Использование искусственного интеллекта (ИИ), машинного обучения и роботов - уже не дань моде, а выгодная инвестиция. Нереалистичные ожидания, которые неизбежно породил ажиотаж вокруг этих технологий, сменяются вполне реальными бизнес-сценариями. В сфере финансов это особенно заметно. Финансовые специалисты в большинстве своем уже готовы доверить алгоритмам учет операций, обнаружение мошеннических схем, планирование ресурсов и формирование отчетности. Однако внедрение новых инструментов не проходит легко, а их использование порождает новые риски.
Искусственный интеллект, успешно переживший первые этапы цикла зрелости, выходит на плато продуктивности. Этому способствовали экспоненциальный рост данных и параллельное развитие вычислительных мощностей. В результате только в первом полугодии 2018 года в мире насчитывалось почти 3400 стартапов в области ИИ и машинного обучения. Конечно, часть из них потерпит фиаско, но кому-то наверняка удастся создать реальные инструменты для финансовой отрасли. В то, что они будут использовать в своей работе ИИ уже в ближайшие три года, верят 58% респондентов исследования АССA "Машинное обучение: наука, а не вымысел". Уже сегодня 6% опрошенных компаний работают с "живыми" данными, 3% планируют начать тестирование в течение полугода и 24% присматриваются к технологии.
Сфера применения
У ИИ в современных финансах широкое поле для применения. Основные направления - это борьба с мошенниками, оценка кредитоспособности, контроль и аналитика операций.
Алгоритмы могут обнаружить мошенничество до того, как оно произойдет, и за считанные минуты проверить транзакции всех портфелей банка. А оценку потенциального заемщика ИИ производит более точно, чем человек, при этом при меньших временных затратах и с учетом большего количества параметров. В 2018 году более десяти отечественных банков уже использовали этот инструмент. Так, например, в Сбербанке при выдаче кредитов физлицам в 98% случаев решение принимает алгоритм. Для юрлиц этот показатель доходит до 30%.
Роботы-коллекторы, которые сейчас работают преимущественно с клиентами банков, имеющими небольшую задолженность, это тоже ИИ. Человек-оператор успевает сделать около двух сотен звонков в день, а робот способен на гораздо большее количество таких операций. Автоматизация рутинных процессов может еще и спасти от человеческой ошибки, которые происходят из-за усталости, а также сократить расходы компании. Так, Альфа банк, роботизировавший летом 2018 года всего семь операций, сэкономил за год 20 млн рублей, а финансовый результат от автоматизации 30 процессов, позволит экономить в четыре раза больше - до 85 млн рублей.
Многие финансовые организации внедряют чат-ботов с ИИ, которые могут отвечать на самые простые и частые вопросы клиентов. Крупнейшие российские банки запустили мобильные приложения с робоэдвайзингом. Теперь алгоритм отвечает на частотные вопросы клиентов и за считанные секунды может сформировать инвестиционный портфель в соответствии с возможностями и интересами конкретного клиента. Еще он может напомнить об оплате счетов и готовит подробную аналитику расходов, что позволяет клиенту управлять своими денежными потоками. И в этом российские компании ушли далеко вперед по сравнению со многими европейскими и даже американскими банками, которые более консервативны.
Еще одно важное направление, где ИИ уже незаменим - это соблюдение комплаенс. С точки зрения законодательных изменений, финансовая отрасль, как действующий вулкан - небольшие подвижки происходят каждый день. ИИ может изучать, запоминать и помогать соблюсти все требования законодателей - от KYC и правил по борьбе с отмыванием денег до законов, регулирующих управление активами. Нет человеческих ошибок - нет претензий от регулятора.
Как научить машину
Одной из подсистем Искусственного интеллекта называют машинное обучение. В основе ИИ находится математическая модель, которая выявляет определенные закономерности в наборах данных и прогнозирует развитие ситуации. Она позволяет работать с большим объемом структурированных и неструктурированных данных, в том числе фото, видео и речью, а затем анализировать и выявлять действующие инсайты. И с этими задачами технологии справляются уже лучше, чем человек.
Простой сценарий на практике: во многих компаниях есть черный список контрагентов с высоким риском дефолта. В него могут попасть те, кто задерживал платежи или зарегистрирован в "рискованной" юрисдикции. Однако число партнеров со временем растет, и фильтр усложняется. Машинное обучение помогает выявить прежде неявные закономерности - для этого автоматически будут сформированы новые критерии с учетом макроэкономических показателей, тона публикаций о компании в Интернете, кредитного рейтинга или данных сторонних аудиторов. Человек просто не справится со сбором и анализом такого массива информации.
Лидеры финансовой отрасли активно инвестируют в машинное обучение. Большая четверка публично объявила о работе с новыми цифровыми инструментами. Канадская компания Kira Systems обеспечила технологией машинного обучения Deloitte и проанализировала более 5000 тысяч лизинговых договоров с помощью своих алгоритмов. Это сократило временные затраты на проверку на треть.
Малые и средние предприятия активно используют инструменты на основе машинного обучения, например, чтобы сканировать квитанции и классифицировать их. Как отмечается в исследовании ACCA, онлайн-провайдер бухгалтерских услуг Xero в мае 2018 года заявил, что число автоматически обработанных инвойсов и банковских сверок, а также рекомендаций по ним, превысило миллиард. Алгоритм, способный проверить 800 тысяч бухгалтерских документов в день, в совокупности экономит своим клиентам более 300 часов. Он способен безошибочно кодировать более 80% транзакций на основе всего четырех правильных примеров.
Сложности на пути внедрения
Обычная для нового технологического решения проблема - путаница с терминологией: вряд ли вы найдете двух специалистов, придерживающихся одного определения ИИ или машинного обучения. Зачастую интеллектуальным системам, в которых на самом деле нет ничего, напоминающего работу человеческого мозга, приписывают исключительные возможности, и это непонимание порождает страх перед новыми инструментами.
На точность результатов работы ИИ критически влияет количество и качество исходных данных: если на маленькой выборке вероятность ошибки составляет 20%, то при работе с большим дата-сетом она сокращается до 2%. По результатам опроса ACCA, 17% специалистов, работающих в финансовой сфере, считают, что для полноценного запуска ИИ данных еще недостаточно или они низкого качества.
Недостаток квалифицированных кадров - более половины опрошенных менеджеров называют это одной из главных причин, по которой внедрение ИИ и МО происходит не так быстро, как могло бы. Согласно данным ACCA, 30% представителей финансового мира совсем ничего не знают об ИИ или просто слышали термин. Повышение уровня технической грамотности - сейчас одна из важнейших задач для всей отрасли. При этом для финансистов развитый "технический" интеллект становится также важен, как и эмоциональный. Они должны уметь объяснить, почему именно на основе этих данных нужно делать выводы.
Риски от внедрения новых технологий
Внедряя новые инструменты, компания сталкивается с неведомыми прежде рисками, которые способны привести к финансовым и репутационным издержкам. Под ударом оказывается конфиденциальность клиентов и безопасность данных. Кроме того, возникает вопрос, кто понесет ответственность в случае ошибки - финансовый специалист или разработчик ИИ?
Например, использование ИИ в кредитном скоринге позволяет открыть доступ к кредитованию многим людям. Это плюс, но обученный алгоритм не всегда сможет избежать предвзятости. В исследовании ACCA приводится пример: согласно исторической выборке, женщинам в последние десятилетия реже одобряли кредиты. Поэтому на основе предыдущих данных алгоритм сделает вывод, что всех женщин можно отнести в число неблагонадежных заемщиков и может отказывать даже тем, кто, с точки зрения банковского служащего, точно кредитоспособен. В итоге банк может столкнуться с претензиями регуляторов, которые увидят в действиях компании гендерную дискриминацию. Внедряя технологии, самим финансистам также придется расширять свои компетенции, научиться копать глубже - анализировать ключевые показатели в динамике, работать с обратной связью и жалобами от клиентов, предполагать новые сценарии сбора данных. Здесь пригодятся традиционный профессиональный скептицизм и более продвинутые знания технических аспектов. От них не требуется стать программистами или разработчиками, но они должны иметь базовое представление о том, зачем и какие данные собираются.
Число финансовых транзакций растет, и до 2025 года восходящий тренд будет сохраняться. За последние восемь лет более 1 млрд человек впервые стали пользователями финансовых сервисов. Человеку за такими объемами информации без помощи технологий просто не угнаться. Именно ИИ с помощью машинного обучения позволит быстро масштабировать финансовые системы. Однако несмотря на то, что число задач с которыми ИИ сможет справляться эффективнее человека, будет расти, технологии не смогут вытеснить живого специалиста из финансовой сферы. За ним останется итоговый контроль или общение с клиентами, и времени для этого теперь будет больше.