Искусственный интеллект в банковской сфере доклад

Обновлено: 16.05.2024

Чат-боты, нейросети и другие явные преимущества ИИ

Если преимущество чат-ботов и виртуальных помощников очевидно, так как они позволяют в круглосуточном режиме использовать банковские услуги, не дожидаясь ответа человека, то с другими аспектами стоит разобраться детальнее.

Безопасность

ИИ научился анализировать данные транзакций и ловко распознавать мошеннические действия. Алгоритмы определяют закономерности, выявляют подозрительные активности, банальные ошибки и даже террористические следы, а за счет машинного обучения технология совершенствуется и обновляется.

Помимо прочего, ИИ оценивает андеррайтинг (анализ уровня платежеспособности потенциального клиента), параллельно взвешивает риски по портфелям и контролирует операции, похожие на отмыв средств (AML – anti-money laundering). Кредитные риски, в свою очередь, базируются на IRB-подходе, который использует внутренние рейтинги самих банков.

Маркетинг

В секторах B2C и B2B вдогонку идет контроль за тем, как пользователи тратят деньги, чтобы давать потребительские советы, подбирать лучшее предложение, может быть, посоветовать физическому лицу оформить надежную копилку, либо завести виртуальную карту, если, к примеру, человек активно совершает покупки на eBay, дабы подстраховать его на случай недобросовестных продавцов.

Документооборот

Аудит

С приходом ИИ расширились и рамки аудита – проведение оценки на основании расчета многочисленных факторов стало реальной задачей для цифровых мощностей банковского сектора. Например, Due Diligence (процедура составления объективного представления об объекте инвестирования) прекрасно адаптировался под нейронные сети. Также это способствовало освобождению внушительного человеческого ресурса для использования в других задачах, где ИИ пока не всесилен.

Торговля

Сейчас практически каждый клиент известного банка может похвастаться цифровым брокером, а уж если затрагивать аналитические способности моделей и способность к прогнозированию, то будет ясно, почему вокруг столько шумихи насчет Python (хотя подойдут и другие языки программирования). Для сравнения, из 600 трейдеров в Goldman Sachs U.S. на момент 2000 года только двое добралось до 2017-го.

Темная сторона ИИ – возможные недостатки

Но у всего есть обратная сторона, и в тени искусственного интеллекта, глобальной цифровизации скрывается несколько противоречий.

Опираясь на данные Business Insider, можно констатировать, что 75% респондентов в банках с активами более $100 млрд уже внедряют ИИ, но среди банков с активами менее $100 млрд показатель находится на отметке 46%.

И сомнения некоторых банков зиждутся на следующих факторах:

Ошибки, отказы в авторизации или в проведении транзакций могут быть еще меньшим злом, по сравнению с глобальной утечкой данных. Компромиссы по выстраиванию достойной защиты – исключены, и вектор на облачные технологии обяжет вас радикально изменить структуру компании.

Второй неоднозначный минус использования ИИ – стоимость внедрения и содержания. Как и в случае с Data Science, необходимо взвешивать масштабы предприятия (банка), потенциальную выгоду и расходы на функционирование подобных отделов.

Выводы

В итоге от внедрения ИИ, машинного обучения и облачных вычислений мы получим больше плюсов, нежели минусов. По большому счету, чтобы в реальных условиях всегда находиться в выигрыше, вам необходимо опираться на следующие аспекты:

масштаб банка;
четкая и налаженная структура между отделами, способствующая внедрению облачных вычислений, Big Data и механизмов ИИ для анализа и хранения данных;
выбор надежного поставщика услуг, в том числе на серверной стороне, дабы избежать утечки данных и взломов;
численность штата сотрудников;
оценка затрат на развертывание и содержание ИИ, а также (вопрос совести) решение проблем с потенциально безработными кадрами, которых заменят машины.

Одним словом, все будет зависеть от того, как будет выстроена данная инфраструктура, в банке какого калибра (бюджета) и как в дальнейшем будет осуществляться ее обслуживание и обучение.

Для каких целей банки используют ИИ

ИИ в банковском деле ускорил доступ к продуктам для многих клиентов и автоматизировал некоторые этапы внутренних процессов, что также повлияло на скорость обслуживания, назвал одну из причин использования ИИ исполнительный вице-президент, руководитель отдела по работе с данными Райффайзенбанка Нерсес Багиян.

Еще одна причина: оптимизация расходов. Например, 2020 году внедрение ИИ принесло Сбербанку финансовый эффект в ₽100 млрд — это и заработанные, и сэкономленные деньги. В 2021 году этот показатель может составить уже ₽200 млрд, рассказал РБК Трендам первый зампред правления Сбербанка Александр Ведяхин.

Примеры использования ИИ

Новые возможности ИИ в банках

От оценки рисков клиента к персонализации обслуживания и анализу эмоций.

Московский кредитный банк наибольшее внимание уделяет изучению поведения клиента по результатам его активностей на сайте банка или в каналах дистанционного обслуживания для своевременного предложения лучшего продукта, рассказал советник заместителя председателя правления МКБ Сергей Костюк.

Определение места для открытия отделений.

В Альфа-банке искусственный интеллект делает основную работу при принятии решений о том, где в стране открывать новые отделения, поделился Верхошинский.

Определение лучшего времени работы сотрудников.

Барьеры использования ИИ

Большинство опрошенных РБК Трендами банков главным барьером назвали нехватку квалифицированных специалистов: дата-сайентистов (умеют преобразовывать большие массивы данных и применять их для решения конкретных задач), специалистов по ИИ, анализу данных и машинному обучению и т.п.

Не стоит относиться к ИИ как к волшебной палочке, которая решает задачи сама по себе — для построения качественных моделей необходима глубокая экспертиза команды как в области понимания алгоритмов, инструментов, так и банковских процессов. Это барьер преодолим за счет инвестиций в развитие сотрудников и программы подготовки начинающих специалистов на стороне компаний.

Риски использования ИИ

К рискам можно отнести выход систем из-под контроля и причинение вреда человеку и обществу, непонимание и непредсказуемость действий алгоритмов, недостаточная устойчивость и надежность систем принятия решений. Зачастую сложно выяснить, почему ИИ выбрано то или иное решение. Это может вызывать недоверие к системам, использующим технологии искусственного интеллекта.

Результат работы моделей ИИ зависит от значительного объема данных из различных, в том числе внешних, источников. Это повышает требования к системам информационной безопасности для компенсации рисков намеренного искажения входных данных, назвала еще один риск директор Центра развития финансовых технологий Россельхозбанка Елена Батурова.

Для устранения этих рисков Сбербанк одним из первых в России утвердил принципы этики ИИ. Они дают сотрудникам ориентиры, как поступать в ситуациях этических дилемм, которые могут возникнуть при взаимодействии с ИИ, рассказал Ведяхин. ВТБ для решения этих проблем внедрил систему управления моделями.

Я работаю в компании eKassir , мы занимаемся разработкой коробочного ПО для банков и финансовых организаций, в том числе — фронтальных приложений, решений для обработки платежей и т.д. Так как в наших продуктах и фронтальных системах клиентов есть много полезных данных, мы задумались о том, что с их помощью можно улучшать банковские продукты, используя AI.

Искусственный интеллект (AI) — это область, посвященная созданию интеллектуальных систем, работающих и действующих как люди. Основной целью таких искусственно созданных систем является воспроизведение черт человеческого интеллекта:

планирование
обучение
рассуждение
решение проблем
оперирование данными и их использование
восприятие
контроль и манипулирование объектами
и, в меньшей степени, социальный интеллект и креативность.

Термины AI и Data Science пересекаются в области машинного обучения (ML, machine learning).

ML — это класс методов искусственного интеллекта, характерной чертой которого является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. ML — наиболее простой класс методов ИИ, которые можно применить в любой организации (в том числе и в банке) и достичь практического результата без каких-то крупных вложений.

Data Science - это наука о данных, объединяющая разные области знаний (информатику, математику и системный анализ). Сюда входят:

методы обработки больших данных Big Data
интеллектуальный анализ данных (Data Mining)
статистические методы
методы искусственного интеллекта, в том числе машинное обучение (ML)

Разберем на примере, который давно используется во многих банках — кредитный скоринг.

Бизнес цель: Улучшить качество кредитного портфеля.

Задача: Реализовать алгоритм оценки кредитоспособности входящего потока клиентов и обосновать его эффективность на кредитном комитете.

Подготовка к решению. Задачу оценки кредитоспособности клиента решим через прогнозирование вероятности дефолта по клиенту. Главное, что нам нужно, перед тем как к ней приступить — это найти данные по клиентам и случаи наступления кредитных дефолтов по ним же. Так как это влияет на качество предсказания, очень важно собрать максимально доступный набор параметров клиентов (например, пол, возраст, образование, ежемесячный доход, информация о посещаемых сайтах, количество фотографий в соцсетях). По найденному набору данных делаем слияние параметров с наличием просрочки по кредиту, и, исходя из этого, можем спрогнозировать по входящему клиенту и его параметрам вероятность попадания на просрочку.

Порядок решения задачи:

Готовим Data set — собираем из разных систем максимальное количество клиентских параметров и данных по ним
Очищаем данные и работаем с аномалиями признаков — насколько правильно у нас заполнены параметры клиентов? например, какие-то параметры могли раньше не заполняться или изменить свое значение со временем
Переводим параметры клиентов в значимые: текст — к списку, непрерывные значения — к сегментам (возраст, например, к группам)
Добавляем к параметрам целевую переменную: в нашем примере — бинарную (дефолтный клиент или нет)
Обучаем разные виды моделей
Сравниваем качество предсказания у разных моделей
Выбираем лучший вариант по качеству предсказания и интерпретируемости
Внедряем модель в действующие бизнес процессы
Периодично пересчитываем модель, отслеживая рыночную ситуацию.

Как связаны Big Data и машинное обучение? Для построения моделей машинного обучения требуется много и разных данных. Big Data — это обозначение данных, обладающих 5 характеристиками:

данные больших объемов
разнообразные
достоверные
ценные
быстрорастущие

В таблице ниже показаны особенности работы с обычными и большими данными.

Большинство банков сейчас работает с обычными данными, которые хранятся в реляционных базах данных — например, данные транзакционных систем.

Примером Big Data могут быть телефонные звонки в аудио-формате — это огромное количество информации, содержащей полезные данные, но из них сложно извлечь какую-то ценную информацию. Для работы с большими данными необходима новая аппаратная платформа (с новой файловой системой и базой для хранения), эксперты для её разворачивания и специалисты в области Data Science для обработки больших объемов данных.

Процесс работы с данными начинается от бизнесмена: он должен сформулировать проблему. Далее необходимо перевести её в область данных, собрать Data set, и только после этого имеет смысл подключать Data Scientist’а к алгоритмизации, инжинирингу фич и математическому моделированию.

После формирования модели важно проанализировать варианты её интерпретации и возможность внедрения в инфраструктуру банка.

На практике много проектов проходит этап разработки и зависает на этапе моделирования и внедрения в промышленный контур, так как не было учтено, что для успешной работы модели в пром надо подать определенный поток данных. А это может потребовать большого количества времени и ресурсов.

1. Банк обучает бизнес-экспертов инструментам Data Science и методам Big data. Очень частое явление в крупнейших банках: обучать представителей бизнес направлений Data Science, программированию на Python и т.д.

2. Погрузить эксперта Data Science в предметную область. Банк ищет эксперта Data Science и учит его бизнесовому мышлению и банковскому делу. Но вопрос — захочет ли такой специалист погружаться в другую область?

3. Оптимальный вариант — привлечь внешнюю компанию, которая имеет опыт и в работе с данными, и в предметной области, и в понимании продуктовых вещей.

Но на сегодняшний день на рынке специализированных компаний для банков нет. Поэтому eKassir стремится стать экспертом в этой области и помочь банкам в решении Data Science задач.

С чего начать, если банк всё-таки решился поработать с большими данными с нуля?

Собрали информацию о том, что необходимо сделать и с помощью каких инструментов, если вы собрались работать с Big data своими силами.

Особенно важен последний этап — модель необходимо постоянно актуализировать, пересчитывать, так как она постоянно меняется со временем. Например, если она связана с клиентами — меняется портрет клиента, меняется рыночная ситуация и т.д. Важно все эти вещи отслеживать и закладывать время на поддержку моделей в пром. контуре — пересчет и работу с ними.

Как конкретно мы в eKassir применяем технологии AI в своих решениях.

Как обычно происходит оплата у юридических лиц? Бухгалтер набивает платежку, отправляет её в банк, в банке платежка уходит на обработку, потом в ручном режиме надо проконтролировать её статус — ушла ли она в обработку или нет. Часто необходима ручная обработка платежки операционистом. Чтобы сократить время обработки и снизить нагрузку на оперблок в банке, мы разработали решение для проверки заполнения полей платежного поручения в онлайн-режиме.

Текст назначения платежа направляем в режиме реального времени по Rest API в наш сервис (обученную нейронную сеть RoBERTa), а на выходе получаем его разобранный по полям:

Также эта нейронная сеть может использоваться для финмониторинга. Если прогнать через неё все входящие и исходящие платежи, то она поймет, за что юрлицо получает/отправляет деньги и на основе простого анализа сможет сигнализировать, когда в платежах появятся какие-то аномалии, и работа юрлица вызовет подозрения.

2. Управление наличными денежными средствами в банке.

Дальнейшие планы по развитию решения — интегрировать с системой планирования инкассаций, работающей по аналогии с программным обеспечением для курьеров (составляющей маршрут для инкассаторов). И добавить туда предиктивные вещи:

например, выгодна ли замена конкретного банкомата на ресайклер или нет?
оповещения о замене каких-то деталей в устройстве, чтобы избежать выхода из строя
оповещения о своевременном пополнении наличных (например, в зарплатных проектах, когда банкомат стоит на предприятии, и необходимо в определенный день его пополнять, чтобы не было проблем с выдачей зарплаты сотрудникам).

В статье мы постарались разобрать основные понятия, которые необходимо знать для начала работы с технологиями AI банковским управленцам и поделились своим опытом применения этих технологий конкретно в банковской сфере. Будем рады ответить на вопросы в комментариях и обменяться опытом с коллегами (если у вас в компании есть опыт применения AI в финансах).

Искусственный интеллект и банки

В 1994 году в Мюнхене проходил шахматный турнир – и против известных гроссмейстеров играла компьютерная программа Fritz 3. Программа смогла несколько раз обыграть известных шахматистов с мировым именем – например, Владимира Крамника и Бориса Гельфанда. А в 1996-м шахматный суперкомпьютер Deep Blue выиграл первую партию против Гарри Каспарова, полностью обыграв его в 1997-м.

Это одни из первых проявлений искусственного интеллекта (ИИ) на практике – когда технологии выполняют творческие функции, которые всегда до этого считались прерогативой человека. Важно, что искусственный интеллект – это не то же самое, что искусственное сознание, он используется в узких сферах и достаточно сильно ограничен по возможностям.

Фактически ИИ – это те же компьютерные процессы, которые работают по сложнейшим алгоритмам и иногда могут принимать решения, схожие с теми, которые принял бы человек. Например, тот же самый шахматный суперкомпьютер Deep Blue каждые 3 минуты на своих 200 процессорах просчитывал 50 миллиардов возможных позиций.

До недавнего времени ИИ применялся там, где его применение было наиболее логично – в компьютерных играх (отвечая за действия условных противников), но со временем его начали использовать все шире и шире. Сейчас ИИ применяется в отборе рекомендаций в социальных сетях, в поиске, в управлении промышленными объектами, в медицине, военном деле и многих других сферах деятельности.

ИИ может частично заменить собой одного или нескольких человек – поэтому его логичнее всего применять там, где деятельность наиболее трудозатратная. Например, в финансовом секторе очень многое зависит от людей – начиная от процесса консультирования клиентов, заканчивая просчетом страховых премий и оценке кредитоспособности клиентов. Было очень даже логично, что технологии искусственного интеллекта рано или поздно начнут применяться в банковской сфере.

Началось все с простого – кое-каким наработкам на основе ИИ обучили чат-ботов и виртуальных помощников. Первая линия поддержки – самая загруженная в банке (это буквально весь шквал звонков от клиентов), а искусственный интеллект дает ответы на самые простые вопросы (например, как узнать баланс карты или заблокировать ее), сообщает некоторую информацию и решает, кому из более квалифицированных специалистов переадресовать обращение.

Но как именно банки применяют ИИ в своей деятельности?

Где в банковском деле можно применять ИИ?

На практике в банковском бизнесе технологии искусственного интеллекта применяются достаточно широко, говорит эксперт:

с его помощью автоматизируются процессы фронт-офиса (то есть, непосредственное взаимодействие с клиентами) и бэк-офиса (та часть работы, где сотрудник с клиентами не контактирует);
автоматизация работы подразделений по работе с клиентами;
работа вспомогательных подразделений банка;
работа по просроченной задолженности, и т.д.

Однако ИИ можно поручить далеко не все – операции должны быть как минимум более-менее однотипными и формализованными. Другими словами, из беспорядочного набора случайной информации о клиенте ИИ не сможет понять, можно ли ему выдать кредит – информация должна быть структурирована, а максимальное количество ее должно укладываться в какие-то формальные рамки.

Сам же ИИ работает тоже не сам по себе – такие системы предполагают, что их нужно для начала обучить. Как говорит эксперт по алгоритмической торговле Дмитрий Клименко, в банковской сфере (как и в других видах деятельности) используются алгоритмы машинного обучения. Пока нет однозначного мнения о том, можно ли считать их частью искусственного интеллекта, но цели и методы у них похожи.

В сильно упрощенном виде схема с машинным обучением выглядит так:

Что это дает клиентам банков?

Когда Герман Греф начал рассказывать о переходе на искусственный интеллект в Сбербанке, это чаще высмеивали, чем воспринимали всерьез – репутация у банка была такая, что никакой технологический прорыв в нем, казалось, будет уже невозможен. Тем не менее, постепенно проблемы решаются, а банковские системы начинают работать так, как и должны.

С точки зрения рядового клиента банка это может быть не так заметно, как изнутри него, тем не менее, влияние современных технологий может ощутить почти каждый. Так, с помощью ИИ российские банки делают следующее:

Кроме того, не так давно ИИ начал бороться с мошенниками. Помимо отслеживания сомнительных операций (например, когда мошенники воруют деньги с чужих карт), любой клиент Сбербанка может фильтровать входящие вызовы на телефон с помощью приложения, которое автоматически определяет мошенников.

Заменит ли ИИ персонал банков через 10 лет?

Основная цель внедрения искусственного интеллекта в банках – это замена им обычных, живых сотрудников. В банковском секторе достаточно высокие зарплаты (в среднем около 100 тысяч рублей), поэтому замена даже одного человека на робота даст банку миллионную экономию в течение года. Также за счет ИИ банки повышают качество обслуживания клиентов и ускоряют это обслуживание – например, пока один банк будет проверять заявку на кредит вручную, другой вынесет решение за пару секунд (и клиент не будет дожидаться ответа из первого банка).

Как рассказал нам Артем Гогин (раньше руководил направлением big data в Сбербанке), ИИ действительно может заменить человека на большинстве операций – от знакомства с клиентом до оформления ему ипотеки или даже назначения пенсии. И уже в пределах 10 лет клиенту будет достаточно предъявить паспорт и другие документы, а ИИ примет все решения самостоятельно.

Вообще же опрошенные нами эксперты дают разные прогнозы – кто-то считает, что через 10 лет в цифровой формат переведут порядка половины всех банковских операций, а кто-то говорит о 99%. Пока же речь идет о том, что ИИ занимается распознаванием документов (машинное зрение), а нейросети могут привлекаться к принятию решений по заемщикам. В долгосрочной же перспективе нужно решить проблему конфиденциальности – в этом случае действительно можно будет отдать компьютеру значительную часть информации.