Sztuczna inteligencja zrewolucjonizuje bankowość? AI, jej potencjał i zagrożenia

O rewolucji, którą ma przynieść sztuczna inteligencja, słyszymy od 60 lat. Dziś mamy dostęp do większej ilości danych niż kiedykolwiek przedtem (80% wszystkich danych zostało wygenerowane w ciągu ostatnich 2 lat!), dysponujemy potężniejszymi procesorami graficznymi, które pozwalają przetwarzać obrazy nawet 60 razy szybciej niż tradycyjne, rozwija się uczenie maszynowe.

Wydaje się, że jesteśmy na granicy przełomu, jednak wciąż pozostaje pytanie, kiedy AI zacznie przynosić realne korzyści biznesowe. Wdrożenie sztucznej inteligencji znalazło się w planach strategicznych wielu banków na najbliższe lata. O tym, jak ta technologia zmienia oblicze bankowości dyskutowaliśmy podczas Spotkania Liderów Bankowości i Ubezpieczeń.

Definicja AI

Sztuczna inteligencja (artificial intelligence, AI) oznacza szeroko pojętą umiejętność maszyn do podejmowania decyzji i uczenia się. Należy tu wyraźnie odróżnić wąską AI, zaprojektowaną do wykonywania jednego, konkretnego zadania, oraz ogólną, czyli zdolną dopasować się do nowych okoliczności oraz podołać każdemu intelektualnemu zadaniu, któremu podołałby człowiek.

W marcu 2016 roku AlphaGo, program stworzony przez Google DeepMind, pokonał w grze w Go jednego z najbardziej doświadczonych graczy na świecie, Lee Sedola. Jak wskazał w dyskusji Dariusz Piotrowski (Dyrektor Zarządzający, Dell EMC), to znak nowego etapu w rozwoju AI, bowiem w pojedynku algorytm Google wykazał się intuicją - wykonywał ruchy, których nie wykonałby ludzki zawodnik, nawet neofita. Grając niezgodnie z przyjętymi praktykami i tradycją, wybijał doświadczonego zawodnika z rytmu.

Zastosowanie biznesowe

W biznesie AI wykorzystuje się w tak różnych dziedzinach jak asystenci głosowi (Siri czy Alex, pozwalające składać zamówienia z wykorzystaniem poleceń głosowych), robotyka (np. Kiva Amazona - roboty kompletujące zamówienia; więcej na ten temat w ramce poniżej) czy personalizacja.

Na dziś w bankowości AI oznacza przede wszystkim robotyzację i automatyzację procesów. Banki chętnie testują też chatboty, które mają usprawniać obsługę klienta. Obecnie bardzo duże zastosowanie dla mechanizmów data science (analityki behawioralnej) oraz mechanizmów machine learning znajdują w obszarze fraud detection. Dzięki nim system może szybko automatycznie wychwycić anomalie behawioralne - np. gdy klient banku loguje się do konta z kraju, w którym nigdy przedtem nie był, z przeglądarki bądź urządzenia, którego dotąd nie używał, lub gdy porusza się w obrębie serwisu w inny sposób, niż robi to zazwyczaj. Pozwala to błyskawicznie reagować na pojawiające się zagrożenia.

Dane na podstawie: Rewolucja AI. Jak sztuczna inteligencja zmieni biznes w Polsce, Raport McKinsey & Company, Forbes Polska, 2017.

Paliwem AI są dane

Fundamentem dla wdrożenia sztucznej inteligencji są duże zbiory danych. Jim Marous obrazuje ten problem w formie piramidy Maslowa: u podstawy, tam, gdzie znajdują się najbardziej bazowe potrzeby, lokuje się zbieranie danych. Następne warstwy piramidy to ich procesowanie, data governance, segmentacja, a dopiero jej zwieńczeniem jest sztuczna inteligencja. To właśnie duże ilości danych dostarczają algorytmom materiału do uczenia się.

Na tym etapie w bankowości kluczowym zagadnieniem jest pozyskiwanie i strukturyzowanie danych.

Wyzwania

Pozyskiwanie, gromadzenie i strukturyzowanie danych to nie jedyne wyzwania przed którymi stoją banki, chcące wdrażać rozwiązania sztucznej inteligencji. Kamil Gustaw (Dyrektor Centrum Badań i Rozwoju Produktów Bankowych, Citi Handlowy) zauważa, że trudno będzie wyjaśnić regulatorowi, jak działa sztuczna inteligencja oraz jaki dokładnie będzie zakres jej działania - skoro maszyna ma z definicji się uczyć i samodzielnie na podstawie danych tworzyć nowe schematy zachowania, nawet jej twórca w punkcie wyjścia nie może sprecyzować sposobu, w jaki ona podejmuje decyzje.

Powstaje również pytanie, czy klienci są gotowi na to, że w tak wrażliwej sprawie, jak ich pieniądze, będą kontaktować się, dajmy na to, z chatbotem. Czy taka technologia nie będzie na klientów działać odstraszająco?

Klient w dobie AI

Marcin Kotarba, Dyrektor Departamentu Analiz i Strategii, Deutsche Bank Polska, twierdzi, że wiele zależy tu od segmentu - klienci premium pewnie będą przywiązani do tradycyjnej obsługi klienta i będą oczekiwać kontaktu miedzyludzkiego. Z kolei np. dla millennialsów liczy się efekt: chcą szybko uzyskać potrzebną informację i nie ma dla nich znaczenia, czy dostarczył ją człowiek, czy bot. Co więcej, innowacyjne rozwiązanie technologiczne może mieć dla nich walor atrakcyjnej nowości.

Koniec końców ten dylemat sprowadza się do zagadnienia Customer Experience.Paradoksalnie używamy technologii po to, by kontakt między klientem a bankiem wydawał się bardziej ludzki. Dostarczamy spersonalizowane oferty, zapewniamy spójność komunikacji w każdym kanale, usprawniamy procesy. Technologia jest środkiem do osiągania celów - czyli zadowolenia klientów - a nie autonomicznym celem. Rozwiązania AI wdrażane jako sztuka dla sztuki nie mają większego sensu.

Rekomendacje

Podstawą dla takich przedsięwzięć jest opracowanie uzasadnienia biznesowego i realistyczna ocena, w jakich obszarach AI może przynieść korzyści. Drugim istotnym warunkiem skutecznego wdrożenia jest wdrożenie AI w obszarze strategicznie ważnym i silne przekonanie o jego istotności - tak, jak to się stało w opisanym powyżej przypadku Amazona, wdrażającego roboty Kiva.

Innowacyjne rozwiązania technologiczne - a dziś banki stają się spółkami technologicznymi - powstają w sytuacji, gdy istnieje realny, cross-dziedzinowy dialog: tak jak w tribe'ach ING Banku Śląskiego, który śmiało adaptuje metodykę agile. W takich organizacjach specjaliści IT nie są odłączeni od biznesu, ale nieustannie wchodzą z nim w dialog i sami proponują nowe rozwiązania. Dlatego to właśnie odejście od silosowych podziałów stanowi warunek konieczny udanej adopcji nowoczesnych rozwiązań - w tym sztucznej inteligencji.