Sztuczna inteligencja w sektorze finansowym
Termin „sztuczna inteligencja (artificial intelligence, AI)” zalewa obecne media. Co prawda terminu tego po raz pierwszy użyto już w latach pięćdziesiątych ubiegłego wieku, ale dopiero teraz widzimy prawdziwą eksplozję zainteresowania tym obszarem.
Termin „sztuczna inteligencja (artificial intelligence, AI)” zalewa obecne media. Co prawda terminu tego po raz pierwszy użyto już w latach pięćdziesiątych ubiegłego wieku, ale dopiero teraz widzimy prawdziwą eksplozję zainteresowania tym obszarem. Niestety, niejasności i brak precyzji przy definiowaniu poszczególnych pojęć związanych z AI zdarzają się niezwykle często, a osobom, które nie śledzą tego tematu na bieżąco, trudno jest odróżnić fakty i realne możliwości od mitów czy rozważań czysto futurystycznych. W poniższym artykule spróbujemy zdefiniować kilka pojęć z obszaru AI i na przykładzie sektora finansowego wytłumaczyć najciekawsze mechanizmy.
"Deep learning"
Wyobraźmy sobie program, który uczy się na przykładach. Nasz system analizuje transakcje bankowe i to, które z nich były "uczciwe", a które z nich można zakwalifikować jako nadużycie finansowe. Im tych transakcji jest więcej, tym lepiej program znajduje zależności i uczy się je mapować a kolejno przekładać zgromadzone informacje decyzję, czy dana transakcja może mieć charakter oszustwa, czy też nie. Tak właśnie działają rozwiązania oparte na sieciach neuronowych czyli "deep learning (uczenie głębokie)". Odmiennie niż ma to miejsce w przypadku tradycyjnego oprogramowania, którego tworzenie polega na budowaniu reguł i algorytmów wskazujących, w jaki sposób należy postępować w określonych przypadkach. Na potrzeby tego artykułu mówiąc o sztucznej inteligencji będziemy skupiać się właśnie na tzw. uczeniu głębokim i sieciach neuronowych.
Wzrost zainteresowania – dlaczego teraz?
Sieci neuronowe, mimo inspiracji ludzkim mózgiem, nie są nawet bliskie jego efektywności pod względem zdolności do nauki. Dla przykładu, sieci aby rozpoznać kota na obrazku, potrzebują setek tysięcy przykładów, podczas gdy mózg dziecka zapewne nauczy się na zaledwie kilku. Tak naprawdę dopiero teraz, w zaawansowanej dobie internetu, mamy do dyspozycji wystarczająco duże zbiory danych, aby dać sieciom wystarczający materiał do nauki. Relatywnie niedawno pojawiły się też procesory graficzne (GPU), wielokrotnie efektywniejsze w wykonywaniu operacji na sieciach neuronowych niż zwyczajne procesory. To wszystko spowodowało, że po raz pierwszy w 50-letniej historii sieci zaczęto dostrzegać ich realne i komercyjne zastosowania i to też spowodowało ogromny wzrost zainteresowania nad ich badaniem i rozwojem.
Rodzaje uczenia maszynowego
W "machine learning (uczeniu maszynowym)" możemy wyodrębnić 3 kategorie. Pierwszą z nich jest tzw. uczenie nadzorowane (ang. supervised learning). W tym przypadku w procesie uczenia musimy „opisać” sieci każdy przykład użytych danych. Biorąc znów przykład ze świata finansów – jeśli uczymy sieci wykrywania nadużyć, każdą transakcję finansową musimy zakwalifikować jako uczciwą lub oszustwo. Jest to obecnie najbardziej praktyczne i rozpowszechnione podejście do sztucznej inteligencji. Łatwo jednak zauważyć kilka jego negatywnych konsekwencji. Skuteczność sieci neuronowej jest wprost zależna od jakości danych. Musimy też posiadać pokaźny zbiór historycznych transakcji, oznaczonych przez człowieka. Wreszcie jeśli mamy do czynienia z nowym rodzajem nadużyć, opartym na innym schemacie niż te, z którymi mieliśmy do czynienia w przypadku w danych historycznych, nasza sieć nie jest w stanie rozpoznać przestępstwa, dopóki jej nie „douczymy” przykładami tego rodzaju ataku.
Żeby złagodzić potencjalne zagrożenia, często łączy się to podejście z tzw. uczeniem bez nauczyciela (ang. unsupervised learning). We wspomnianym przykładzie, możemy dostarczyć sieci neuronowej zbiór wszystkich transakcji finansowych i nauczyć sieć znajdować anomalie; transakcje, które nie pasują do typowych. To mniej skuteczne przy tradycyjnych nadużyciach, ale nie wymaga opisywania danych przez człowieka, a przede wszystkim pozwala wykrywać nowe schematy działania przestępców.
Trzecią kategorią jest reinforced learning; najnowsze podejście do sieci neuronowych, w którym sieć uczy się bez nauczyciela na podstawie zewnętrznych informacji zwrotnych. Wykorzystuje się je do uczenia sieci neuronowych zasad gry, np. szachów lub słynnego już GO, a także w samochodach autonomicznych. Jest efektywne wszędzie tam, gdzie łatwo o informację, czy dany ruch był dobry, czy zły. Niestety, ze względu na brak możliwości uzyskania w prosty sposób wymaganej informacji zwrotnej, reinforced learning ma ciągle bardzo ograniczone zastosowanie w sektorze finansowym.
Co na to sektor finansowy?
Bez wątpienia instytucje finansowe mają mnóstwo danych, które można wykorzystać idąc w kierunku AI. Czy wystarczająco? Biorąc pod uwagę wymagania potrzebne do zastosowania uczenia maszynowego a także konieczności oznaczania danych nie zawsze jest to możliwe. Co więcej decyzje w tym sektorze wymagają szeregu wyjaśnień i uzasadnienia - te, których dostarcza AI mogą być wystarczające. Mówię o tym szerzej w części poświęconej wsparciu ekspertów. Jednym z najważniejszych zagadnień pozostaje więc efektywne wykorzystanie danych poprzez łączenie wielu podejść do sieci neuronowych, wspieranych tradycyjnymi algorytmami oraz classical machine learning. Obecnie dostępne oraz potencjalne rozwiązania najczęściej wpisują się w takie kategorie jak: automatyzacja i zwiększenie efektywności operacji typu back office, wspomaganie pracy ekspertów i interakcji z klientem. Zacznijmy od tej trzeciej.
Interakcje z klientem
Mimo że liczne instytucje finansowe oferują (ograniczone) możliwości użycia asystentów głosowych takich jak np. Alexa, warto zauważyć, że techniki przetwarzania języka naturalnego oraz dostępność danych pozwalających efektywnie uczyć sieci neuronowe nie są obecnie na poziomie pozwalającym stworzyć w pełni funkcjonalny kanał interakcji z klientami. Ten obszar wykorzystania sztucznej inteligencji jest jednak obecnie jednym z najszybciej się rozwijających i niewątpliwie wejdzie do kanonu stosowanych rozwiązań (jak kiedyś online i mobile). Aby najlepiej zobrazować tempo rozwoju w tym zakresie, wystarczy powiedzieć, że niedawno, na podstawie kilkuset artykułów w Wikipedii, rozwiązanie oparte o sieci neuronowe wyprzedziło człowieka w odpowiadaniu na pytania. Oczywiście zadanie było ściśle określone i zdefiniowane, bo wszystkie odpowiedzi były zawarte wprost w tekście. Zdecydowanie, gdyby do odpowiedzi była potrzebna wiedza powszechna, maszyny nie miałyby szans. To, obok takich problemów jak rozumienie kontekstu, zebranie odpowiedniego wolumenu danych do uczenia czy wreszcie rozumienie danych w systemach dziedzinowych (systemach transakcyjnych, CRM, inwestycyjnych itd.), jedno z wyzwań stojących przed specjalistami pracującymi nad rozwojem wykorzystania sztucznej inteligencji.
Wspomaganie ekspertów
To tu systemy oparte o sieci neuronowe święcą największe sukcesy w sektorze finansowym. Pomaga w tym nie tylko rozwój technologii, ale także najmniejsze bariery psychologiczne; w tym modelu to człowiek jest nadal odpowiedzialny za ostateczną decyzję. W tej kategorii znajdziemy dojrzałe systemy w obszarze tradingu (ustalanie spreadów, podpowiadanie decyzji inwestycyjnych, znajdowanie okna czasowego na składanie zleceń), wykrywania przestępstw finansowych (monitorowanie transakcji, wykrywanie nadużyć), analizy zachowania klientów (klastrowanie, retencja). Wiele z tych rozwiązań zbliża się do momentu całkowitej automatyzacji, natomiast największą barierą są wymagania regulacyjne. Sieci neuronowe działają na zasadzie „czarnego pudełka”, bardzo trudno zrozumieć, dlaczego podejmują konkretne decyzje, budzi to więc pewien niepokój.
Automatyzacja operacji back office
Ten niepokój, związany z brakiem możliwości pełnego wytłumaczenia schematów działania sieci neuronowych, stanowi największy hamulec dla rozwoju automatyzacji operacji back office. Wiele ośrodków badawczych pracuje nad rozwiązaniami, które byłyby w stanie wyjaśnić powody stojące za decyzjami maszyn i najczęściej tworzy się w tym celu oddzielne sieci, które odpowiadają za tłumaczenie powodów decyzji sieci głównej. Po usunięciu tej bariery potencjał zastosowania sztucznej inteligencji jest ogromny, otwierają się również nowe możliwości oszczędności w dziale operacyjnym danej instytucji. Rozwiązania dla takich obszarów jak uzgodnienie sald, utrzymywanie danych referencyjnych, rozliczanie transakcji, wydają się więc być o krok od dojrzałości.
Podsumowanie
W niektórych obszarach jesteśmy niemal gotowi do pełnego korzystania z dobrodziejstw sztucznej inteligencji, w innych musimy nieco zaczekać, stanie się to w przyszłości. Obecnie większość rozwiązań, o których mowa, jest na etapie tzw. proof of concept, czyli udowadniania, że jest potencjał, by stały się rozwiązaniami dojrzałymi. Niepodważalnie jednak stoimy o krok od coraz szerszej adaptacji tego rodzaju rozwiązań. Wiele osób mówi wręcz o następnej rewolucji przemysłowej, jednak czas pokaże, jak będzie naprawdę.
Autor: Maciej Wolański, Executive Director - Head of Engineering Practice EMEA, UBS
