Bankowość i Finanse | Technologie – SAS Institute | Wykorzystanie AI w finansach – nie taki diabeł straszny…

Łukasz Libuda
Customer Advisory Manager, Risk Practice, SAS Polska

Postęp technologiczny pozwala na szybsze włączenie procesów sztucznej inteligencji (Artificial Intelligence – AI) i modeli uczenia maszynowego (Machine Learning – ML) do standardowych procesów realizowanych przez instytucje finansowe w celu optymalizacji procesów decyzyjnych. Zastępują one dziś tradycyjne metody uczenia maszynowego, które były dość łatwe do zrozumienia i interpretacji, ale jednocześnie obarczone niższą skutecznością. Zastosowanie AI to „must have” dla nowoczesnych banków i instytucji ubezpieczeniowych, a także operatorów telekomunikacyjnych, instytucji publicznych, sektora ochrony zdrowia czy przemysłu. Instytucje finansowe, które świadomie lub nieświadomie nie wykorzystują potencjału AI, ryzykują dziś pozostanie w tyle za konkurencją, która podejmuje strategiczne decyzje w oparciu o systemy analityczne wspierane AI.

Fala wykorzystania AI już się pojawiła – kto wykorzysta, ten zarobi

Wykorzystanie sztucznej inteligencji zmienia branżę finansową, a wymienione poniżej czynniki istotnie wpłynęły na zwiększenie potencjału jej zastosowań:

1) Dane Big Data – od wielu lat były sukcesywnie gromadzone przez instytucje finansowe, jednak ich potencjał nie mógł być zmonetyzowany.
2) Mechanizmy uczenia maszynowego – choć data mining nie jest nowym pojęciem i ma swoje szerokie zastosowanie w branży finansowej od lat, to dopiero nowoczesne metody analityczne (nadzorowane i nienadzorowane) rozszerzają wachlarz podejść oraz metodyk stosownych przez analityków/developerów i pozwalają wzbogać procesy modelowania analitycznego.
3) Moc przetwarzania i infrastruktura technologiczna – nowoczesna technologia in-memory (przetwarzanie w pamięci RAM) skraca znacząco proces modelowania i pozwala wykorzystać wymagające techniki AI. Dzięki temu czas opracowywania i wdrażania modeli analitycznych uległ skróceniu do minimum.

Wielu z nas AI kojarzy się z robotami, chatbotami i innymi „maszynami”, które ucząc się na danych historycznych, wspierają procesy wykonywane przez ludzi. Jest to jedno z zastosowań, ale należy pamiętać, że techniki AI to zestaw narzędzi do budowy docelowych rozwiązań na nich opartych. Sztuczna inteligencja stanowi zestaw algorytmów „toolbox”, które po skonfigurowaniu w odpowiedni sposób dają oczekiwany efekt.

Zatem techniki sztucznej inteligencji stanowią trzon rozwiązań AI, które wspierają nowoczesne procesy biznesowe i decyzyjne w wielu różnych obszarach i wielu branżach. W obszarze zarządzania ryzykiem warto wyróżnić przede wszystkim:

• Chatboty jako wsparcie procesów w zakresie ryzyka kredytowego, wnioskowania o limit, autoryzacji użytkowników.
• Rozpoznawanie obrazów (np. z Social Media) w celu usprawnienia procesów w obszarach zarządzania ryzykiem, wykrywania nadużyć i windykacji.
• Przegląd i ocena dokumentów lub obrazów np. w celu weryfikacji zabezpieczeń kredytowych.
• Wycena aktywów, nieruchomości, szkód z wykorzystaniem technik analizy obrazów.
• Ciągły automatyczny monitoring standingu kredytowego na bazie ustrukturyzowanych i nieustrukturyzowanych danych.
• Zaawansowana analiza zachowań klientów, prognozowanie transakcji.
• Systemy wczesnego ostrzegania (wraz z mechanizmem stress testów) na bazie strumienia transakcji.
• Oczekiwania a rzeczywistość
• Skoro sztuczna inteligencja jest tak dobra i tak „mądra”, wielu z nas oczekuje, iż bez względu na wszystko zastosowanie AI przyniesie gwarantowany sukces. Jednak założenie, że AI automatycznie i magicznie rozwiąże wszystkie nasze problemy nie ma odzwierciedlenia w rzeczywistości. Przykładów i sytuacji, w których chatboty i automaty sterowane AI podejmowały decyzje dziwne lub nawet nieodpowiednie, obrażając użytkowników, można przytoczyć wiele. Pamiętamy również przypadki wykorzystania AI w celach regulacyjnych, np. Black Rock, gdzie nawet potencjalnie najlepszy model analityczny zbudowany przy wykorzystaniu sztucznej inteligencji musiał zostać odłożony na półkę, gdyż nie można było zrozumieć sposobu jego działania.

Gdy pokonamy wyzwania, AI zapewni nową jakość

SAS wspólnie z GARP przeprowadził ankietę „Artificial intelligence in banking and risk management survey”, której wyniki jednoznacznie wskazują, iż AI pomaga w wielu obszarach, takich jak zawansowane prognozowanie zachowania klientów, credit scoring, optymalizacja procesów decyzyjnych czy lepsza segmentacja klientów. Ponad 80% respondentów twierdzi, iż widzi wyraźne korzyści z jej zastosowania, w tym przede wszystkim związane z automatyzacją procesów (efektywność, redukcja kosztów, ograniczenie ryzyka błędów ludzkich), możliwością wykorzystania zaawansowanej analityki (uwzględnienie większych wolumenów danych, wykorzystanie nowych typów danych np. dane nieustrukturyzowane, tekst, obraz, dźwięk), zwiększoną dokładnością modeli oraz szybszym wykonaniem modelu – krótszy time-to-market.

1.https://www.sas.com/en/whitepapers/artificial-intelligence-banking-risk-management-110277.html

Aby tak się stało, należy stawić czoła wielu wyzwaniom i dobrze przygotować się do realizacji projektu. Wśród głównych czynników sukcesu wyróżnić należy:

1) Dostępność i jakość danych – Amerykanie mówią „garbage in, garbage out” i to powiedzenie znajduje zastosowanie również w naszym temacie – jeżeli algorytmów AI nie „nakarmimy” surowymi, ale o odpowiedniej jakości danymi, które nie są sztucznie spreparowane, sukces może nie być taki oczywisty. Co więcej pamiętamy o RODO i zgodach klientów na wykorzystanie danych profilowania!
2) Interpretowalność modeli – algorytmy AI wsparte najnowszymi zdobyczami techniki pozwalają „produkować” wiele modeli, jednak muszą zostać odpowiednio zinterpretowane i tu ważny jest kolejny punkt, czyli…
3) Ludzie – kompetentny i kreatywny zespół, który będzie wiedział, jak zastosować techniki sztucznej inteligencji w konkretnych procesach i obszarach. Jego zadaniem jest wypracowanie koncepcji oraz przekonania sponsorów do tej inwestycji, bez względu na poziom trudności i skomplikowania.
4) Technologia – wiedza i automatyzacja procesów dzięki zdobyczom technicznym.
5) Koszty – inwestycja w AI może nie być tanim przedsięwzięciem, jednak przy wsparciu kompetentnego zespołu i zaangażowaniu decydentów zwróci się z nawiązką.

Czy wykorzystanie sztucznej inteligencji ma sens w procesach zarządzania ryzykiem?

Pierwsze praktyczne doświadczania biznesowe wskazują, że tak. Banki mogą budować więcej modeli wykorzystujących dodatkowy zestaw zmiennych, a dzięki algorytmom AI mogą lepiej segmentować klientów w procesach credit scoringu czy windykacji, zapobiegając stratom finansowym na złych kredytach. To szczególnie ważne w dobie kryzysu spowodowanego pandemią, kiedy zmieniło się zachowanie klientów oraz ich nawyki związane z oszczędnościami i wydatkami. Rynki finansowe zauważyły ogromną zmianę w strumieniach płatności na rynku, zwiększyło się ryzyko kredytowe kontrahentów, jak również ryzyko rynkowe związane ze zmianą rynkowych czynników ryzyka. W nawiązaniu do powyższego instytucje finansowe, poszukując możliwości optymalnej odpowiedzi na wymagania szybko zmieniającego się rynku, starają się znaleźć i zoptymalizować polityki i procesy kredytowe tak, aby nadal efektywnie prowadzić swoją działalność przy jednoczesnym ograniczeniu liczby „złych” klientów. Banki i pożyczkodawcy inwestują w rozwiązania typu „scoring accelerator” oparte na AI, pozwalające na szybką reorganizację procesów pożyczkowych w zmieniających się czasach – takie działania są strategią win-win zarówno dla banków jak i klientów.

Praca domowa dla wszystkich, którzy chcą wykorzystywać sztuczną inteligencję do wsparcia procesów biznesowych

Artificial Intelligence w dobrych rękach z całą pewnością przyniesie wymierne korzyści finansowe, jednak należy do jej zastosowania podejść w sposób holistyczny i wielowątkowy. Algorytmy AI to tylko i aż „serce” systemu, który jednak musi pracować w odpowiednio przygotowanym środowisku, architekturze i infrastrukturze. Wartość z AI pojawi się wtedy, gdy dokonamy operacjonalizacji procesu. Cóż z tego, że będziemy tworzyli najlepsze modele analityczne, jeśli nie zostaną one uruchomione produkcyjne? Dlatego kluczowa jest ścisła współpraca analityków, developerów, ­ModelOps, walidacji oraz IT.

Mechanizmy AI muszą mieć dostęp do długich szeregów danych historycznych i na ich podstawie dokonuje się proces samouczenia. Szukajmy procesów biznesowych przynoszących zysk, ale sprawdzonych i bogatych w dane. Procesy trudne, skomplikowane i niezrozumiałe zostawmy na później, aby uniknąć rozczarowania. Nie oczekujmy cudów – raczej mocno powinniśmy stąpać po ziemi i nauczyć się zastosowania AI, gdyż to nadal technologia nowa, z którą wszyscy musimy się oswoić.

Fala AI przed nami i tylko od nas zależy, czy pomoże nam być bardziej innowacyjnymi, lepiej odpowiadać na potrzeby naszych klientów, a tym samym podejmować trafne i opłacalne decyzje. Klienci chcą być dziś obsługiwani szybko i sprawnie, dlatego decyzje trzeba podejmować w czasie rzeczywistym. To bardzo dobry moment, aby do strategii rozwoju organizacji włączyć digitalizację z wykorzystaniem AI – podejmijmy wyzwanie, dobrze przygotujmy się do projektu, a resztą zajmie się AI!