Élen járnak a mesterséges intelligencia (AI) alkalmazásában a pénzügyi szolgáltatók: az IDC előrejelzése szerint a bankok várhatóan 5,6 milliárd dollárt költenek AI-megoldásokra 2019-ben. Nagyon is megtérülnek ezek a befektetések: a McKinsey Global Institute szerint az AI és a gépi tanulás több mint 250 milliárd dolláros értéket teremthet a bankszektorban. Ennek ellenére sok pénzügyi szervezet óvatosan közelít az AI alkalmazásához, hiszen egy esetleges kudarc negatív hatással lehet bevételeikre és reputációjukra. Ugyanakkor megpróbálnak versenyelőnyhöz jutni az ügyfélszolgálat, a kockázatelemzés, valamint a marketing és az értékesítési folyamatok hatékonyságát növelő mesterségesintelligencia-rendszerek bevezetésével. Maria Korolov, a CIO.com portál munkatársa annak járt utána, hogyan használják ki a pénzügyi szervezetek az AI előnyeit.
Ügyfélszolgálat optimalizálása
A Synchrony több nagy márka számára (Gap, Old Navy, Amazon, JC Penney, Lowe's, Sam's Club, American Eagle) üzemeltet hitelkártyákat, több mint 80 millió aktív vásárlói számlát kezel. Két évvel ezelőtt a vállalat mindent feltett a mesterséges intelligenciára, és 170 adattudóst vett fel. Sok pénzügyi szolgáltatóhoz hasonlóan a legfontosabb AI- és gépi tanulási fejlesztéseik chatbotok voltak.
- Sydney nevű intelligens virtuális ügynökünk jelen van a partnercégek weboldalának többségén. Ha valakinek kérdése van egy számlához tartozó hitelkártyával kapcsolatban, Sydney-től választ kaphat, mondta Greg Simpson, a vállalat technológiai vezetője.
A platform jelenleg havonta félmilliónyi beszélgetést kezel, a válaszokat a Synchrony call centerének több évnyi rögzített hívásai alapján fogalmazza meg. Az Amazon eszközökkel szintén elérhető rendszer használata több mint 50 százalékkal csökkentette az élő beszélgetések mennyiségét, és a szolgáltatást igénybe vevők 88 százaléka elégedett Sydney tevékenységével.
Intelligencia az üzleti folyamatokban
Noha a közepes méretű kansasi NBKC Bank egyelőre kivár a chatbotok bevezetésével, a jelzáloghitelezésben azonban már alkalmazza az AI-t. A technológia segítségével osztják szét a 60 százalékban online beérkező hitelkérelmeket a 98 kölcsönkezelő iroda között, tudjuk meg Chad Cronktól, a bank hitelezési igazgatójától. Az előzményadatok elemzése során kiderült, hogy egyes ügyintézők jobb hatásfokkal dolgozzák fel a kérelmeket korán reggel vagy késő délután, illetve nagyobb sikerrel foglalkoznak egy bizonyos régióban élő ügyfelekkel. Ezért úgy döntöttek, hogy intelligensebb módszerrel osztják szét a kérelmeket, így javítva az ügyfélélményt.
Kisebb mérete miatt a bank külső szállítóval, a ProParivel működik együtt, nem házon belül fejlesztette ki a technológiát. A ProPari platformjának köszönhetően az NBKC 10 százalékkal tudta növelni az üzletkötések számát, és 65 százalékkal javult a hitelügyintézők teljesítménye. Az új technológia bevezetése három-négy hónapot vett igénybe. A külső partnerektől beérkező kérelmek adatai API-kon keresztül jutnak el a bank Velocify nevű kérelemkezelő rendszerébe.
Kockázatelemzés
A pénzügyi szolgáltatók már régóta használnak statisztikai modelleket a különféle - hitel-, biztosítási, pénzügyi, csalási - kockázatok értékelésére. Manapság azonban ezen algoritmusok alkalmazása sokkal kiterjedtebb, ráadásul lényegesen nagyobb mennyiségű és többféle típusú adat áll rendelkezésre a problémák megoldásához, hangsúlyozza Chris Feeney, a Bank Policy Institute technológiai előírásokkal foglalkozó részlege, a BITS elnöke. - Ha több információt tudunk begyűjteni a tranzakciókról, hatékonyabban tudjuk megakadályozni a csalásokat, teszi hozzá.
Feeney reményei szerint a jövőben főként az AI alkalmazásának hatékonysága fogja megkülönböztetni egymástól a pénzügyi vállalkozásokat. - Aktívnak kell lenni ezen a területen, de meg kell találni a megfelelő használati eseteket, vagyis ki kell használni a mesterséges intelligenciában rejlő, a versenyképességet javító és az ügyfeleknek értéket teremtő lehetőségeket.
- Kiváló alkalmazási területként kínálkozik a hitelezés: komoly erőfeszítéseket tesznek annak érdekében, hogy alternatív adatforrások felhasználásával az emberek új csoportjainak ajánljanak hitelkonstrukciókat. Szintén fontos használati eset a csaláselemzés (a Gartner felmérése szerint a pénzügyi szolgáltatók 46 százaléka használ mesterséges intelligenciát ezen a területen): az AI segítségével hamarabb észlelhetők a rendellenes tevékenységek, hatékonyabban előzhetőek meg a csalások.
Egyetért ezekkel a megállapításokkal Raghav Nyapati, aki egy nagy globális banknál vezet AI-projekteket. - Itt van például a kérelmek értékelése. Több ezer kérelem érkezik: az AI segíthet kigyomlálni a csalásokat és a nagy kockázatot jelentő eseteket, s csak a szűrt választék jut el az ügyintézőkhöz. A végső döntéseket azonban embereknek kell meghozniuk, hangsúlyozza a szakember.
- Felelősségteljes módon kell alkalmaznunk az AI-t, tartozunk ezzel mind a tulajdonosoknak, mind az ügyfeleknek. Ha valami rosszul sül el, a banknak hatalmas összegű kártérítést kell fizetnie.
Megfelelőségi kihívások
A szabályozó hatóságok már tisztában vannak azzal, milyen nehézségekkel jár a pénzügyi intézmények által például a hitelkockázatok elemzésére vagy a gyanús viselkedések azonosítására használt modellek vizsgálata. Ezek a modellek nagyon komplexek, nehezen analizálhatóak lehetnek. Léteznek módszerek e problémák megoldására, például a modellek független vizsgálata. A mesterségesintelligencia-alapú rendszerek kezelhetők ugyanolyan módon, mint a hagyományos statisztikai modellek, ugyanakkor további gondokat is okoznak.
- A mesterséges intelligencia komoly problémák elé állít minket az átláthatóság és a megmagyarázhatóság tekintetében, mondta Lael Brainard, az Egyesült Államok pénzügyi rendszerét felügyelő Federal Reserve testületi tagja egy tavaly őszi előadásában. - Mivel léteznek olyan esetek, amikor egy AI-eszköz használata előnyökkel jár annak ellenére, hogy működése megmagyarázhatatlan vagy átláthatatlan, az AI-eszközt megfelelő felügyelet alá kell helyezni. Ennek ki kell terjednie arra, hogy miképpen készül az eszköz, és hogyan használják a gyakorlatban, valamint arra, hogy milyen a felhasznált adatok minősége, tette hozzá.
A megmagyarázhatóság hiánya - más néven a feketedoboz-probléma - az AI-rendszerek sajátos jellemzője. A hagyományos statisztikai modelleknél az adattudósok manuálisan határozzák meg az adott döntés vagy előrejelzés szempontjából kritikus tényezőket, és azok súlyozásának mértékét. Ugyanakkor az AI-rendszerek olyan mintázatokat képesek azonosítani, amelyek korábban nem voltak ismertek, vagy nehezen azonosíthatóak voltak. Ez nehézzé teszi a bankok számára a megfelelést szabályozásoknak, mivel az megköveteli tőlük a döntések meghozatalához használt tényezők kifejtését.
- Szerencsére az AI maga is szerepet játszhat a probléma megoldásában. Az AI-közösség jelentős eredményeket ért el a megmagyarázható AI-eszközök fejlesztése terén, állítja Brainard.
Dolgozik a probléma megoldásán az értékpapírszektor is. A cél előítéletek nélküli AI-modellek építése. Meg kell tudni magyarázni, hogy a rendszer hogyan hozta meg a döntését. A szabályozó hatóságok biztosak akarnak lenni abban, hogy a modellbe még véletlenül sem kerül be előítéletesség.
Amikor a Synchrony elhatározta, hogy mesterséges intelligenciával és gépi tanulással segíti a hitelbírálatot, ugyancsak szembesült a feketedoboz-problémával.
- Igyekszünk megmagyarázhatóságot beépíteni a modelljeinkbe, és megadni a döntések alapjául szolgáló okokat, de ezt nem könnyű megvalósítani, mondta Simpson. - Így például nem hozhatók diszkrimináló döntések: nem mondhatjuk, hogy nem adunk hiteleket egy adott környéken élőknek, mert ez törvénytelen volna, tette hozzá. A vállalat komoly erőfeszítéseket tesz annak érdekében is, hogy az AI-modellek betanításához használt nyers adatok ne legyenek előítéletesek. Ezért is van szükségük olyan sok adattudósra.
