Внедрение искусственного интеллекта является стратегически важной задачей для банковских секторов Бразилии, Великобритании и Мексики, но такие страны как Германия и Швейцария, наоборот, не уделяют этому вопросу большого внимания, показало недавнее исследование GFT.
Ответить на вопрос, насколько искусственный интеллект применим в российском банковском секторе, FututreBanking попросил участников форума FinMachine 2017.
Иван Оселедец. Фото: Sk.ru
Иван Оселедец, Сколковский институт науки и технологий, доцентЕсть области, в которых искусственный интеллект применяется активно – обработка естественного языка, обработка данных, систематизация, выявление фрода и так далее. Есть области, где до внедрения искусственного интеллекта далеко: например, скоринг и логистическая регрессия. Недавно была замечательная новость про стартап, который выдавал кредиты тем, кто не может получить их в банке. Этот стартап потратил 10 миллионов долларов и закрылся, потому что оказалось, что люди, которым банки не выдают кредиты, реально их не возвращают.
В то же время есть и большая научная проблема, как интерпретировать результаты работы машинного обучения, если на основании этих алгоритмов принимаются какие-то решения, почему мы должны верить нашему классификатору. Вопрос, как этот «черный ящик» работает – тема статей 2017 года. Этот вопрос важен не только для банков, но и для регулятора, который должен сказать, нормальный ли алгоритм машинного обучения использует банк или нет.
Аркадий Сандлер, МТС, руководитель направления Artificial intelligenceМы все немного очарованы словами «искусственный интеллект», «машинное обучение» и тому подобными. Появилась новая каста шаманов, которые называются data scientists и специалисты по глубокому обучению.Мы видим какого размера «киты», снабженные государственными деньгами, играются друг с другом. По всей видимости, в ближайшие лет десять крупные иностранные игроки на рынке не появятся, а основным драйвером для российских банков с государственным участием является вопрос доли, которую они занимают. Это ведет к демпингу, к снижению маржинальности, к погоне за числом клиентов.
В этой ситуации остается только искать хорошие способы проявлять лояльность к своим клиентам, чтобы они не уходили к демпингующим игрокам. Также очень важно снижать издержки на внутренние процессы. Здесь как раз и начинаются разнообразные истории про автоматизацию.
Чем «интеллектуальнее» система, тем большее количество когнитивных функций она способна заменить. Коммуникация робота с клиентом, условно, стоит ноль. Значит, ее можно строить совершенно иначе, не пытаться сокращать длительность этой коммуникации, понять, что она требует переработки части бизнес-процессов.
Мне кажется, что нужно думать больше об этом. Машинное обучение, искусственный интеллект – это на сегодняшний момент лишь технологическая верхушка, часть инструментария, который позволяет бизнесу работать со своей маржинальностью.
Алгирдас Шакманас, Промсвязьбанк, руководитель блока «Цифровой бизнес»Для меня машинное обучение – это именно обучение или feedback loop, то есть когда машина выходит в бизнес, принимает решения, ведет коммуникацию, занимается продажами и так далее, а затем получает обратный сигнал и переобучается.
Люди не могут сидеть и интерпретировать поведение миллионов клиентов, а машина может. Мы в самом ближайшем будущем не будем знать, что, кому, почему и когда продаем. В итоге мы получим «черный ящик», которым надо управлять.
Вопрос в том, как им управлять. Особенно остро этот вопрос стоит в США. Что делает машина? Она смотрит на общество, учится и начинает усугублять проблемы общества. Почему американцы не позволяют в риски записывать расу? Потому что понятно, что, к сожалению, афроамериканец по многим причинам будет хуже отдавать кредиты, а машина будет усугублять это положение. Можно вспомнить и искусственный интеллект от Microsoft, который за сутки научился сквернословию и стал отпускать расистские замечания.
Есть много сфер, где цена ошибки низкая. Например, если мы предлагаем клиенту какой-то продукт, но не угадали, то это небольшая проблема. Но, если мы отдали клиенту деньги, а он их взял и убежал, то это уже ситуация с высокой стоимостью ошибки.
Когда речь идет о том, как решить проблему «черного ящика», я всегда вспоминаю про программирование софта для шаттлов. NASA тоже понимает, что цена ошибки невероятно большая, потому они создали три команды, которые пишут софт параллельно. В шаттле три компьютера и еще один, который сводит решения. Решение принимается на основе консенсуса разных ПО. Даже если в одну из программ закрался баг, то в двух других программах в каждом конкретном случае баг маловероятен. Поэтому, когда мы имеем дело с большой стоимостью ошибки, надо делать отдельные алгоритмы, модели, которые между собой соревнуются. Если одна модель допустит ошибку, то можно посмотреть на другие. Таким образом, есть возможность минимизировать риск.
У нас в банке есть проект робота, который занимается продажами, отслеживает конкурентов, наши внутренние процессы, поведение конкретного человека. Самое главное, что мы отстроили систему обратной связи, чтобы обрабатывать и посылать сигналы обратно в систему. Что-то из этого уже начало работать. Я надеюсь, что в конце 2018 года у нас минимум 50% всех розничных продаж будет как-то соприкасаться с этой системой.
Никита Блинов, Rubbles, CEO и соосновательЕсли под искусственным интеллектом понимать методы машинного обучения, то это уже повседневность для банков и других бизнесов. Я бы себя отнес к числу тех, кто считает, что за искусственным интеллектом будущее.
Лет 100-150 назад мало кто мог себе позволить банкинг, но у тех, кто мог, был персональный банкир – конкретный живой человек, с которым клиент мог посоветоваться и принять какое-то решение. Анализ данных и машинное обучение могут быть полезными, чтобы сделать этот сервис массовым, доступным для каждого обычно человека, у которого мало денег. Предоставить персонального банкира, который каждому конкретному человеку дает самую релевантную информацию.
Основная задача заключается в том, чтобы быть полезным клиенту. Банк – это сервис, который лучше чем кто-либо знает персональную финансовую ситуацию клиента, а также знает всё, что происходит в мире. При этом он знает лучше, чем клиент, потому что на стороне банка не люди, а технологии. Банк должен проактивно давать финансовые рекомендации. Кросс-продажи – это подмножество этих рекомендаций. Это ближайшее будущее банкинга. Андрей Попов, Райффайзенбанк, руководитель дирекции информационных технологийЕсли под искусственным интеллектом понимать некоторые методы продвинутого анализа и машинного обучения, то он уже используется в разных областях, будет дальше развиваться. Мне бы хотелось увидеть, как эти некоторые методы превращается во что-то более серьезное, а не в просто навешивание ярлыка, но для этого сколько-то лет должно пройти.
Источник: futurebanking.ru