Нечеловеческие способности: как ИИ меняет финансовую отрасль

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.