Jak szybko algorytmy zastąpią analityków finansowych?

Bezpieczne Finanse / Bezpieczny Bank

nowe technologie, uczenie maszynowe, ML
Fot. stock.adobe. com / Elnur

Żyjemy w czasach, kiedy komputery przestały być głównie źródłem rozrywki. Maszyny wspierają nas, ludzi w pracy, dbają o bezpieczeństwo, a nawet leczą. Co więcej, programy potrafią często same się korygować, aktualizować oraz dostrzegać zmiany w trendach. ‒ A wszystko za sprawą uczenia maszynowego (ang. machine learning) ‒ podkreśla Lucjan Rosłanowski szef działu Data Science w Kontomatik.

Machine learning co to jest?

Uczenie maszynowe to podobszar sztucznej inteligencji, przy czym termin ten odnosi się do zdolności systemów informatycznych do samodzielnego znajdowania rozwiązań problemów poprzez rozpoznawanie wzorców i zależności w danych.

Lucjan Rosłanowski, szef działu Data Science w Kontomatik

‒ Uczenie maszynowe działa podobnie jak uczenie się człowieka. Wyobraźmy sobie, że dajemy dziecku klocki i pokazujemy budowle. Niedługo potem dziecko potrafi odtwarzać, to co zostało mu pokazane, ale w pewnym momencie zaczyna dodawać kolejne elementy, np. zamek zostanie otoczony fosą, mimo że na zaprezentowanym mu przykładzie tego nie było.

Uczenie maszynowe działa w bardzo podobny sposób ‒ wyjaśnia Lucjan Rosłanowski, szef działu Data Science w Kontomatik.

Innymi słowy: machine learning umożliwia systemom IT samodzielne rozpoznawanie wzorców na podstawie istniejących algorytmów i zbiorów danych oraz opracowywanie odpowiednich koncepcji rozwiązań.

Rutyna bywa często źródłem błędów, więc może to najwyższa pora, żeby zadania te przejęły komputery.

To proces uczenia systemu komputerowego, jak dokonywać trafnych prognoz, dlatego w uczeniu maszynowym sztuczna wiedza jest generowana na podstawie doświadczenia.

Co potrafią maszyny?

Aby oprogramowanie mogło samodzielnie tworzyć rozwiązania, konieczne jest wcześniejsze działanie człowieka.Wymagane algorytmy i dane muszą zostać wprowadzone do systemów z wyprzedzeniem i należy zdefiniować odpowiednie zasady analizy w celu rozpoznania wzorców w zasobach danych.

‒ Po wykonaniu tego kroku, system może wykonywać następujące zadania przy użyciu uczenia maszynowego: wyszukiwanie, wyodrębnianie i podsumowywanie odpowiednich danych, wykonywanie prognoz na podstawie danych analitycznych, obliczanie prawdopodobieństw określonych wyników, autonomiczne dostosowywanie się do pewnych zmian, optymalizacja procesów w oparciu o uznane wzorce czy badanie trendów w zachowaniu ‒ tłumaczy ekspert.

Algorytm szybszy niż analityk finansowy

Uczenie maszynowe już od jakiegoś czasu rewolucjonizuje sektor finansowy. Banki i inne podmioty z tej branży coraz śmielej inwestują w aplikacje i systemy chmurowe wykorzystujące sztuczną inteligencję do wsparcia analizy dużych zasobów informacji.

Dzięki temu mogą przeprowadzać bardziej dokładne prognozy finansowe, także dotyczące klientów. A algorytm znacznie szybciej niż analityk zauważy pewne trendy w zachowaniu klienta.

Przewidywanie zachowań finansowych i analiza danych historycznych klientów są szczególnie istotne podczas wydawania decyzji kredytowych. Instytucje finansowe agregują dane i na ich podstawie tworzą modele scoringowe czyli systemy oceny, pozwalające na klasyfikację klientów na podstawie wybranych cech.

Kredytodawcy i pożyczkodawcy chcą wiedzieć z jakim prawdopodobieństwem kredyt lub pożyczka zostanie spłacona na czas i jaka jest szansa na opóźnienie spłaty rat.

Od jesieni 2019 r. za sprawą dyrektywy PSD2, banki działające na terenie Unii Europejskiej zobowiązane są do udostępnienia API umożliwiającego sprawne pobieranie historii bankowej klienta.

W ciągu kilkunastu sekund, niektóre podmioty (np. firmy pożyczkowe) mogą uzyskać zatem dostęp do olbrzymiej ilości danych pochodzących z konta bankowego. Dane te zasilają istniejące już modele scoringowe instytucji finansowych, są także wykorzystywane w aplikacjach opartych na uczeniu maszynowym do tworzenia nowych, zautomatyzowanych modeli.

Instytucje finansowe agregują dane i na ich podstawie tworzą modele scoringowe czyli systemy oceny, pozwalające na klasyfikację klientów na podstawie wybranych cech.

Już teraz, niektóre podmioty równolegle wykorzystują modele stworzone przez samouczące się algorytmy, które na podstawie danych historycznych korelują ze sobą coraz to nowsze dane i na ich bazie wyciągają wnioski.

Automatyczna eksploracja danych pozwala identyfikować klientów z profilami wysokiego ryzyka, oceniać aplikacje o kredyt, przyspieszać i standaryzować procedury podejmowania decyzji kredytowej, sugerować marżę, proponować odpowiednią do zarobków wysokość rat kredytu i ich ilość, a przede wszystkim wykrywać fraudy.

‒ Aplikacje oparte na uczeniu maszynowym mogą analizować zachowania osoby ubiegającej się o kredyt online podczas jej pobytu na stronie internetowej.

Algorytm monitoruje m.in. ruchy myszki, odstęp czasowy klikania w klawisze klawiatury i ustawienia przeglądarki.

Wszystko po to, by sprawdzić czy po drugiej stronie znajduje się człowiek czy zaprogramowany robot. W ten sposób ograniczamy ilość wyłudzeń jednocześnie zmniejszając własne straty ‒ dodaje Lucjan Rosłanowski.

Czy to już zatem tylko kwestia czasu, zanim algorytmy całkowicie odciążą analityków przejmując powtarzalne obowiązki? Jak wiadomo, rutyna bywa często źródłem błędów, więc może to najwyższa pora, żeby zadania te przejęły komputery.

Standard w innych branżach

Nie tylko w finansach uczenie maszynowe ma wszechstronne zastosowanie. Właściwie, stosowanie tych procesów w niektórych branżach ‒ to już standard.

Sztuczna inteligencja, a wraz z nią uczenie maszynowe stały się nieodłączną częścią naszego codziennego życia na platformach społecznościowych. Algorytmy skrupulatnie śledzą zainteresowania i zachowania użytkowników. Nieustannie analizują to, co klikają, kiedy klikają, ile czasu spędzają czytając lub oglądając daną treść, czyje profile podglądają, kiedy wychodzą z portalu i tak dalej. Robią to po to, żeby zatrzymać użytkowników jak najdłużej w serwisie poprzez pokazywanie im odpowiednio spersonalizowanych treści.

To samo dzieje się w serwisach streamingowych. Algorytmy przedstawiają użytkownikom propozycje na bazie tego, czego się o nich dowiedzą. Wykorzystując systemy uczące się do tworzenia spersonalizowanych rekomendacji, Netflix zmniejszył liczbę osób przechodzących do konkurencji, poprawiając jakość swoich rekomendacji. W taki sposób Netflix zaoszczędził 1 miliard dolarów już w 2017 roku. Użytkownicy natomiast otrzymują treści, które bardziej odpowiadają ich gustom.

Zapotrzebowanie jest wszędzie

‒ Przykłady zastosowania uczenia maszynowego można mnożyć. Jednakże warto wspomnieć o sektorze medycznym. Google i firma Verily zaprzęgły algorytmy do badań przesiewowych większej liczby pacjentów w Indiach ‒ kraju, w którym retinopatia cukrzycowa jest coraz bardziej powszechna. Analizie są poddawane mikroskopijne zmiany. Komputer potrafi już na bardzo wczesnym etapie wykryć chorobę i pomóc lekarzom w leczeniu prewencyjnym ‒ podaje szef Data Science w Kontomatik.  

Według Światowej Organizacji Zdrowia, prawie 70 milionów Hindusów choruje na cukrzycę i prawie wszyscy z nich są zagrożeni ślepotą. International Council of Ophthalmology podaje, że na każdy milion mieszkańców Indii przypada tylko 11 okulistów. Z powodu słabej dostępności do lekarza, komputery mogą być szczególnie przydatne w zmniejszeniu liczby pacjentów w zaawansowanym stadium choroby w przyszłości.

W Polsce także długo nie trzeba szukać przykładu. W ostatnich miesiącach w branży nieruchomości pojawił się nowy podmiot, Simpl.rent, który wykorzystuje algorytmy do analizy sytuacji finansowej najemcy, sprawdzając wzorce zachowań pod kątem możliwości spłaty rat czynszu.

Jak zatem widzimy uczenie maszynowe może być stosowane niemal w każdej dziedzinie naszego życia. Z pewnością kolejne lata przyniosą następne zaskakujące rozwiązania.

Źródło: aleBank.pl
Udostępnij artykuł: