Raport Specjalny – IT@BANK 2023 | AI – Tameshi | Generative AI – gdzie jest potencjał dla sektora bankowego?

Jak w przypadku każdego z tak dynamicznie rosnących trendów, trudno nie zadawać sobie pytania – na ile realny jest potencjał biznesowy generatywnej sztucznej inteligencji? Wyliczenia The McKinsey Global Institute (MGI) zawieszają poprzeczkę wysoko. Według nich GenAI mogłaby dostarczyć wartości rzędu 3–5% globalnych przychodów całego sektora bankowego. Branża finansowa wciąż jest na początku drogi, jeśli chodzi o adopcję tej technologii, co oznacza również, że trwa proces nauki, jak wyciągać z niej maksymalną wartość biznesową. Podczas gdy jednym z najbardziej oczywistych zastosowań wydaje się być obsługa klienta, warto skierować swoją uwagę również w stronę wewnętrznych procesów bankowych

GenAI kontra „zwykła” sztuczna inteligencja

GenAI to gałąź sztucznej inteligencji, której niezwykła popularność rosła wraz z pojawieniem się ogólnodostępnych rozwiązań B2C, z ChatemGPT na czele. Równolegle jednak obserwujemy rozwój rozwiązań klasy enterprise, biorących pod uwagę specyficzne potrzeby biznesu, związane chociażby z compliance i bezpieczeństwem.

Jak wskazuje Andrzej Horawa, Enterprise Leader, AWS CEE, z GenAI pracują dziś najwięksi światowi gracze.

– Rozwiązania oparte o Generative AI coraz częściej postrzegane są jako szansa na zwiększenie przewagi konkurencyjnej i wartościowe narzędzia biznesowe, które pozwalają zespołom skupić się na strategicznych procesach. Instytucje, takie jak Goldman Sachs, ­JPMorgan czy Bloomberg, chcą eksplorować potencjał tej technologii. W czerwcu tego roku jedna z największych instytucji finansowych na świecie – Banco Bilbao Vizcaya Argentaria S.A. (BBVA) również ogłosiła, że zamierza korzystać z funkcjonalności GenAI opartych o usługi udostępniane przez chmurę AWS. Jest też ważne, aby rozumieć, że rozwiązania GenAI są częścią całego obszaru Sztucznej Inteligencji/Uczenia Maszynowego wykorzystywanego przez organizacje biznesowe, a na obszar gromadzenia i analizy danych warto patrzeć bardzo szeroko – mówi Andrzej Horawa.

Żeby zrozumieć potencjał GenAI, należy oczywiście skupić się na pierwszym członie nazwy – wskazującym na „generatywność”, czy też zdolność tworzenia nowych danych na podstawie dostarczonych modelowi informacji. To, co kluczowe, to to że output wygenerowany przez tą kategorię narzędzi AI nie tylko przypomina ten, który mógłby zostać stworzony przez człowieka, ale także „potrafi” dostosować się do kontekstu. Nic dziwnego zatem, że naturalnym zastosowaniem GenAI jest automatyzacja obsługi klienta. Jednak jak zwraca uwagę Maciej Cetler, CEO Tameshi, to jedynie początek możliwych zastosowań. – Z naszego doświadczenia wynika, że instytucje bankowe są coraz bardziej zainteresowane szukaniem zastosowań GenAI z punktu widzenia wysokopoziomowej optymalizacji procesów wewnętrznych. Dotyczy to m.in. działów compliance, zespołów developerskich czy tak naprawdę wszystkich specjalistów pracujących z dużą ilością danych czy rozbudowaną dokumentacją. Co istotne, zastosowanie sztucznej inteligencji w tych obszarach nie wymaga tworzenia niezwykle złożonych rozwiązań technologicznych. Próg wejście jest więc przystępny, a zwrot w postaci zwiększenia wydajności biznesowej i przyspieszenia procesów bardzo wymierny – podkreśla Maciej Cetler.

GenAI – jak zacząć i ograniczyć ryzyka

Jak zaznacza Maciej Cetler, wiele organizacji zastanawia się nad tym, jaka jest „bariera wejścia” dla adopcji GenAI, tymczasem dotychczasowe doświadczenie pokazuje, że często lepiej skupić się na jakości niż ilości danych.

– Inwestycja w generatywną sztuczną inteligencję nie musi się wiązać z koniecznością tworzenia bardzo rozbudowanych modeli. Do obsługi niektórych procesów w zupełności wystarczą te mniejsze. Dodatkowo, rozwiązania klasy enterprise pozwalają na eksperymentowanie z różnymi modelami bazowymi udostępnionymi w ramach usług zarządzalnych za pomocą API. Taki model możemy następnie dostosować do konkretnych potrzeb za pomocą własnych unikatowych danych, z zachowaniem ich całkowitej prywatności i bezpieczeństwa. To właśnie wybór odpowiedniego modelu, a później odpowiednie dostosowanie go do konkretnych procesów organizacji może być kluczowym czynnikiem biznesowego powodzenia danego projektu – wyjaśnia Maciej Cetler, CEO Tameshi.

Przecieranie szlaków

Gdy spojrzymy na dane, wygląda na to, że sektor finansowy z optymizmem spogląda w kierunku GenAI.

– Aż 70% respondentów w badaniu Gartnera zadeklarowało, że postrzega tę technologię jako korzystną dla działania ich instytucji. Nadal jednak jesteśmy na początku drogi. Dlatego warto uważnie analizować swoje potrzeby biznesowe i przyglądać się tym, którzy mają za sobą pierwsze sukcesy. Adopcja GenAI będzie z pewnością coraz powszechniejsza. To, co może zadecydować o zdobyciu przewagi konkurencyjnej przez daną instytucję, to zrozumienie, gdzie zastosowanie sztucznej inteligencji będzie najkorzystniejsze z punktu widzenia naszej organizacji. Z jednej strony chodzi o odpowiednie zobrazowanie wyzwań i potrzeb biznesowych, z drugiej – o ocenę potencjału i odpowiednie przygotowanie danych, które posłużą nam do wyszkolenia modelu. Klienci z branży finansowej często też mówią nam, że do tworzenia niestandardowych aplikacji potrzebują rozwiązań zapewniających prywatność danych i bezpieczeństwo oraz dostępu do większej ilości modeli, jak również bardziej efektywnego kosztowo sposobu na ich wykorzystanie. Rozwiązania zapewniające bezpieczeństwo i prywatność są wbudowane w Amazon Bedrock, dzięki czemu klienci mogą mieć pewność, że ich dane będą chronione. Żadne dane klienta nie są też wykorzystywane do szkolenia modeli podstawowych. Wszystkie dane są zaszyfrowane, również w trakcie przesyłania. Mechanizmy kontroli dostępu są takie same jak w każdej innej usłudze AWS – mówi Andrzej Horawa, AWS.

Przykładowe zastosowania Generative AI w optymalizacji wewnętrznych procesów biznesowych banków

• Większa efektywność dzięki zarządzaniu informacjami

Generatywna sztuczna inteligencja pozwala w szybszy sposób wdrażać nowych pracowników, transferować wiedzę pomiędzy różnymi działami i zniwelować luki w dostępie do informacji na poziomie całej organizacji. To szczególnie istotne w branżach wysoko regulowanych, w których rzeczywistość prawna ciągle się zmienia, a procedury z konieczności są rozbudowane.

GenAI nie tylko dostarcza output, który często może posłużyć jako pierwszy draft dokumentów, ale co istotne, dzięki NLU (Natural Langauge Understanding) rozumie również przekazane jej wcześniej informacje. Właściwie wyszkolony model jest w stanie szybko dostarczyć pracownikom kluczowych informacji – np. dotyczących norm compliance, które powinna spełniać nowa aplikacja lub procedur potrzebnych do rozpoczęcia nowego projektu. Skutkuje to znacznym zwiększeniem efektywności dzięki ograniczeniu manualnego wyszukiwania informacji, redukcją niepotrzebnych spotkań czy korespondencji, ale też zmniejszeniem ryzyk związanych z compliance.

• Większa wydajność w obszarze analizy dokumentów

Wyobraźmy sobie system, który w czasie rzeczywistym analizuje, interpretuje i klasyfikuje dokumenty prawne, takie jak umowy kredytowe czy warunki pożyczek. Dzięki GenAI banki mogą osiągnąć znaczące oszczędności, redukując czas potrzebny na ich przetwarzanie. To przekłada się nie tylko na bezpośrednie oszczędności finansowe, ale także na zwiększenie efektywności i dokładności w obszarze zarządzania ryzykiem. Rola specjalistów ogranicza się wtedy do monitorowania i usprawniania działania systemu. Kolejnym potencjalnym obszarem wykorzystania sztucznej inteligencji jest wsparcie w tworzeniu rutynowych dokumentów czy korespondencji.