Цифровизация, искусственный интеллект и машинное обучение меняют правила игры в различных областях знания, целых отраслях мировой экономики, и, мало – помалу, вторгаются в обыденную жизнь рядовых граждан.
Прорыв, прогресс, светлое будущее – такие ассоциации в первую очередь возникают, когда речь заходит об этих относительно новых терминах. Но есть у них и темная сторона, скрытая от внимания публики…
Что это — искусственный интеллект и машинное обучение?
Чтобы яснее понимать термины «искусственный интеллект» и «машинное обучение», давайте вспомним, что может означать определение «интеллект» применительно к человеку.
Интеллект можно определить как набор способностей человека, среди которых выделяют:
способность к обучению и запоминанию на основе опыта;
способность к пониманию абстрактных концепций;
способность приспосабливаться к новым ситуациям;
способность использовать свои знания.
Часто с интеллектом связывают также базовые функции познания (когнитивные функции):
распознавание и восприятие информации;
передача информации и совершение целенаправленных действий на основе этой информации.
В этом контексте искусственный интеллект является универсальным термином, относящимся к способности машины выполнять функции распознавания и восприятие информации, её анализа, обучения, взаимодействия с окружающей средой, решения проблем и даже осуществления творческих задач. Машинное обучение, соответственно, является приложением искусственного интеллекта.
Алгоритмы машинного обучения обрабатывают данные и опыт, обнаруживают сходства в процессах и явлениях, строят и запоминают шаблоны, учатся делать прогнозы и рекомендации. Причем происходит это без явных программных инструкций со стороны человека.
Где в банках уже применяется машинное обучение?
Аналитики отмечают значительные успехи на банковской сцене некоторых из цифровых лидеров:
Bank of America выпустил в свет виртуального помощника Эрику. Для обеспечения круглосуточного финансового консультирования клиентов этот чат-бот использует прогнозную аналитику.
Эрика помогает с информацией о балансе счетов, совершает простые операции, такие как перевод денег между счетами, просматривает прошлые операции клиента и может планировать платежи. Клиенты общаются с Эрикой через голосовые или текстовые сообщения.
BBVA, испанский пионер цифровых инноваций, широко использует большие данные (Big Data) для предоставления дополнительных услуг своим клиентам:
Bconomy - инструмент финансового благополучия
BBVA Valora помогает пользователям рассчитать лучшую цену, по которой можно арендовать, продать или купить дом
Baby Planner помогает клиентам лучше понять, как создание семьи повлияет на их финансовое положение.
Банк также планирует выпустить новое приложение, которое использует биометрические технологии для автоматизации платежей и позволяет пользователям бронировать столики в ресторанах, размещать заказы со своего смартфона и уходить после еды без необходимости запрашивать счет или платить вручную.
Ситибанк сделал стратегические инвестиции в Feedzai, ведущую компанию в области науки о данных, и теперь может мгновенно обрабатывать большие объемы данных и предупреждать клиентов о мошеннических действиях в режиме реального времени.
JP Morgan Chase запустил свою платформу COiN (contract intelligence), чтобы сократить ошибки и время обслуживания кредитов. Используемая технология машинного обучения в состоянии просматривать 12 тыс годовых коммерческих кредитных соглашений за считанные секунды, экономя около 360 тыс часов человеческой работы в год.
Wells Fargo пилотировал чат-бота с искусственным интеллектом через Facebook Messenger . Чат-бот предоставляет живую информацию, чтобы помочь клиентам принимать лучшие финансовые решения с учетом их расходов на питание за прошедшую неделю, остатков на счетах, сроков платежей и месторасположения ближайшего банкомата.
Королевский Банк Шотландии (RBS) использует автоматизированный процесс кредитования для одобрения кредитов на коммерческую недвижимость до 2,7 млн долларов менее чем за 45 минут. Этот процесс обычно занимает несколько дней.
Запуск программы, основанной на применении искусственного интеллекта, является частью более широкой цифровой и инновационной повестки дня банка. RBS также принял когнитивный чат-бот, работающий на IBM Watson Conversation, для ответа на запросы клиентов.
Где в банках может применяться машинное обучение в ближайшем будущем?
Этан Вонг, в статье «Фантастические звери и как их найти» (Ethan Wang, “Fantastic Beasts and Where to Find Them”) предполагает, что с наибольшей вероятностью банки могут использовать машинное обучение в следующих областях:
Скоринг
В общем плане цель скоринга – обеспечение количественной оценки уровня доверия к клиенту и / или выявление его предпочтений. С помощью машинного обучения расчет скоринговой оценки клиента может производиться практически в режиме реального времени.
Одним из таких примеров является вычисление вероятностей в алгоритме предсказания слов, который служит основой для обработки естественного языка. Такие методы уже достаточно широко приняты и усовершенствованы, например, при диагностике рака.
Модели кредитного скоринга на основе искусственного интеллекта, которые могут сделать более точные прогнозы кредитного риска, являются классическим вариантом использования “скоринга” в банковском деле.
Среди других возможных вариантов использования – прогнозы предпочтительной ставки по кредиту, лояльности клиентов, общей стоимости поддержания отношений с клиентами.
Ценообразование
В отличие от традиционного ценообразования на основе единых тарифов, на основе машинного обучения можно просчитать предполагаемую оптимальную индивидуальную стоимость кредита.
Предупреждение мошенничества
Одним из возможных вариантов применения машинного обучения является анализ операций клиентов в режиме реального времени с целью выявления аномалий, свидетельствующих, например, о мошенническом использовании карточек.
Рекомендации
Для обеспечения качественного консультирования необходимо выявить вкусы и предпочтения пользователей. Если в матрице предпочтений клиента определены только некоторые метрики, искусственный разум методом скрытого моделирования переменных в состоянии заполнить недостающие записи и сформировать полный профиль клиента.
Узнать больше о применении машинного обучения финансовыми институтами можно на
Практическом семинаре «Роль Machine learning сегодня. Трансформация представления о мире через модельную функцию в реальных и перспективных кейсах». 16 августа 2019 года, Минск
Но есть и темная сторона процесса
Все имеет свою цену. Ценой заметного улучшения качества прогнозов, основанных на применении методов и моделей машинного обучения, является стоимость исключительно больших вычислительных ресурсов, которые требуют такого же значительного потребления энергии.
В результате модели машинного обучения дорого обучать и развивать не только за счет финансовой стоимости аппаратного оборудования, электроэнергии и времени облачных вычислений.
Есть, как оказалось, ещё один аспект, на который пока мало кто обращает внимание – с расширением применения и развитием машинного обучения в геометрической прогрессии растет его косвенное влияния на экологию за счет выбросов в окружающую среду отходов, образующихся в ходе выработки энергии, необходимой для обеспечения процесса.
Так, исследователи Массачусетского университета установили, что обучение одной модели, построенной на 65 млн параметров, приводит к выбросу в окружающую среду 11 кг, а на 215 млн. параметров – уже 87 кг вредных веществ.
В процессе настройки и оптимизации одной модели с большим числом параметров может быть выделено столько вредных веществ, сколько вырабатывается за весь жизненный цикл пяти легковых автомобилей, включая их производство и эксплуатацию.
Авторы исследования не призывают остановить использование искусственного разума и вернуться к счётам, их идея — разработчики и пользователи должны ответственно относиться к результатам и последствиям своих действий и принимать во внимание все аспекты их влияния на окружающую среду в долгосрочной перспективе.
