Bankowość i Finanse | Technologie – NTT DATA | Jak wykorzystać potencjał, który drzemie w AI
Debaty na temat praktycznych aspektów sztucznej inteligencji nie mogło zabraknąć podczas tegorocznej, trzeciej już edycji wydarzenia Finance Day, organizowanego przez firmę NTT DATA dla reprezentantów sektora finansowego. W panelu, moderowanym przez przedstawicielkę organizatora Aleksandrę Porowską, uczestniczyli Katarzyna Tomczyk-Czykier, dyrektor Pionu Innowacji i Cyfryzacji Bankowości Detalicznej i Tribe Owner w Credit Agricole Banku Polska; Tomasz Kotecki, Managing Director, Strategy & Transformation w UNIQA Polska; Paweł Moniewski, Senior Solution Architect w AWS oraz Łukasz Jęczmiński, Senior Solutions Manager Cloud & Data Center w NTT DATA.
Jakość danych to klucz do sukcesu
Medialnej popularności AI towarzyszy wydłużanie się listy praktycznych rozwiązań, bazujących na niej. Perspektywa skalowania generatywnej sztucznej inteligencji skłania tymczasem do refleksji nad etyczno-moralnym aspektem wykorzystania AI, czy też utrzymaniem wysokiego poziomu bezpieczeństwa, zauważyła Katarzyna Tomczyk Czykier. I dodała, iż na chwilę obecną jedynie część ryzyk związanych z użyciem AI na rynku finansowym uznać można za akceptowalne. Wśród wyzwań dla branży bankowej czy ubezpieczeniowej na pierwsze miejsce wysuwa się jakość danych.
Tomasz Kotecki zwrócił uwagę, iż w sektorze finansowym wykorzystanie danych koncentrowało się w określonych obszarach, jak sprawozdawczość, czy silniki decyzyjne, będące wbrew pozorom rozwiązaniem dość prostym, w pozostałych dziedzinach nie było dotąd nacisku na tę kwestię. – Jeżeli chcemy teraz budować modele generatywnej sztucznej inteligencji, to bardzo szybko możemy rozbić się o niewystarczającą jakość danych – dodał przedstawiciel UNIQA.
Innym problemem może być brak kompetencji odnośnie wykorzystania AI w środowisku biznesowym, czy też konieczność spełnienia wymogów regulacyjnych. – Skuteczna operacjonalizacja polegałaby na tym, żeby od razu świadomie budować ekosystem, w którym inwestujemy w dane i zaczynamy dbać o ich jakość od momentu wprowadzania danych do systemu, a równocześnie inwestujemy mądrze w rozwój kompetencji. (…) Ważne, żebyśmy szukali, w jaki sposób te implementacje mogą wspierać cele finansowe czy strategiczne spółek, w których pracujemy – dodał Tomasz Kotecki.
Z kolei Paweł Moniewski zwrócił uwagę na ryzyko płynące z niereprezentatywności danych, gdzie niektóre aspekty byłyby szczególnie uwypuklone, a o innych brakowałoby odpowiednich informacji. Użycie takowych zasobów może sprawić, iż powstały model nie będzie należycie odzwierciedlać rzeczywistości. Dlatego warto ograniczać pokusę bezrefleksyjnej implementacji nowinek technologicznych, bez przeanalizowania ich wpływu na funkcjonowanie biznesu, twierdził Łukasz Jęczmiński. Ważna jest też troska o utrzymanie higieny modeli sztucznej inteligencji, bez tego bowiem będą one ulegać stopniowej degradacji. Do tego wszystkiego dochodzi czynnik ludzki, a konkretnie opór przed zmianą. – Musimy stworzyć bezpieczne warunki i odpowiednią kulturę organizacyjną, żeby ludzie po prostu się tego nie bali – podsumował przedstawiciel NTT DATA.
Przełom na miarę internetu?
Tymczasem AI nie zawsze odbierana jest przez załogę w kategoriach zagrożenia. Katarzyna Tomczyk-Czykier zwróciła uwagę, iż w wielu przypadkach pracownicy sami domagają się wdrażania rozwiązań bazujących na sztucznej inteligencji, tymczasem, zwłaszcza w sektorze finansowym, nie jest to takie proste – trzeba rozpoznać wszelkie ryzyka z tym związane i ocenić zgodność z obowiązującymi regulacjami. Dlatego decyzje odnośnie wdrażania AI w poszczególnych obszarach powinny być podejmowane z poziomu zarządu, zapewniała przedstawicielka Credit Agricole Banku Polska. Wskazała także, iż GenAI nie jest panaceum na wszystkie problemy; np. machine learning znacznie lepiej sprawdza się choćby w scoringach i ocenie ryzyka. – Z tego punktu widzenia na pewno patrzymy, jaką technologię mamy zastosować do jakich wyzwań – dodała Katarzyna Tomczyk–Czykier.
Tomasz Kotecki zauważył, że wejście AI na rynek na tak szeroką skalę stanowi przełom na miarę upowszechnienia się komputerów osobistych czy internetu. To zaś stwarza niepowtarzalną szansę na budowę kultury innowacyjności u wszystkich pracowników, zwłaszcza że sami zatrudnieni chcą się angażować w projekty AI. Paweł Moniewski nawiązał do różnic w zastosowaniu algorytmów machine learning i generatywnej AI. Te pierwsze pozwalają skuteczniej rozwiązywać znane i dobrze zdefiniowane problemy, można się też spodziewać, że ich rozwój będzie mieć charakter ewolucyjny, zwiększając poziom automatyzacji.
Całkiem inny charakter ma generatywna AI, która może się okazać game changerem. Przedstawiciel AWS zwrócił uwagę na rosnące zainteresowanie największych graczy na rynku tzw. systemami agentowymi. W tym kontekście kluczowego znaczenia nabiera podejście do edukacji kadr, by dotrzymały kroku tak dynamicznym i diametralnym zmianom. – Zarówno my osobiście, jak i całe organizacje, musimy wejść w tryb ustawicznej nauki. To musi być ciągłe doszkalanie, trzymanie ręki na pulsie i zmiana kultury organizacyjnej – podkreślił Łukasz Jęczmiński.
Tworząc projekty AI, pamiętajmy o wizji długookresowej
W jaki sposób przekonać władze instytucji finansowej do wdrażania AI w praktyce? W przypadku Credit Agricole Banku Polska taką przesłanką okazał się hackathon zorganizowany we współpracy z jednym z partnerów i poprzedzony przez dni generatywnej sztucznej inteligencji. – Próbowaliśmy ludzi zainspirować, żeby wygenerować pomysły. Potem skrupulatnie je zbieraliśmy na platformie do obróbki pomysłów i zdarzeń. Następnie daliśmy możliwość zagłosowania, czyli próbowaliśmy skalować zainteresowanie tym tematem. Na końcu we współpracy z reprezentantami zarządu wybraliśmy listę pomysłów i zapewniliśmy zespołom wsparcie i budżet – zauważyła Katarzyna Tomczyk-Czykier.
Zwycięskim projektem okazał się model budowania podpowiedzi i tekstów do prostego języka. – Uważamy, że element skomplikowania kanałów digital rośnie, na co klienci oficjalnie wskazują. Mówienie prostym językiem jest czymś, co pomaga nam w lepszej komunikacji i edukacji klienta. Tym samym językiem staramy się mówić we wszystkim kanałach – dodała przedstawicielka Credit Agricole Banku Polska. Zespół przygotowujący to narzędzie wykazał się szczególnie profesjonalnym podejściem do tematu, prezentując m.in. kontekst i skalę przedsięwzięcia, uwzględniając też względy kosztowe.
Nieco inną drogą, acz prowadzącą do tego samego celu, poszła UNIQA. – Zidentyfikowaliśmy kilkadziesiąt case’ów. Wybraliśmy pierwszy taki, który ma niskie ryzyko regulacyjne, ale jest zarazem uniwersalny. Chodzi o rozwiązanie, które w przypadku jakiejś wątpliwości pozwala konsultantom klienta na infolinii zadać pytanie do czata i dostać szybką odpowiedź, zamiast skanować setki stron różnych instrukcji – zaznaczył Tomasz Kotecki. Zauważył, iż chcąc przekonać decydentów do realizacji projektu AI, należy stworzyć wizję długookresową i na niej zbudować biznes case, w odniesieniu do tego, co akurat jest wskaźnikiem strategicznym w firmie, a następnie zeskalować w dół, do poziomu proof of concept.
Należy jednak pamiętać o tym, by – jak to przypomniał Paweł Moniewski – wykorzystywać do budowy modeli jedynie dane wysokiej jakości i o charakterze reprezentatywnym. Posłużenie się zasobami, w których występuje nadreprezentacja lub odwrotnie niedoreprezentacja określonych zjawisk prowadzić może nie tylko do nieskuteczności modeli, ale też do wydawania przez nie wniosków krzywdzących bądź nieetycznych. – Trzeba się bardzo mocno zastanowić, z jakich danych powinniśmy tą potencjalną wiedzę serwować – dodał reprezentant AWS.
