Bankowość i Finanse | Technologie – Dell Technologies Polska | Artykuł partnerski | Oczywiste i mniej oczywiste zastosowania sztucznej inteligencji w sektorze finansowym

BANK 2020/12

Automatyzacja procesów stanowi jeden z głównych kierunków digitalizacji rynku finansowego. Zastępowanie „czynnika ludzkiego” przez coraz doskonalsze algorytmy i moc obliczeniową procesorów pozwala zwiększyć efektywność podejmowanych działań, ograniczyć występowanie błędów i lepiej zagospodarować pracowników. Szczególnego znaczenia w tym kontekście nabiera sztuczna inteligencja, zwłaszcza zaś rozwiązania z dziedziny deep learning.

Fot. mast3r/stock.adobe.com

Automatyzacja procesów stanowi jeden z głównych kierunków digitalizacji rynku finansowego. Zastępowanie „czynnika ludzkiego” przez coraz doskonalsze algorytmy i moc obliczeniową procesorów pozwala zwiększyć efektywność podejmowanych działań, ograniczyć występowanie błędów i lepiej zagospodarować pracowników. Szczególnego znaczenia w tym kontekście nabiera sztuczna inteligencja, zwłaszcza zaś rozwiązania z dziedziny deep learning.

Wojciech Janusz
Senior Systems Engineer, CTO Ambassador, Dell Technologies Polska

Lista obszarów bankowego biznesu, w których znajduje zastosowanie sztuczna inteligencja, stale się wydłuża. Rozwiązania te wykorzystywane są w przygotowywaniu prognoz giełdowych, przy ocenie ryzyka kredytowego lub podczas wyceny aktywów, jednak metody deep learning są też w stanie wspierać planowanie i wdrażanie akcji oraz strategii marketingowych dla poszczególnych produktów czy też całych brandów. Użycie sztucznej inteligencji umożliwia zwiększenie bezpieczeństwa transakcji bez uszczerbku dla elastyczności usług finansowych, zarówno tych świadczonych w sposób tradycyjny, jak i w kanałach zdalnych. Jednym z istotniejszych zastosowań AI jest analiza zachowań klientów, także opartych na historii ich profili w social media. Przetwarzanie olbrzymich zbiorów danych w czasie rzeczywistym umożliwia też przygotowanie złożonych analiz demograficznych, bez odciągania uwagi klientów od wykonywanej operacji finansowej.

Wiele formatów danych? To nie problem dla AI

To tylko niewielki wycinek możliwości, jakie instytucjom finansowym daje sztuczna inteligencja. Jej wprowadzenie oznacza znacznie więcej niż prostą automatyzację procesów, rozumianą jako przejęcie przez maszyny powtarzalnych czynności, wykonywanych dotychczas przez ludzi. Weźmy przykład z pozoru prostego procesu, jakim jest kopiowanie danych pomiędzy różnymi miejscami, w których muszą być wykorzystane, lub powtarzalne ich uzupełnianie w wielu miejscach systemu. Posłużenie się w tym celu narzędziami bazującymi na deep learning umożliwia wykonywanie w ramach tego procesu następujących działań:

  • rozpoznawanie i umieszczanie w systemie nazw ulic, nazw miejscowości i kodów pocztowych,
  • konwersja zapisu słownego liczb na cyfrowy wraz z porównaniem obu zapisów,
  • rozpoznawanie głosu i konwersja mowy na zapis tekstowy,
  • wykorzystanie mechanizmów NLP (Natural Language Processing) do rozumienia kontekstu wprowadzanych informacji i weryfikacji ich poprawności (tzw. cognitive-based automation capabilities);
  • rozpoznawanie obrazu, umożliwiające odczytanie informacji wprowadzanych odręcznie na papierze,
  • wyszukiwanie oraz automatyczny odczyt informacji zamieszczonych na zdjęciach, np. skanach dokumentów.

Dane gromadzone w systemach bankowych zapisywane są w różnych i z reguły wzajemnie niekompatybilnych formatach. Stanowi to poważne wyzwanie dla klasycznych metod data processing, które nie potrafią przeskoczyć bariery w postaci niejednolitego zapisu. W takich przypadkach doskonale sprawdzają się rozwiązania AI z kategorii Robotic Process Automation. Są one w stanie zunifikować formaty, czego efektem jest nie tylko szybsza i sprawniejsza realizacja działań, ale również wyjście poza informacje o charakterze liczbowym. To zaś otwiera drogę do pełniejszego spożytkowania posiadanej wiedzy na temat klientów.

Model hybrydowy w zgodzie obowiązującymi regulacjami

Należy jednak pamiętać, że automatyzacja także ma swoje ograniczenia, przynajmniej na obecnym poziomie zaawansowania technologicznego. Dotyczy to w szczególności tych procesów, które nie zostały należycie opisane, co stanowi warunek niezbędny całkowitego przejęcia przez maszyny zadań realizowanych dotychczas przez ludzi. Kolejną barierą dla pełnego wdrażania automatycznych procesów z wykorzystaniem deep learning mogą być wymogi regulacyjne, szczególnie istotne w odniesieniu do branży bankowej i finansowej. Przykładem mogą być zapisy ogólnego rozporządzenia o ochronie danych (RODO), które określają rodzaje procesów i decyzji podlegających pełnej automatyzacji oraz takich, w których istotną rolę musi odgrywać człowiek. W takich przypadkach sprawdza się tzw. model hybrydowy, w którym kluczowe decyzje podejmowane są przez ludzi, a sztuczna inteligencja pełni funkcję wspierającą. Schematy te określane są mianem augmentacji lub akceleracji, w odróżnieniu od automatyzacji sensu stricte, gdzie wszystkie zadania przejmuje technologia. Przykładem augmentacji jest system wdrożony przez Dell Technologies, wspierający pracę zespołu odpowiadającego za komunikację z klientami. Bazując na technologii machine learning i NLP stworzono narzędzie umożliwiające ocenę treści wiadomości napływających do zespołu, analizę ich ważności i nadawanie im odpowiedniej kategorii. System sugeruje szablon odpowiedzi (w niektórych przypadkach nawet kilka możliwych wersji), a zadaniem pracownika pozostaje podjęcie właściwej decyzji. Taki schemat działania umożliwia utrzymanie pełnej kontroli nad komunikacją z klientem, co zwłaszcza w bankowości ma fundamentalne znaczenie.

Jak nie dać się okraść w omnichannelu?

Całkiem odrębnym obszarem wykorzystania rozwiązań opartych na sztucznej inteligencji jest przeciwdziałanie cyberatakom, które powodują przede wszystkim szkodę klientów instytucji finansowych. Kwestia ta nabiera szczególnego znaczenia w dobie dynamicznego rozwoju nowych kanałów komunikacji pomiędzy bankiem a użytkownikiem przy utrzymującej się popularności tradycyjnych form kontaktu. Pierwszoplanowego znaczenia w tym kontekście nabiera omnikanałowość, definiowana jako możliwość swobodnego dokończenia w dowolnym kanale sprzedażowym procesu rozpoczętego w innym miejscu. Opcja taka, niezwykle wygodna dla konsumentów, stawia przed bankami nowe wyzwania w dziedzinie cyberbezpieczeństwa. Nie sprawdzają się tu tradycyjne modele zabezpieczeń, które wymagają nie tylko predefiniowania wszystkich sposobów, dzięki którym klient zyskuje dostęp do usług bankowych, ale i znajomości istotnych elementów systemu, zachowań użytkownika oraz istotnych relacji pomiędzy tymi dwoma komponentami. Problem stanowi nie tylko zwiększająca się liczba punktów styku pomiędzy konsumentem a dostawcą usług, ale i postępująca automatyzacja procesów płatniczych, ze szczególnym uwzględnieniem funkcjonalności dostępnych w ramach modelu internet rzeczy, gdzie operacje płatnicze dokonywane są z reguły bez świadomości klienta. Alternatywą w takich sytuacjach może być użycie technologii samouczących, korzystających z jak najszerszego zasobu dostępnych informacji.

Wykryć najbardziej podstępny fraud

W ramach testu takiego podejścia Dell Technologies i firma RSA zaproponowały i przetestowały nowy model wykrywania nadużyć finansowych. Jego zadaniem jest zarówno uwzględnianie zebranej wiedzy oraz wzorców zachowań, budowanych na podstawie istniejących kanałów dostępu, ale też przewidywanie podobnych reakcji w przyszłych, nieznanych jeszcze kanałach. By stworzyć taki model, należało uporać się z wyzwaniem, jakim było opracowanie nowej metody grupowania zdarzeń (rozumianych jako działania klienta w konkretnej aplikacji, na konkretnym urządzeniu lub w konkretnym miejscu) oraz zbudować najbardziej wartościowe kombinacje wszystkich takich elementów systemu. Warto przypomnieć, że mówimy w tym kontekście o zdarzeniach, które jeszcze nie miały miejsca, urządzeniach i aplikacjach, które jeszcze nie powstały oraz o usługach, które jeszcze nie są oferowane. To doskonały sprawdzian dla rozwiązań z dziedziny deep learning. Dzięki tej technologii AI jest w stanie szybko powiązać ze sobą ogromną liczbę zmiennych, znaleźć łączące je zależności oraz zareagować na znalezione w ten sposób nieprawidłowości. W ten sposób rozwiązania bazujące na sztucznej inteligencji znajdują operacje, które noszą znamiona oszustwa finansowego.

Efektem prac Dell Technologies i firmy RSA było opracowanie nowej metody ochrony operacji finansowych, tzw. Adaptive Authentication, umożliwiającej zwiększenie bezpieczeństwa tradycyjnych transakcji oraz przygotowanej na włączenie do analizy zupełnie nowych kanałów dostępu, kiedy takowe się pojawią.

Kto wie, może niebawem okaże się, że są procesy, które można całkowicie zautomatyzować i dzięki temu uzyskać przewagę konkurencyjną na trudnym rynku usług finansowych? Trudno zgadnąć, jakie nieoczekiwane efekty biznesowe może przynieść augmentacja, czyli włączenie AI do procesów, w których decydentami są ludzie. Warto też pomyśleć o tym, jak dużą zmianę może przynieść poprawa zadowolenia klientów lub pracowników banków, szybko i skutecznie oceniana przez sztuczną inteligencję.

Technologia dostarcza narzędzi i rozwiązań, po które wystarczy sięgnąć. Czasem mały krok związany z technologią jest dużym skokiem dla biznesu.

Udostępnij artykuł: