Umetna inteligenca spreminja bančni sektor

Umetna inteligenca odločno vstopa v bančništvo. Raziskave kažejo, da je leta 2020 globalno vsaka tretja banka uporabljala prediktivno analitiko, prepoznavanje glasu in podobne tehnologije, vsako leto pa naj bi ta trg zrasel za 33 odstotkov. Banke v Sloveniji v splošnem zaostajajo za globalnimi trendi, a primeri dobrih praks obstajajo.

Avtorji Globalnega poročila o umetni inteligenci v bančništvu ocenjujejo, da je bil ta trg leta 2020 vreden približno 3,9 milijarde ameriških dolarjev, leta 2030 bo ob pričakovani hitri rasti dosegel že več kot 64 milijard dolarjev. Podatke o uporabi strojnega učenja v finančnih institucijah v Veliki Britaniji je nedavno objavila britanska centralna banka Bank of England. Uporabo oziroma razvoj aplikacij je potrdilo kar 72 odstotkov finančnih družb, ki so sodelovale v raziskavi, v naslednjih treh letih naj bi se število aplikacij strojnega učenja povečalo za 350 odstotkov.

Kot pojasnjuje profesor Timotej Jagrič, predstojnik Inštituta za finance in umetno inteligenco na mariborski Ekonomsko-poslovni fakulteti, umetna inteligenca in podatkovna analitika bankam dajeta številne priložnosti, razvoj v tej smeri pa je edini način, s katerim se bodo banke lahko zoperstavile fintech podjetjem, ki vstopajo v bančni sektor. »Če bodo aktivne na tem področju, jim tehnološka podjetja ne bodo sposobna konkurirati, saj imajo banke prednost v velikosti in specifičnih znanjih,« je prepričan Jagrič.

Slovenski razvoj v svetovnem vrhu

Opozarja na potencial sodelovanja bank in fakultet na tem področju, ki v Sloveniji ni izkoriščen. »Na univerzah intenzivno razvijamo metode umetne inteligence in podatkovne analitike, v marsičem smo v svetovnem vrhu tako pri razvoju kot tudi pri implementaciji v praksi. Na našem inštitutu smo se usmerili prav v to področje, ogromno vlagamo, razvijamo metode in tudi programsko ter strojno opremo, močno smo vpeti v mednarodno okolje. V Sloveniji je v nasprotju s tujino malo zanimanja, izhaja predvsem iz zavarovalništva, sodelovali smo z združenjem bank,« opisuje izkušnje s slovenskim finančnim sektorjem. Poudarja sicer, da banke ne spijo, večje imajo interne time, ki se ukvarjajo s tem.

V bankah, ki pri svojih procesih uporabljajo umetno inteligenco in podatkovno analitiko, izboljšajo moč obdelave podatkov, povečajo operativno učinkovitost ter sposobnost odkrivanja goljufij in pranja denarja. S pomočjo tehnologij tudi lažje in bolje obvladujejo ter nadzirajo tveganja, druga plat tega pa je, da se poveča ranljivost bank v izrednih okoliščinah. Pojavljajo se nove oblike tveganj, ki jih prej finančni sektor ni poznal in jih je nujno treba ustrezno obravnavati.

V Sloveniji je še neizkoriščen potencial sodelovanja bank z raziskovalnimi inštitucijami pri razvoju metod umetne inteligence in podatkovne analitike, poudarja Timotej Jagrič. FOTO: Blaž Črnič

V tem delu igra ključno vlogo regulator, ki mora imeti ustrezna znanja. »Z uporabo metod, ki temeljijo na umetni inteligenci in strojnem učenju, se pojavljajo novi načini upravljanja v bančnem sektorju. Zanašanje na kompleksne modele umetne inteligence lahko vodi do procikličnega verižnega vedenja v času tržnega stresa,« pojasnjuje Jagrič.

Z vidika komitentov uporaba tehnologij pomeni, da imajo banke priložnost bolje poznati njihove potrebe in v skladu s tem prilagajati produkte na individualni ravni, kar si potrošniki danes želijo. Vendar pa ima prav to lahko tudi diskriminatorne učinke.

Vse to v jedru spreminja bančni in širši finančni sektor, prinaša pa tudi vprašanja, ki jih bo treba reševati z ustrezno regulativo. Sogovornik se je dotaknil še pomena ustreznih podatkov: »O uporabi v umetni inteligenci lahko govorimo šele, ko je na voljo zadostna količina podatkov, ki morajo biti kakovostni in nepristranski. Če tega ni, lahko modeli vodijo v škodljivo ciljanje, finančno izključenost in zmanjšanje zaupanja. To pa niso več zgolj strokovne, temveč tudi etične dileme, ki jih odpira nova tehnologija.«

Boljše in hitrejše odločanje

Uporaba umetne inteligence in podatkov sta temelja digitalne preobrazbe. Banke imajo tu izjemno priložnost, ki je ne smejo zamuditi, pravi dr. Franc Bračun, pomočnik uprave in direktor za podatke (ang. Chief Data Officer) v NLB, kjer statistične modele in strojno učenje uporabljajo za upravljanje tveganj ter pri prodaji produktov in upravljanju odnosov s strankami.

»V rastočem digitalnem svetu, kjer stranke zahtevajo hitrejše, natančnejše in bolj prilagojene možnosti, postaja umetna inteligenca še bolj ključna, saj tradicionalnim bankam omogoča, da se razvijajo in zagotavljajo prilagojene in ustrezne uporabniške izkušnje, s katerimi lahko držijo korak s sodobnimi konkurenti. Kombinacija celostnih podatkov in umetne inteligence daje bankam konkurenčno prednost na trgu,« je prepričan Bračun, saj omogoča, da stranke dobijo pričakovane intuitivne in inteligentne izkušnje pri odobritvah kreditov, priporočila za vrste produktov in računov, večjo preglednost pri pojasnjevanju, kako se sprejemajo odločitve, ki vplivajo nanje.

Umetna inteligenca banki pomaga pri izpopolnjevanju obstoječega odločanja o kreditnem tveganju in omogoči, da razume in predvidi trenutne potrebe strank in njihov razvoj skozi čas. Zato jim lahko daje natančnejša priporočila za produkte. »Dva tipična primera uporabe sta napovedovanje verjetnosti, da stranka ne bo poravnala obveznosti do banke, in kakšna je naklonjenost stranke do kreditne kartice oziroma potrošniškega kredita. Rešitve umetne inteligence, ki jih uporabljamo ali pa razvijmo, obsegajo vse od zaznave potencialnih zlorab plačilnih kartic do obdelave tekstov z modeli globokega učenja,« je opisal Bračun in dodal, da te rešitve povečujejo učinkovitost, saj omogočajo avtomatizacijo določenih odločitev in tudi procesov. To zmanjšuje možnost napak, zaposleni pa se lahko posvetijo nalogam z višjo dodano vrednostjo.

Boljša uporabniška izkušnja

Rešitve umetne inteligence zvišujejo tudi kakovost in hitrost odločanja, saj imajo odločevalci na voljo dodatne informacije takrat, ko jih potrebujejo. Modeli strojnega učenja se uporabljajo tudi za prepoznavanje vzorcev, po katerih stranke spreminjajo obnašanje, iz česar je mogoče predvideti, kakšen bo odziv v prihodnje. Te informacije se uporabljajo za oblikovanje ponudbe za stranke in za bolj inteligentno razvrščanje strank v segmente.

Če banka uporablja napredno analitiko in umetno inteligenco, ima stranka številne koristi. Kot pojasnjuje Bračun, so to nižji stroški, krajši čas čakanja na odobritev kredita, hitrejši in enostavnejši dostop do produktov oziroma storitev takrat, ko to potrebujejo.

»Danes stranke pričakujejo hiter odziv in prilagojeno vsebino. Z algoritmi strojnega učenja lahko banke hitro analizirajo vedenje uporabnikov in njihove kreditne ocene, da razvijejo prilagojene ponudbe za vsako stranko posebej. Zato stranke hitro dobijo prav to, kar potrebujejo, brez odvečnega obremenjevanja z neustrezno ponudbo.

Avtomatizacija odločanja na primer bistveno skrajša čas odobritve kredita, saj se odobritev lahko izvede v celoti na daljavo, na primer prek mobilne banke. Še več: modeli lahko vnaprej avtomatično izračunajo višino kredita, ki ga lahko stranka dobi, ne da bi morala oddati dodatno dokumentacijo. Vse to jim prihrani čas, hkrati pa dobijo ponudbo takrat, ko jo potrebujejo in je resnično relevantna zanje. Vse to izboljšuje uporabniško izkušnjo,« našteva Bračun.

Podatki niso več samo številke

Gonilna sila umetne inteligence pa so kakovostni podatki, poudarja Bračun. V NLB razvijajo rešitve tako za uporabo baz podatkov v poslovne namene kot tudi za njihovo bogatenje z novimi, pridobljenimi z umetno inteligenco iz nestrukturiranih virov, kot so tekst, slike, videoposnetki in glas. V preteklosti je bilo mogoče učinkovito izkoriščati zgolj numerične in kategorične podatke, tehnologije globokega učenja pa omogočajo tudi učinkovito obdelavo tekstov in drugih oblik podatkov, ki so v pogodbah, vlogah, zahtevkih, e-pošti ..., saj jih je mogoče zelo učinkovito pretvoriti v numerične podatke in jih uporabljati za različne namene brez kakršnega koli posredovanja človeka.