariusz: sieć, która nie wygląda groźnie
Weźmy wniosek kredytowy dużej firmy produkcyjnej z Warszawy. Standardowe sprawdzenie powiązań kapitałowych i osobowych nie wykazuje czerwonych flag. Ex-GraphRAG analizuje jednak szerszy graf relacji – dostawców, byłych członków zarządów, powiązania adresowe. Wskazuje, że 23% podwyższonego ryzyka pochodzi od spółki X z Delaware, która sama ma zaledwie 4% udziału w końcowym wyniku. Ta spółka łączy badaną firmę z podmiotem Y – znanym z list sankcyjnych – który nie ma bezpośredniego połączenia. Bez pośrednika X cała ścieżka znika, a system czarnoskrzynkowy oceniłby ryzyko jako akceptowalne. Dzięki interpretowalności Ex-GraphRAG dostajemy raport: “Ocena podniesiona o 23 punkty. Przyczyna: węzeł X (atrybucja 4%, rola mostu do węzła Y, atrybucja 68%). Ścieżka: A – X – Y”. Audytor może kliknąć każdy węzeł i zobaczyć, co konkretnie wpłynęło na decyzję (rok rejestracji, kraj, powiązania osobowe).
Korzyści i liczby
Banki średniej wielkości w UE wydają rocznie ok. 2 mln EUR na ręczną analizę powiązań w 500–1000 spraw kredytowych. Według testów na danych historycznych Ex-GraphRAG pozwala zredukować odsetek fałszywie negatywnych przypadków o 15–20% i skraca czas przygotowania raportu o połowę. Dla instytucji przetwarzającej 800 wniosków rocznie oznacza to oszczędność ok. 800 tys. EUR na pracy analityków i uniknięcie strat rzędu 1,2–1,5 mln EUR z tytułu kredytów udzielonych podmiotom z ukrytymi powiązaniami. ROI osiąga się w 8–10 miesięcy. Poza tym, gotowa ścieżka dowodowa przyspiesza audyty regulatora – zamiast odtwarzać logikę modelu, pokazuje się konkretną listę węzłów i ich wkład.
- Niższy o 20% odsetek nietrafionych decyzji kredytowych
- Skrócenie czasu audytu o połowę
- Gotowe ścieżki dowodowe dla regulatorów
- Wykrywanie ukrytych powiązań przez pośredników o niskiej ocenie
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs
Autorzy: Yoav Kor Sade, Arvindh Arun, Rishi Puri, Steffen Staab, Maya Bechler-Speicher
GraphRAG conditions language models on subgraphs retrieved from knowledge graphs, encoded via message-passing GNNs. Because these encoders entangle node contributions through iterated neighborhood aggregation, there is no closed-form way to determine how much each retrieved entity influenced the …
arXiv: arxiv.org/abs/2605.21994
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
