Искусственный интеллект будет играть центральную роль в экономике будущего и служить драйвером роста. Такой прогноз прозвучал на открытии онлайн-встречи «ИИ трансформирует будущее финансовых сервисов: драйверы роста», организованной Коммерческой службой Министерства торговли США в России (AI reshaping the future of financial services: drivers for growth. A Trade Talks Series Live Event). Топ-менеджеры и ведущие эксперты из банковского и ИТ-секторов, в том числе Сбербанк, Яндекс, Qiwi, MasterCard, Visa, Oracle и другие, обсудили практики, проблемы и перспективы использования ИИ в финансовом секторе.
Применения искусственного интеллекта многообразны – от предиктивной аналитики и чатботов до предотвращения мошенничества и обеспечения соответствия нормативным требованиям. Вложения банков в технологии машинного обучения растут ежегодно в среднем на 46,2%, но многие проекты так и остаются незавершенными. Мануэль Лоренцо, Вице-президент Oracle, руководитель экспертного департамента по банковскому сектору в регионе EMEA поделился опытом компании и ее клиентов, как добиться желаемых результатов при внедрении ИИ.
Два действенных подхода к внедрению ИИ
Последние три года банковскую отрасль охватила настоящая «золотая лихорадка» в отношении искусственного интеллекта. Банки создали множество озер данных, запустили массу инициатив в области ИИ и не жалели средств на привлечение лучших молодых специалистов по обработке и анализу данных.
И что же мы видим спустя три года? Было добыто много песка и очень, очень мало золота. По данным компании Gartner, 80% проектов в области ИИ потерпели неудачу или не продвинулись дальше разработки прототипа.
С чем это связано? Казалось бы, для успеха проектов имелись все необходимые предпосылки:
- разработано большое число алгоритмов машинного обучения с открытым исходным кодом;
- накоплено значительно больше массивов данных, чем можно себе представить;
- вычислительные ресурсы широко доступны.
Оценивая результаты, можно предположить, что банки весьма активно взялись за дело, не продумав стратегию работы с данными. Во многих крупных проектах, которые были запущены, ответственность была возложена на ИТ-отделы, а не на бизнес-подразделения.
"Чтобы внедрение ИИ приносило результаты, Oracle придерживается двух стратегических подходов, – пояснил Мануэль Лоренцо. – Первый заключается в том, что возможности машинного обучения адаптированы, внедрены и интегрированы во все банковские приложения для фронт-офиса и бэк-офиса, в том числе для цифровых взаимодействий с клиентами, обеспечения соответствия нормативам, управления финансами и работы с персоналом. В результате заказчики могут использовать возможности ИИ непосредственно в момент совершения транзакции."
Благодаря этому ведущему французскому корпоративному банку удалось на 60 % сократить количество ложноотрицательных случаев несоответствия нормативным требованиям и в три раза улучшить распознавание схем отмывания денег (до фактора 3).
А международный швейцарский банк вернул инвестиции, вложенные в создание интеллектуального цифрового HR-ассистента HR Smart Digital Concierge всего за 9 месяцев. При этом банку за счет ускорения решения повседневных задач удалось повысить эффективность работы сотрудников, и теперь они могут больше времени уделять обслуживанию клиентов.
"Второй подход, который применяют наши клиенты в финансовом секторе, - фокус на конкретные сценарии использования при четком понимании бизнес-целей, – продолжил Мануэль Лоренцо. – Например, крупнейший розничный банк Испании создал модель оценки благосостояния клиентов, которая применяется для формирования индивидуальных ставок по кредитам и депозитам. Ему удалось значительно уменьшить время на согласование ставок и повысить вероятность перекрестных продаж."
Один из ведущих цифровых банков в регионе ЕМЕА тратил около 20 млн долларов США на онлайн-рекламу в крупнейшей поисковой платформе. Показатель эффективности рекламы составлял всего 0,001%. За 10 месяцев банку удалось повысить показатель до 5% и увеличить доход от реализации продуктов до 200 млн долларов США. При этом сумма вложений составила всего около 200 тыс. долларов США.
«Совместно с банком мы разработали механизм для определения предрасположенности к покупкам», - рассказал Вице-президент Oracle. В процессе разработки использовались принципы поведенческой экономики, контекстный интеллект и детальный анализ эмоциональной окраски высказываний с генератором текстов на естественном языке. Это позволило адаптировать содержание рекламных объявлений к поведению клиентов в цифровой среде».
Действительно, в своей «золотой ИИ-лихорадке» банки столкнулись со множеством трудностей, хотя едва начали разрабатывать жилу ИИ. Однако нет никаких сомнений, что золото в ней есть. Как его найти, вот 4 рекомендации, которые может дать Oracle:
- начинайте с малого и расширяйте подход,
- узнайте потребности и продемонстрируйте выгоду,
- прежде всего думайте о бизнес-результатах и
- назначьте ответственным руководителя от основного бизнеса, а не от ИТ.
Как банкам выработать эффективную ИИ-стратегию
Многие банки изначально относились к озерам данных как к священной корове при работе с ИИ. Как известно, часть этих озер данных превратились, к сожалению, в болота. В результате специалисты по обработке и анализу данных и разработчики стали переходить в финансово-технологические компании, где не было таких проблем с данными и получением доступа к ним, как в банках.
Как подсчитали аналитики Gartner, 70% усилий в области ИИ тратится на управление данными: получение, очистку, подготовку и обработку. А результаты наших исследований показали, что большинство банковских озер данных наполняется массивами данных, извлеченными из баз данных Oracle.
Чтобы заказчикам не приходилось тратить время на перемещение данных, их обновление и обеспечение целостности, Oracle реализовала возможности применения алгоритмов машинного обучения, например, на R и Python, непосредственно в источнике данных в режиме реального времени и использует инновации, в частности анализ графов, для улучшения результатов МО. Кроме того, теперь многие возможности расширенной аналитики доступны клиентам Oracle совершенно бесплатно.
В то же время Oracle внедряет инновационные средства для автономного управления данными, чтобы снизить нагрузку и существенно упростить выполнение всех обычных ИТ-операций. Это радикально меняет парадигму работы с данными в области ИИ, так как пользователи могут полностью сосредоточиться на их стратегическом анализе.
"Руководители банков, с которыми мы регулярно общаемся, начинают понимать, что для достижения более значимых результатов к ИИ-проектам необходимо привлекать в большей степени банковских специалистов, а не только специалистов по обработке и анализу данных , – пояснил Мануэль Лоренцо. – Тем более, что по их мнению обучить банковских сотрудников принципам машинного обучения (МО) оказывается легче, чем пытаться научить специалистов по обработке и анализу данных финансовому делу."
Для обеспечения тесного взаимодействия между экспертами в банковском деле, специалистами по обработке и анализу данных и ИТ-специалистами компания Oracle предлагает уникальную виртуальную платформу Self Service Cognitive Platform. Она позволяет:
- распространить знания о работе с данными по всем подразделениям банка;
- значительно сократить издержки на администрирование данных.
Таким образом, теперь банки могут быстрее и с гораздо меньшими усилиями извлечь то золото, которое скрыто в различных внутренних источниках данных.
Искусственный интеллект под контролем
Достоверность заключений ИИ вызывает у контролирующих органов многих стран все большую обеспокоенность, поэтому они усиливают надзор за инициативами банков в этой области. Банкам приходится объяснять им логику моделей МО. В частности, это касается использования ИИ в роботах-консультантах по инвестициям, для рекомендаций по заключению сделок или контроля соблюдения нормативных требований.
Например, для сравнения результатов и обеспечения их согласованности Oracle предлагает клиентам использовать две модели МО вместе с анализом графов при принятии решений в режиме реального времени. Чтобы избежать синдрома «черного ящика», Oracle реализовала инновационный механизм для объяснения выводов МО. Он выделяет переменные и логические цепочки, на основании которых когнитивный алгоритм выдает свои результаты.
У контролирующих органов есть также требования к локализации данных. Чтобы им соответствовать, наши клиенты из сектора финансовых услуг могут создать виртуальную платформу МО в частном облаке Oracle внутри своего центра обработки данных под защитой своих собственных брандмауэров. Если массивы данных не содержат персональных данных, то иногда они могут обрабатываться в гибридной среде или публичном облаке.
Таким образом, постоянное сотрудничество между банками, контролирующими органами и технологическими партнерами очень важно для прозрачности, надежности и соблюдения этических ценностей при работе банков с ИИ.
