icon-search

Jak wykorzystać potencjał sztucznej inteligencji w bankowości ? Część 2.

Jędrek Fulara 02.07.2018

Nie jest niczym zaskakującym, że dobre przygotowanie do dużych przedsięwzięć jest kluczowym elementem sukcesu. Nie inaczej jest w przypadku przygotowania banków do implementacji systemów opartych o sztuczną inteligencję (Artificial Intelligence, AI). Duże instytucje finansowe wymagają niezwykłej precyzji we wdrażaniu zmian, a każde niedopracowanie na etapie planowania może skutkować wielomilionowymi stratami dla banku. Inwestując więc w usprawnianie bankowych finansowych systemów z wykorzystaniem AI, należy pamiętać o kilku podstawowych rzeczach:

Analiza i standaryzacja danych

Jeżeli jest sektor, w którym dostępność dużej ilości danych nie jest problemem, jest to z pewnością bankowość. W istocie firmy takie jak Oracle i Accenture zbudowały nawet całe działy pomagające w przechowywaniu i zarządzaniu danymi bankowymi. Instytucje finansowe od wielu lat gromadziły ogromne ilości informacji na temat naszych preferencji, zachowań konsumenckich, historii kredytowej czy sytuacji rodzinnej.

Wyzwanie więc nie polega na tym by pozyskać odpowiednio dużą bazę danych, ale na tym, by można było wykorzystać owe dane w budowie systemów machine-learningowych, zachowując jednocześnie restrykcyjne ograniczenia regulacyjne dotyczące bezpieczeństwa ochrony danych klientów. A tych nie brakuje – prócz norm dotyczących tylko i wyłącznie zabezpieczeń bankowych, instytucje finansowe muszą brać pod uwagę szereg przepisów dotyczących wykorzystania danych osobowych, w tym w szczególności danych wrażliwych.

Kolejnym wyzwaniem w tym kontekście – być może nawet większym – jest odpowiednie przeanalizowanie dostępnych danych, które nie dość, że są fragmentaryczne, to jeszcze umieszczone w różnych, często niekompatybilnych systemach. Dzieje się tak głównie ze względu na częste dokonywanie fuzji i przejęć w sektorze bankowym, a także stosunkowe niedoinwestowanie działów back-officowych. Aby rozwiązać ten problem, banki powinny rozpocząć budowanie systemów AI od małego zestawu skompilowanych danych i dokładać kolejne, tworząc w ten sposób uniwersalny rekord każdego klienta.

Mając powyższe kwestie na uwadze, przed faktycznym zaimplementowaniem algorytmów machine learningowych w banku, należy zainwestować i skupić swoje wysiłki na organizacji dostępnych w przedsiębiorstwie danych.

 

Wsparcie merytoryczne przy procesie implementacji systemów AI

Implementacja algorytmów sztucznej inteligencji w organizacjach takich jak banki jest niezwykle trudnym i wymagającym eksperckiej wiedzy zajęciem. Już na etapie zbierania informacji, merytoryczna wiedza w zakresie analizy danych jest niezbędna. Bez wątpienia zatem podejmując decyzję o implementacji systemów AI w banku, konieczne jest uzyskanie pomocy specjalistów zajmujących się tworzeniem algorytmów opartych o uczenie maszynowe. Pomoże to zarówno na wczesnym etapie prac wykryć potencjalne zagrożenia w implementacji, jak i umożliwi sprawne określenie – a następnie zrealizowanie – celów i priorytetów organizacji.

 

Testuj i ucz się

Jeżeli analiza danych zaczyna przynosić wyniki, przychodzi czas na ich sprawdzenie. Konieczne jest przeprowadzenie testów A/B (testów porównawczych) w celu sprawdzenia dokładności wyników i uzyskania wysokiego poziomu zaufania do systemu.

Na przykład, jeśli dane są wykorzystywane do ekstrapolacji trendów i przewidywania zachowań, analityk danych powinien zweryfikować każdą ze zmiennych w analizie regresji i przetestować przewidywane wyniki względem znanego zestawu danych. Pominięcie tego kroku może skutkować stworzeniem systemu, który będzie generował błędne prognozy, co z oczywistych względów może narazić bank na poważne finansowe straty.

 

Produkt do użytku wewnętrznego

Ustalenie początkowego use-case dla systemów opartych o sztuczną inteligencję w bankowości może być niekiedy bardzo trudne. Niezwykłą popularnością obecnie cieszą się na przykład wirtualni asystenci (boty), które nie tylko pomagają efektywnie obsłużyć tysiące klientów dziennie, ale także zapewniają bankom ograniczenie kosztów i relatywnie tanie otwarcie się na nowe rynki. Niestety, nawet w przypadku produktów, które na pierwszy rzut oka mogą firmie przynieść jedynie zyski, istnieje ryzyko poniesienia wielomilionowych strat. Tak stało się w przypadku bota Tay – systemu opracowanego przez Microsoft, którego zadaniem było odpowiadanie na twitty i zapytania klientów. Mimo, że co do zasady produkt spełniał powierzone mu zadania, pojawiały się przypadki, kiedy bot stawał się ofensywny, a jego odpowiedzi rasistowskie. Niezadowolenie użytkowników sprawiło, że system musiał być tymczasowo wycofany z komercyjnego wykorzystania. Biorąc to pod uwagę, lepiej rozpocząć wykorzystywanie systemów AI od projektów wewnętrznych, które także mogą przynieść natychmiastowe dochody, jednak przy znacznie mniejszym ryzyku narażenia reputacji instytucji finansowej, dla której zaufanie klientów jest jednym z kluczowych czynników sukcesu.

 

Success stories 3 największych amerykańskich banków

 

JPMorgan Chase

Pierwszym spektakularnym przykładem wykorzystania przez JPMorgan Chase systemów AI jest stworzony specjalnie na potrzeby banku system Contract Intelligence (COiN). Program został zaprojektowany w celu “analizowania dokumentów prawnych i wydobywania ważnych punktów danych i klauzul”. Bez wątpienia w dłuższej perspektywie system przyniesie bankowi milionowe oszczędności. Ręczny przegląd 12.000 umów o kredyt zwykle bowiem wymaga poświęcenia około 360 000 roboczo-godzin. Wyniki wstępnej implementacji tej technologii pokazały, że tę samą liczbę umów można zweryfikować w zaledwie kilka sekund. COiN ma bez wątpienia szeroki potencjał i firma bada sposoby wdrożenia tego potężnego narzędzia w innych polach działalności.

Innym przykładem implementacji sztucznej inteligencji w JPMorgan Chase jest tzw. Emerging Opportunities Engine, powstały w 2015 roku. Jego zadaniem jest analiza i identyfikacja klientów najlepiej przygotowanych na pozyskanie kapitału poprzez emisję akcji. Technologia ta okazała się skuteczna na rynkach kapitałowych i obecnie jest rozszerzana na inne obszary, w tym na dłużne rynki kapitałowe.

Łącznie w 2017 roku bank zainwestował ponad 9,5 miliarda dolarów w różnego rodzaju technologie, z czego 3 miliardy dolarów z przeznaczeniem na nowe inicjatywy takie jak AI.

 

Wells Fargo

Starając się wykorzystać możliwości sztucznej inteligencji i przyczynić się do wzmocnienia swojej struktury organizacyjnej, Wells Fargo ogłosił w lutym utworzenie nowego zespołu nazwanego Artificial Intelligence Enterprise Solutions. Steve Ellis, EVP banku został powołany do kierowania nowym zespołem. Efekty działań nowo utworzonego organu pojawiły się bardzo szybko. W kwietniu firma rozpoczęła pilotażowy program z wykorzystaniem chatbota opartego na algorytmach uczenia maszynowego. Ten wirtualny asystent nawiązuje relacje z użytkownikami za pomocą komunikatora Facebook Messenger, i już teraz jest w stanie podawać dokładne informacje o koncie klienta, jak również wykonywać proste czynności takie jak resetowanie hasła. Po przetestowaniu przez 700 pracowników firmy (dobry przykład początkowego testowania wewnętrznego!), system zostanie wprowadzony dla wszystkich klientów banku, z których wielu wykonuje operacje finansowe za pomocą Facebook Messenger  już od 2009 roku.

 

Bank of America

Bank of America był jedną z pierwszych instytucji finansowych, które 10 lat temu zapewniły swoim klientom bankowość mobilną. W zeszłym roku bank wprowadził na rynek Ericę, wirtualnego asystenta, który został uznany  w 2017 roku za najbardziej znaczącą innowację w zakresie usług płatniczych i finansowych. Dzięki wykorzystaniu analityki predykcyjnej, Erica działa jako doradca finansowy dla ponad 45 milionów klientów Bank of America. Integracja inteligentnego asystenta z zaawansowanymi rozwiązaniami bankowości mobilnej ma na celu zmniejszenie obciążenia związanego z rutynowymi transakcjami, tak aby umożliwić centrom obsługi klienta szybsze rozwiązywanie bardziej skomplikowanych spraw.

Rok 2017 był drugim najbardziej lukratywnym okresem dla Bank of America, który poinformował, że wydał 3 miliardy dolarów na postęp technologiczny tylko w tym roku. Firma jest na dobrej drodze, by osiągnąć kolejne rekordy i stale zwiększać swoją obecność w branży finansowej.

Owe 3 przytoczone przykłady oczywiście nie wyczerpują katalogu wykorzystania przez sektor bankowy systemów AI. By nie ograniczać się jedynie do Stanów Zjednoczonych – dobrym przykładem odnoszenia korzyści dzięki wirtualnym agentom opartym o systemy machine learningowe jest China Merchants Bank. Ten chiński bank komercyjny, używa bota w popularnej aplikacji WeChat do obsługi od 1,5 do 2 milionów zapytań dziennie. By sprostać takiej ilości pracy bez używania systemów AI, ten sam bank musiałby zatrudnić ponad 7 000 pracowników. Innym spektakularnym przykładem jest wykorzystanie mechanizmów sztucznej inteligencji przez jeden z australijskich banków. Obecnie eksperymentuje on z samodzielnym, inteligentnym wirtualnym asystentem, którego głównym zadaniem jest przysłuchiwanie się rozmowom pracowników banku na temat pożyczek. Jeśli pracownik banku zapomni o czymś lub popełni błąd, bot automatycznie włącza się w prowadzoną rozmowę.

Mając dobrą podstawę do wdrożenia systemów opartych o sztuczną inteligencję, jak również zestaw odpowiednich narzędzi i merytoryczne wsparcie w tworzeniu algorytmów każda z instytucji finansowych jest w stanie odnieść realne korzyści z wykorzystania AI. A tylko kwestią czasu jest, kiedy tego typu systemy staną się wyznacznikiem pozycji rynkowej banków oraz kluczowym elementem przewagi konkurencyjnej.

 

 

 

Źródła:
https://www.techemergence.com/ai-in-banking-analysis/
https://www.forbes.com/sites/franksorrentino/2018/02/23/ai-banking-ditch-the-fear-embrace-the-data/#4b493d477870
https://www.ft.com/content/b497a134-2d21-11e8-a34a-7e7563b0b0f4
http://www.businessinsider.com/ai-in-banking-and-payments-report-2018-2?IR=T
https://aibusiness.com/how-can-banks-get-started-with-machine-learning/
https://www.accenture.com/t00010101T000000Z__w__/gb-en/_acnmedia/PDF-68/Accenture-Redefine-Banking.pdf
https://www.bai.org/banking-strategies/article-detail/fi-meet-ai-how-financial-institutions-can-start-with-artificial-intelligence-now
http://www.bankingexchange.com/news-feed/item/7203-ai-driven-banks-must-start-with-fundamentals

Komentarze: 0


Notice: Korzystanie z Motyw nieposiadający comments.php uznawane jest za przestarzałe od wersji 3.0.0! Nie istnieje żadna alternatywa. Proszę zawrzeć w motywie szablon comments.php. in /var/www/html/www_pl/wp-includes/functions.php on line 4592

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *