Kiedy sztuczna inteligencja oraz uczenie maszynowe doprowadzą do rewolucji bankowej 4.0?

Sztuczna inteligencja, w tym sieci neuronowe – Artificial Intelligence i uczenie maszynowe ‒ Machine Learning znacznie zwiększają nasze doświadczenia związane z korzystaniem z wielu usług czy produktów cyfrowych.

Pozwalają także na znaczne ograniczenie kosztów i większą automatyzację procesów, które dotychczas były wykonywane manualnie, przez co mogły być mniej efektywne.

Również w sektorze finansowym znajdują one swoje zastosowanie, choć wiele podmiotów nadal z pewną nieufnością podchodzi do stosowania tych technologii na szerszą skalę. Jak więc może wyglądać przyszłość AI oraz ML?

O tym jakie korzyści może przynieść zaawansowana analityka danych pisałem przy okazji raportu Europejskiego Urzędu Nadzoru Bankowego w sprawie Big Data, choć nie można zapominać, że nadal największym wyzwaniem jest brak „dobrych” danych, a niekiedy ich brak dostępności (without data, there is no AI).

Czytaj także: EBA o Big Data i Machine Learning w sektorze bankowym. Report on Big Data and Advanced Analytics

Jeżeli chodzi o nowe technologie w sektorze finansowym, to najczęściej mamy do czynienia jednak z uczeniem maszynowym, a nie klasycznym AI spełniającym warunki testu Turinga, co jest związane zasadniczo z częstszym wykorzystywaniem ustrukturyzowanych danych w sektorze finansowym.

Choć pojawia się już potrzeba wykorzystywania rozwiązań pozwalających na interpretację języka naturalnego (Natural Language Processing) czy analizę danych nieustrukturyzowanych, jak obrazy czy dźwięki. Tutaj dość duże pole do popisu znajdziemy w obszarze InsurTech oraz IoT.

Przejście do bardziej zaawansowanej analityki i szerszego wykorzystania sztucznej inteligencji i uczenia maszynowego może „być albo nie być” dla wielu instytucji, które funkcjonują na rynku finansowym od lat, tzw. incumbent institutions, którymi najczęściej będą banki lub inne instytucje, które nie zdecydowały się jeszcze na zmianę modelu biznesowego.

Jest to o tyle istotne, że gdzieś na horyzoncie pojawiają się BigTechy ze swoimi SuperApps.

Obszarów wykorzystania AI oraz ML w sektorze finansowym jest wiele…

I to niekoniecznie już dzisiaj, bo nadal mamy ograniczenia związane z danymi, ale bezsprzecznie jest to przyszłość zarówno dla back/middle/front-office w całym sektorze finansowym. Automatyzacja wielu procesów z pewnością doprowadzić może do istotnego ograniczenia kosztów, choć oczywiście nie można zapominać, że nadal w centrum znajdować się będzie człowiek.

Gdzie AI/ML może być wykorzystane w sektorze finansowym? Jest kilka ciekawych przykładów, które są już wdrażane w niektórych instytucjach:

1. Analiza zdolności kredytowej oraz analiza ryzyka kredytowego. Bardzo ciekawe badania przeprowadził Bank Rozliczeń Międzynarodowych – How do machine learning and non-traditional data affect credit scoring? New evidence from a Chinese fintech firm;

2. Analiza szkód na potrzeby odszkodowań ubezpieczeniowych. Tutaj duże pole do popisu mają rozwiązania w zakresie sieci neuronowych i uczenia głębokiego;

3. Procesowanie płatności, w tym w szczególności ich analiza pod kątem nieautoryzowanych transakcji ‒ z wykorzystaniem danych behawioralnych;

4. Inwestycje ‒ handel algorytmiczny oraz robo-doradztwo;

5. KYC oraz onboarding klienta, które wpływają na przyśpieszenie procesów AML;

6. Automatyzacja procesów sprzedażowych i profilowanie klientów;

7. Gromadzenie i analizowanie danych na potrzeby raportowania nadzorczego (RegTech);

8. Analiza kontaktów sprzedażowych, np. w kontekście doradztwa inwestycyjnego poprzez „wyciąganie” słów kluczowych i przedstawienie ich do analizy odpowiednim jednostkom, np. compliance;

9. Uproszczenie i przyśpieszenie procesów compliance;

10. Wykorzystanie chatbotów do przeprowadzania wstępnych rozmów sprzedażowych;

11. Szeroko pojęta analiza ryzyk na potrzeby wymogów ostrożnościowych.

Czytaj także: Digital ID: przyszłość sektora płatności elektronicznych ?

Oczywiście takich przykładów jest i może być więcej, ale te wydają się w tej chwili najbardziej powszechne w sektorze finansowym, choć nie można wykluczyć, że wraz z pogłębianiem szeroko pojętej transformacji cyfrowej będziemy mieli coraz więcej, dotąd nie analizowanych przykładów wykorzystania AI.

Czy czeka nas więc rewolucja?

Na pewno nie od razu. Sztuczna inteligencja i uczenie maszynowe w obecnym kształcie to na razie bardziej automatyzacja procesów, a w kontaktach bezpośrednich (np. chatboty) raczej ciekawostka niż powszechny sposób komunikacji.

Nasze oczekiwania co do oferty finansowej podlegają jednak nieustannym zmianom przez co stajemy się coraz bardziej wymagający. CX/UX staje się teraz czymś, co jest najważniejsze – lub powinno być – przy projektowaniu produktów i usług.

Nie będzie więc z pewnością „widocznej” dla użytkownika rewolucji ‒ może z wyjątkiem kosztów, które będą ponosić – będą po prostu niższe. Zmiany będą jednak istotne po stronie instytucji finansowych, które dzięki zastosowaniu nowych technologii będą mogły ograniczać koszty operacyjne czy marketingowe, a to przełożyć się może z pewnością na wyniki finansowe.

Bądź na bieżąco – zapisz się na nasz newsletter >>>

I taka rewolucja, moim zdaniem, czeka nas w najbliższych latach. Nie oznacza ona wcale, że nagle wszyscy stracą pracę. Sztuczna inteligencja nawet najbardziej „inteligentna” nie zastąpi nam kontaktu z człowiekiem i emocjonalnego podejścia, które również czasem jest potrzebne.

Nie można jednak wykluczyć, że pójdziemy o krok dalej. Wiele zależy jednak od tego jaki dostęp do danych będziemy mieli i czy możliwe będzie swobodne dysponowanie nimi na potrzeby tworzenia nowych rozwiązań.

Algorytmy bowiem potrzebują treningu, a do tego potrzeba danych, a żeby je pozyskać potrzebujemy zgody użytkownika. Potrzebne będą więc zmiany prawno-regulacyjne i odpowiednia wiedza ekspercka po stronie tworzących nowe regulacje.

No dobrze, ale co dalej?

W przypadku nowych instytucji, które powstały już z myślą o szerszym wykorzystaniu AI/ML, chmury obliczeniowej czy rozproszonych rejestrów (Distributed Ledger Technology), dostosowanie się do nowych wyzwań nie będzie aż tak czaso- i nerwochłonne, bo te instytucje dysponują już rozwiązaniami, które ułatwiają wykorzystanie dużych zbiorów danych i ich segregacji. I są też znacznie bardziej agile’owe, co ułatwia podejmowanie ryzyk i wdrażanie nowych technologii.

Problemy mogą pojawić się w przypadku tych instytucji, które polegają na infrastrukturze IT zbudowanej lata temu, która nie jest do końca dostosowana do nowych wyzwań, a jej przerobienie może być nie tyle trudne, ale wręcz niemożliwe.

A trudno wyobrazić sobie przewrócenie do góry nogami legacy systems w ciągu jednego weekendu. Dlatego wydaje mi się, że przydałyby się wytyczne organów nadzorów co do tego, jak powinna przebiegać transformacja cyfrowa podmiotów już obecnych na rynku od lat, co znacznie ułatwiłoby podjęcie przez zarządy tych instytucji decyzji o zmianie.

Wiele zależy też od zmiany kulturowej, i to zarówno na poziomie pracowników, jak i samego zarządu. Ważne jest też przygotowanie merytoryczne.

Znajomość języka programowania i podstaw ML będzie w przyszłości tak samo ważna, jak znajomość języka angielskiego oraz wprowadzenie odpowiednich rozwiązań organizacyjnych, w tym w zakresie compliance. Jak bowiem można doradzać biznesowi czy technologii, jeżeli nie zna się obszarów, którymi się „zarządza”?

No i koszty. Jeżeli mówimy czy nawet myślimy o istotnej zmianie technologicznej, to będą się z tym wiązały duże koszty. To zaś wymaga zmiany myślenia na długoterminowe, które zagwarantuje, że instytucje odnajdą się w nowej rzeczywistości.

Zmiana nie nastąpi w przeciągu 2 ‒ 3 lat, ale już możemy myśleć o perspektywie 2030 roku, co wcale nie jest tak nieodległą przyszłością. Przyszłość rodem z Westworld to jeszcze nie ta i następna dekada, ale kto wie, co nas czeka za 20 ‒ 30 lat.

Michał Nowakowski, https://pl.linkedin.com/in/michal-nowakowski-phd-35930315, Counsel w Citi Handlowy, założyciel www.finregtech.pl.

Opinie wyrażone w artykule są osobistymi opiniami Autora i nie mogą być utożsamiane z jakąkolwiek instytucją, z którą Autor jest lub był związany.