Jak sztuczna inteligencja zakłóca finanse

Podsumowanie wykonawcze

Technologia ogólnego przeznaczenia to termin zarezerwowany przez ekonomistów dla technologii, które pobudzają długotrwały wzrost gospodarczy i postęp społeczny, rewolucjonizując zarówno działalność gospodarstw domowych, jak i korporacji. Przykładową technologią ogólnego przeznaczenia jest elektryczność. Elektryczność zrodziła wiele produktów i sektorów, w tym lodówki, pralki, pociągi i oczywiście komputery. Pojawienie się elektryczności radykalnie zmieniło świat.

Niedawny artykuł w Harvard Business Review określa sztuczną inteligencję (AI) jako najważniejszą technologię ogólnego przeznaczenia naszej ery . Znamy potęgę sztucznej inteligencji. Przejawia się w postaci robota pokonującego światowej sławy szachistę. Samochód, który może sam zaparkować równolegle. Urządzenia, które reagują na jutrzejszą pogodę, gdy o to poprosimy. Jednak większość naszego kontaktu ze sztuczną inteligencją i zrozumienia jej dotyczy produktów, które wpływają na nasze codzienne życie jako konsumentów. Na poziomie organizacyjnym istnieje większe pytanie o to, jak sztuczna inteligencja zrewolucjonizuje branże, a konkretnie, w jaki sposób usługi finansowe wykorzystają sztuczną inteligencję.

Poniższy artykuł zdefiniuje sztuczną inteligencję, dziedzinę związanych z nią technologii, wielkość całej branży AI oraz zastosowania sztucznej inteligencji w finansach. Celem tego artykułu nie jest przedstawienie normatywnego osądu rozwoju sztucznej inteligencji; skupi się raczej na tym, jak sztuczna inteligencja zakłóca finanse.

Sztuczna inteligencja: co to jest sztuczna inteligencja?

Sztuczna inteligencja to dziedzina informatyki skoncentrowana na tworzeniu inteligentnych maszyn, które działają jak ludzie. Komputery AI są zaprojektowane do wykonywania funkcji człowieka, w tym uczenia się, podejmowania decyzji, planowania i rozpoznawania mowy.

Sztuczna inteligencja umożliwia maszynom ciągłą poprawę ich wydajności bez konieczności dostarczania przez ludzi nakazowych instrukcji, jak to zrobić. Jest to ważne z kilku powodów. Po pierwsze, ludzie wiedzą więcej, niż jesteśmy w stanie powiedzieć. Oznacza to, że ludzie mogą być w stanie rozpoznać twarze lub zastosować mądrą strategię w grze w szachy. Jednak zanim pojawiła się zaawansowana technologia sztucznej inteligencji, niezdolność ludzi do wyrażania naszej wiedzy oznaczała, że ​​nie mogliśmy zautomatyzować wielu zadań. Po drugie, technologia AI jest nadludzka w realizacji, działa szybciej i często z większą dokładnością niż ludzie.

Technologie sztucznej inteligencji

Sztuczna inteligencja obejmuje wiele możliwości i technologii. Firma konsultingowa PWC podkreśla, że ​​sztuczna inteligencja „nie jest monolitycznym obszarem tematycznym. Obejmuje szereg rzeczy, które wszystkie dodają do naszego wyobrażenia o tym, co to znaczy być „inteligentnym”. Poniżej znajduje się kilka najpopularniejszych obszarów sztucznej inteligencji:

• Uczenie maszynowe to metoda analizy danych, która automatyzuje budowanie modeli analitycznych. Korzystając z algorytmów, które iteracyjnie uczą się na podstawie danych, uczenie maszynowe umożliwia komputerom znajdowanie ukrytych spostrzeżeń bez wyraźnego zaprogramowania, gdzie szukać.
• Głębokie uczenie to podzbiór uczenia maszynowego. Ułatwiło rozpoznawanie obiektów na obrazach, etykietach wideo i rozpoznawaniu aktywności, a także czyni postępy w percepcji (w tym dźwięku i mowie). Na przykład aplikacja DeepFace firmy Facebook została przeszkolona do rozpoznawania osób na zdjęciach. Wielu dokonuje porównania między technologią głębokiego uczenia a biologią, ale eksperci generalnie zgadzają się, że choć inspirowany ludzkim mózgiem, niekoniecznie jest wzorowany na nim.
• Przetwarzanie języka naturalnego to zdolność programu komputerowego do rozumienia ludzkiej mowy w czasie rzeczywistym. Badania i rozwój zmierzają w kierunku systemów zdolnych do interakcji z ludźmi poprzez dialog, a nie tylko reagowania na stylizowane prośby.
• Internet rzeczy (IoT) poświęcony jest idei, że szeroki wachlarz urządzeń, w tym urządzenia, pojazdy i budynki, może być ze sobą połączonych. Na przykład, jeśli alarm dzwoni o 7:00, może automatycznie powiadomić ekspres do kawy, aby zaczął parzyć kawę dla Ciebie. Technologie do noszenia, które podczas noszenia działają jak czujniki, są również częścią tego większego trendu.

Oczywiście ta lista nie jest wyczerpująca. Poniżej znajdziesz szerszy zakres tematów i technologii związanych ze sztuczną inteligencją.

Wielkość rynku sztucznej inteligencji

Wspomniany artykuł Harvard Business Review przewiduje, że „efekty sztucznej inteligencji będą spotęgowane w nadchodzącej dekadzie, gdy produkcja, handel detaliczny, transport, finanse, opieka zdrowotna, prawo, reklama, ubezpieczenia, rozrywka, edukacja i praktycznie każda inna branża zmieni ich podstawowe procesy i modele biznesowe w celu wykorzystania uczenia maszynowego. Wąskim gardłem jest zarządzanie, wdrażanie i wyobraźnia biznesowa.”

Przewiduje się, że powszechne przyjęcie AI w różnych branżach będzie napędzać globalne przychody w wysokości 12,5 mld USD w 2017 r. i 47 mld USD w 2020 r., przy złożonej rocznej stopie wzrostu (CAGR) wynoszącej 55,1% w latach 2016–2020. W szczególności branże, w które zainwestują najwięcej technologia to bankowość i sprzedaż detaliczna, a następnie opieka zdrowotna i produkcja. Łącznie te cztery branże będą stanowić ponad połowę globalnych przychodów ze sztucznej inteligencji w 2016 r., a sektory bankowy i detaliczny przyniosą po prawie 1,5 mld USD.

W różnych branżach największe inwestycje w sztuczną inteligencję w 2017 r. będą dotyczyły takich obszarów, jak zautomatyzowani agenci obsługi klienta, zautomatyzowana analiza zagrożeń i analiza oszustw (patrz wykres poniżej). Według Jessiki Goepfert, dyrektor programowej w firmie IDC zajmującej się badaniami rynku, „Bliskoterminowe możliwości dla systemów kognitywnych istnieją w branżach takich jak bankowość, papiery wartościowe i inwestycje oraz produkcja. W tych segmentach znajdujemy bogactwo nieustrukturyzowanych danych, chęć wykorzystania spostrzeżeń z tych informacji oraz otwartość na innowacyjne technologie”. W następnej części tego artykułu zagłębimy się w różne przypadki użycia sztucznej inteligencji w branży usług finansowych.

Obecne i przyszłe zastosowania sztucznej inteligencji w finansach

Sztuczna inteligencja w finansach może zwiększyć wydajność operacyjną w różnych obszarach, od zarządzania ryzykiem i handlu po ubezpieczenia i roszczenia. Podczas gdy niektóre aplikacje są bardziej odpowiednie dla określonych sektorów w usługach finansowych, inne można wykorzystać na całym świecie.

Sztuczna inteligencja w finansach: zarządzanie ryzykiem

Sztuczna inteligencja okazała się niezwykle cenna, jeśli chodzi o bezpieczeństwo i wykrywanie oszustw. Tradycyjne metody wykrywania oszustw obejmują komputery analizujące dane strukturalne pod kątem zbioru reguł. Na przykład dana firma płatnicza może ustawić próg dla przelewów bankowych na 15 000 USD, aby każda transakcja przekraczająca tę kwotę była oflagowana do dalszego zbadania. Jednak ten rodzaj analizy generuje wiele fałszywych alarmów i wymaga dużo dodatkowego wysiłku. Co być może nawet ważniejsze, oszuści cyberprzestępcy często zmieniają taktykę. Dlatego najskuteczniejsze systemy muszą być coraz mądrzejsze.

Dzięki zaawansowanym algorytmom uczenia, takim jak te z głębokiego uczenia, do systemu można dodać nowe funkcje w celu dynamicznego dostosowania. Według Samira Hansa, dyrektora ds. doradztwa w Deloitte Transactions and Business Analytics LLP, „Dzięki analityce kognitywnej modele wykrywania oszustw mogą stać się bardziej niezawodne i dokładne. Jeśli system kognitywny wyrzuci coś, co określi jako potencjalne oszustwo, a człowiek stwierdzi, że nie jest to oszustwo z powodu X, Y i Z, komputer uczy się na podstawie tych ludzkich spostrzeżeń i następnym razem nie wyśle ​​podobnego wykrycia w twoją stronę . Komputer staje się coraz mądrzejszy i mądrzejszy”.

Sukces PayPala dzięki sztucznej inteligencji i wykrywaniu oszustw

Weźmy na przykład giganta płatności PayPal i jego zaawansowane protokoły oszustw. Ze względu na swoją skalę i widoczność PayPal „ma na plecach ogromny cel”. W 2015 roku przetworzył 235 miliardów dolarów z czterech milionów transakcji przeprowadzonych przez 170 milionów klientów. Jednak PayPal był w stanie zwiększyć bezpieczeństwo, wykorzystując technologię głębokiego uczenia. W rzeczywistości oszustwa PayPal są stosunkowo niskie i wynoszą 0,32% przychodów, co jest wynikiem znacznie lepszym niż średnia 1,32%, którą widzą handlowcy.

W przeszłości PayPal korzystał z prostych, liniowych modeli. Obecnie jego algorytmy wydobywają dane z historii zakupów klienta i przeglądają wzorce prawdopodobnych oszustw przechowywane w rosnących bazach danych. Podczas gdy model liniowy może wykorzystywać 20-30 zmiennych, technologia głębokiego uczenia może sterować tysiącami punktów danych. Te rozszerzone możliwości pomagają firmie PayPal odróżnić transakcje niewinne od podejrzanych. Według Hui Wanga, starszego dyrektora ds. Global Risk Sciences firmy PayPal, „To, co cieszy nas z bardziej nowoczesnego, zaawansowanego uczenia maszynowego, to jego zdolność do konsumowania znacznie większej ilości danych, obsługi warstw i warstw abstrakcji oraz możliwości„ zobaczenia ”rzeczy [… ] nawet ludzie mogą nie widzieć”.

Sztuczna inteligencja w finansach: handel

Przejście od modeli stworzonych przez człowieka do prawdziwej sztucznej inteligencji

Od lat firmy zarządzające inwestycjami polegają na komputerach przy dokonywaniu transakcji. Około 1360 funduszy hedgingowych, reprezentujących 9% wszystkich funduszy, opiera się na dużych modelach statystycznych zbudowanych przez naukowców zajmujących się danymi, często posiadających doktoraty z matematyki (znanych również jako „kwanty”). Jednak modele te wykorzystują tylko dane historyczne, są często statyczne, wymagają interwencji człowieka i nie działają tak dobrze, gdy zmienia się rynek. W związku z tym fundusze coraz częściej migrują w kierunku prawdziwych modeli sztucznej inteligencji, które mogą nie tylko analizować duże ilości danych, ale także stale się poprawiać.

Te nowe technologie wykorzystują złożone techniki, w tym głębokie uczenie, formę uczenia maszynowego zwaną sieciami bayesowskimi oraz obliczenia ewolucyjne inspirowane genetyką. Oprogramowanie handlowe AI może absorbować ogromne ilości danych, aby poznać świat i przewidywać rynek finansowy. Aby zrozumieć globalne trendy, mogą konsumować wszystko, od książek, tweetów, wiadomości, danych finansowych, liczb zarobków i międzynarodowej polityki pieniężnej po skecze Saturday Night Live.

Aby było jasne, powyższe różni się od handlu o wysokiej częstotliwości (HFT), który pozwala traderom realizować miliony zleceń i skanować wiele rynków w ciągu kilku sekund, reagując na możliwości w sposób, w jaki ludzie po prostu nie mogą. Omówione powyżej platformy oparte na sztucznej inteligencji poszukują najlepszych transakcji w dłuższej perspektywie, a strategię dyktują maszyny, a nie ludzie.

Niektóre z tych systemów transakcyjnych AI są opracowywane przez startupy. Na przykład Aidiya z siedzibą w Hongkongu jest w pełni autonomicznym funduszem hedgingowym, który dokonuje wszystkich transakcji giełdowych przy użyciu sztucznej inteligencji (AI). „Gdybyśmy wszyscy umrzeli”, mówi współzałożyciel Ben Goertzel, „by dalej handlował”. Tradycyjne instytucje są również zainteresowane technologią handlu AI. W 2014 roku Goldman Sachs poprowadził rundę finansowania Serii A i zaczął instalować platformę transakcyjną AI o nazwie Kensho. W rundzie serii B Kensho, oprócz S&P Global, wzięło również udział sześć największych banków z Wall Street (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup i Wells Fargo).

Porównanie wyników handlowych

Niedawne badanie przeprowadzone przez firmę badawczą Eurekahedge prześledziło wyniki 23 funduszy hedgingowych wykorzystujących sztuczną inteligencję w latach 2010-2016, stwierdzając, że przewyższały one fundusze zarządzane przez bardziej tradycyjne i uogólnione fundusze hedgingowe.

Implikacje dla traderów i kwantystów

Interesujące będzie obserwowanie, jak sztuczna inteligencja wpłynie na tradingowy rynek pracy. Jego skutki są już widoczne w niektórych dużych instytucjach bankowych. W 2000 roku amerykańskie biuro handlowe Goldman Sach zajmujące się handlem akcjami w nowojorskiej siedzibie zatrudniało 600 handlowców kupujących i sprzedających akcje. Dziś ma dwóch traderów akcji, a resztę zajmują się maszyny. Daniel Nadler, dyrektor generalny Kensho, deklaruje: „Za 10 lat Goldman Sachs będzie znacznie mniejszy pod względem zatrudnienia niż obecnie”. A jeśli chodzi o ilości, może się okazać, że firmy zarządzające inwestycjami mają mniejsze zapotrzebowanie na ich umiejętności.

Obecnie około jedna trzecia absolwentów najlepszych programów biznesowych zasila finanse. Dokąd przenieśliby się niektórzy z największych talentów w kraju? Mark Minevich, starszy doradca amerykańskiej Rady ds. Konkurencyjności, uważa, że ​​„Niektórzy z tych inteligentnych ludzi przeniosą się do start-upów technologicznych lub pomogą w opracowaniu większej liczby platform AI, autonomicznych samochodów lub technologii energetycznych […] Nowy Jork może konkurować z Silicon Dolina w technologii”.

Sztuczna inteligencja w finansach: Robo-Advisory

Co to jest Robo-Advisor i jak to działa?

Robo-advisors to platformy cyfrowe, które zapewniają zautomatyzowane, oparte na algorytmach usługi planowania finansowego przy minimalnym nadzorze ludzkim. Podczas gdy menedżerowie finansowi wykorzystują zautomatyzowaną alokację portfela od początku 2000 roku, inwestorzy musieli zatrudniać doradców, aby czerpać korzyści z technologii. Dziś robo-doradcy umożliwiają klientom bezpośredni dostęp do usługi. W przeciwieństwie do swoich ludzkich odpowiedników, robo-doradcy monitorują rynki bez przerwy i są dostępni 24/7. Robo-doradcy mogą również zaoferować inwestorom do 70% oszczędności kosztów i zazwyczaj wymagają niższych wartości minimalnych lub ich braku.

Dzisiaj robo-doradcy mogą pomóc w bardziej powtarzalnych zadaniach, takich jak otwieranie konta i przenoszenie aktywów. Proces ten zazwyczaj obejmuje odpowiedzi klientów na proste kwestionariusze dotyczące apetytu na ryzyko lub czynników płynności, które następnie robo-doradcy przekładają na logikę inwestycyjną. Większość obecnych robo-doradców stara się alokować swoich klientów do zarządzanych portfeli ETF w oparciu o ich preferencje. Oczekuje się, że w przyszłości możliwości będą ewoluować w kierunku bardziej zaawansowanych ofert, takich jak automatyczne przesuwanie aktywów i rozszerzone pokrycie alternatywnych klas aktywów, takich jak nieruchomości.

Robo-doradztwo może mieć duży wpływ na sektory finansów osobistych i zarządzania majątkiem. Podczas gdy obecne całkowite aktywa zarządzane przez robo-doradcę (AUM) stanowią tylko 10 miliardów dolarów z 4 bilionów dolarów branży zarządzania majątkiem (mniej niż 1% wszystkich zarządzanych aktywów kont), badanie Business Insider szacuje, że liczba ta wzrośnie do 10% do 2020 r. Odpowiada to około 8 bilionom dolarów AUM.

Przyjęcie Robo-Advice w branży

Gracze z branży przyjęli różne podejścia do robo-doradztwa. Mniejsze firmy zarządzające majątkiem dodają elementy algorytmiczne, aby zautomatyzować zarządzanie inwestycjami, obniżyć koszty/opłaty i konkurować z robo-doradcami. Z drugiej strony, firmy inwestycyjne o ugruntowanej pozycji kupują istniejących robo-doradców, jak np. przejęcie Jemstep przez Invesco lub tworzenie własnych rozwiązań robo-doradców, takich jak FidelityGo i Intelligent Advisory firmy Schwab.

Robo-Advisors kontra doradcy finansowi: czy ludzie zostaną zastąpieni?

Wśród ekspertów panuje ogólna zgoda, że ​​ludzie pozostaną niezastąpieni. Ludzki kontakt pozostanie krytyczny, ponieważ doradcy nadal będą musieli uspokoić klientów w trudnych czasach finansowych i przekonywać ich pomocnymi rozwiązaniami. Badanie przeprowadzone przez firmę konsultingową Accenture wykazało, że 77% klientów zarządzających majątkiem ufa swoim doradcom finansowym, a 81% wskazuje, że interakcja twarzą w twarz jest ważna. W przypadku klientów podejmujących złożone decyzje inwestycyjne coraz popularniejszy staje się hybrydowy model doradztwa, który łączy usługi komputerowe z ludzkimi doradcami.

Podczas gdy doradcy finansowi pozostaną w centrum uwagi, robo-doradcy mogą powodować zmiany w ich obowiązkach zawodowych. Dzięki sztucznej inteligencji zarządzającej powtarzalnymi zadaniami menedżerowie inwestycji mogą przejąć obowiązki naukowca lub inżyniera danych, takie jak utrzymanie systemu. Ludzie mogą również bardziej koncentrować się na budowaniu relacji z klientem i wyjaśnianiu decyzji podjętych przez maszynę.

Sztuczna inteligencja w finansach: ubezpieczenia i roszczenia ubezpieczeniowe

Ubezpieczenie opiera się na równowadze ryzyka między pulami osób; ubezpieczyciele grupują podobne osoby, a niektórzy będą wymagać wypłat, a inni nie. Branża opiera się na ocenie ryzyka; firmom ubezpieczeniowym nie są obce analizy danych. Jednak sztuczna inteligencja może zwiększyć ilość analizowanych danych, a także sposoby ich wykorzystania, co skutkuje dokładniejszą wyceną i innymi usprawnieniami operacyjnymi.

Startupy przodują w rozwoju branży. Według Henrika Naujoksa, partnera w Bain & Co: „Start-upy pokazują, co jest możliwe i co można zrobić. Wielu obecnych dyrektorów patrzy na to – tak naprawdę nie rozumieją tego, ale chcą się zaangażować”. Inwestorzy również dostrzegli ten trend (patrz niżej). W 2016 r. AI była jednym z najpopularniejszych tematów inwestycji w technologie ubezpieczeniowe.

Sztuczna Inteligencja i Underwriting

Raport PWC przewiduje, że sztuczna inteligencja zautomatyzuje znaczną część underwritingu do 2020 roku, zwłaszcza na dojrzałych rynkach, na których dostępne są dane. Obecnie ubezpieczyciel za pomocą oprogramowania komputerowego i modeli aktuarialnych ocenia ryzyko i narażenie potencjalnych klientów, ile ochrony powinni otrzymać i ile powinni za nią zapłacić. W krótkim okresie sztuczna inteligencja może pomóc zautomatyzować duże wolumeny ubezpieczeń w ubezpieczeniach samochodowych, mieszkaniowych, handlowych, na życie i grupowych. W przyszłości sztuczna inteligencja usprawni modelowanie, podkreślając kluczowe kwestie dla ludzkich decydentów, które w innym przypadku mogłyby pozostać niezauważone. Przewiduje się również, że zaawansowana sztuczna inteligencja umożliwi spersonalizowane underwriting przez firmę lub osobę, z uwzględnieniem unikalnych zachowań i okoliczności.

Ulepszone ubezpieczenie może wykorzystywać nie tylko uczenie maszynowe do eksploracji danych, ale także technologię ubieralną i analizatory twarzy z głębokim uczeniem. Na przykład startup Lapetus chce wykorzystać selfie do dokładnego przewidywania oczekiwanej długości życia. W proponowanym modelu klienci będą wysyłać swoje autoportrety pocztą elektroniczną, które komputery będą następnie skanować i analizować — analizując tysiące obszarów twarzy. Analiza obejmowałaby wszystko, od podstawowych danych demograficznych po szybkość starzenia się danej osoby, wskaźnik masy ciała i to, czy pali. Ponadto technologia ubieralna może sprawić, że proces oceny ryzyka będzie bardziej oparty na współpracy. Zamiast polegać na długich badaniach lekarskich i skomplikowanych procedurach kontraktowych, urządzenia do noszenia na ciele mogą zapewnić wgląd w czasie rzeczywistym w stan zdrowia i zachowanie ubezpieczających. Najwyraźniej uczenie maszynowe w finansach już ewoluuje.

Tego rodzaju zniuansowane analizy ryzyka w czasie rzeczywistym umożliwią nie tylko dokładniejszą wycenę dla klientów, ale także wczesne wykrycie zagrożeń zdrowotnych i umożliwią firmom ubezpieczeniowym inwestowanie w profilaktykę. Zamiast ostatecznie płacić za kosztowne leczenie pacjenta, firmy ubezpieczeniowe mogą proaktywnie próbować obniżyć prawdopodobieństwo wystąpienia szkód i związanych z nimi kosztów.

W badaniu Oxford z 2013 r., w którym przeanalizowano ponad 700 zawodów, aby określić, które są najbardziej podatne na komputeryzację, ubezpieczyciele znaleźli się w pierwszej piątce najbardziej podatnych na zagrożenia. Nawet tam, gdzie sztuczna inteligencja nie zastępuje całkowicie underwritera, automatyzacja AI może zmienić obowiązki underwritera. Sztuczna inteligencja może uwolnić czas subemitenta na wyższą wartość dodaną, taką jak ocena i wycena ryzyka na mniej bogatych w dane rynkach wschodzących, zapewniając lepsze zarządzanie ryzykiem i informacje zwrotne dotyczące rozwoju produktu.

Sztuczna inteligencja i roszczenia ubezpieczeniowe

Roszczenia ubezpieczeniowe to formalne wezwania do zapłaty wysyłane do firm ubezpieczeniowych. Firmy ubezpieczeniowe następnie sprawdzają ważność roszczenia i wypłacają ubezpieczonemu po jego zatwierdzeniu. Oto jak sztuczna inteligencja może usprawnić ten proces:

Poprawiona dokładność danych klientów. Proces reklamacji jest dość ręczny: agenci ręcznie rejestrują informacje o klientach i szczegóły incydentu. Według raportu Experian, jakość danych może ucierpieć: niekompletne dane stanowią 55% błędów danych, podczas gdy literówki stanowią 32%. Sztuczna inteligencja może poprawić dokładność, zmniejszając ręczne wprowadzanie danych. Ponadto procesy reklamacyjne często wymagają od agentów ubezpieczeniowych powiązania informacji o klientach z licznymi bazami danych. Sztuczna inteligencja może być wykorzystywana do robienia tego wydajniej.

Szybsze rekomendacje wypłat. Według badania satysfakcji z roszczeń majątkowych przeprowadzonego przez JD Power & Associates, powolne cykle reklamacyjne są jednym z głównych czynników powodujących niezadowolenie klientów. Sztuczna inteligencja może pomóc w skróceniu czasu realizacji, najpierw weryfikując polisę, a następnie określając roszczenia i czy zautomatyzować płatności. Dzieje się tak, ponieważ sztuczna inteligencja ma możliwość analizowania nie tylko danych strukturalnych, ale także danych nieustrukturyzowanych, takich jak odręczne formularze i certyfikaty.

Sztuczna inteligencja w finansach: bankowość konwersacyjna i obsługa klienta

Banki robią duże zakłady ze swoimi wirtualnymi asystentami skierowanymi do klientów, znanymi jako chatboty. Podczas gdy wczesne wersje chatbotów będą w stanie odpowiadać tylko na podstawowe pytania dotyczące limitów wydatków i ostatnich transakcji, przyszłe wersje mają stać się pełnoprawnymi wirtualnymi asystentami, którzy będą mogli dokonywać płatności i śledzić budżety klientów. Angażowanie się z klientami może przełożyć się na znaczne oszczędności kosztów, ale interakcje międzyludzkie są również niewątpliwie bardziej złożone niż zwykłe przetwarzanie liczb. Krytycy wskazują na brak empatii i zrozumienia chatbotów, których ludzie mogą potrzebować w trudnych decyzjach finansowych i sytuacjach. W przypadku tej technologii technologia AI przetwarzania języka naturalnego będzie niezbędna do przetwarzania i reagowania na spersonalizowane obawy i życzenia klientów.

W październiku 2016 r. zarówno Bank of America, jak i MasterCard zaprezentowały swoje chatboty, odpowiednio Erica i Kai. Umożliwią one klientom zadawanie pytań dotyczących ich kont, inicjowanie transakcji i otrzymywanie porad za pośrednictwem Facebook Messenger z wieży Echo firmy Amazon.

Capital One uruchomił również własnego chatbota o nazwie „Eno”, który jest anagramem dla „Jeden”. Eno umożliwia klientom czatowanie z bankiem przy użyciu języka tekstowego do opłacania rachunków i pobierania informacji o koncie. Do akcji wkracza również Barclays. Opisując nowego chatbota Bank of America, Michelle Moore, szefowa bankowości cyfrowej w Bank of America, oświadczyła: „Jaka będzie bankowość za dwa, trzy lub cztery lata? To będzie to.

Pożegnalne myśli

Zobaczymy pełny wpływ sztucznej inteligencji na usługi finansowe. Niektórzy futuryści twierdzili, że świat szybko zbliża się do punktu krytycznego, wymyślonego „osobliwości”, w którym inteligencja maszyn przewyższy ludzką inteligencję. Znani technologowie i naukowcy, w tym Bill Gates i Stephen Hawking, ostrzegali przed tym punktem. Elon Musk przekonywał również, że „sztuczna inteligencja jest podstawowym ryzykiem egzystencjalnym dla ludzkiej cywilizacji i nie sądzę, aby ludzie w pełni to doceniali”.

Ponieważ sztuczna inteligencja nadal rozprzestrzenia się w naszym życiu osobistym i zawodowym, pojawiać się będzie wiele problemów. Obejmują one możliwość popełnienia błędów, ogólny brak zaufania do maszyn oraz obawy związane z zastępowaniem pracy. Błędem byłoby lekceważenie tych obaw. Mimo to społeczeństwo jest już na coraz szybszej ścieżce w kierunku świata opartego na sztucznej inteligencji. W tym nowym świecie najbardziej produktywne może być skupienie się na najlepszym współistnieniu maszyn i ludzi. Dla decydentów ważne będzie zachowanie ostrożności, umożliwiając rozwój nowych technologii przy jednoczesnym monitorowaniu i minimalizowaniu ich negatywnych konsekwencji. Deweloperzy i projektanci powinni również zwiększać zdolność ludzi do rozumienia systemów AI, aby budować zaufanie i zwiększać zadowolenie z aplikacji AI. Każdy będzie miał swoją rolę do odegrania.

Jak przemówił Haruhiko Kuroda, gubernator Banku Japonii na konferencji AI i usług finansowych w 2017 r., „Jest dla nas istotne, abyśmy konstruktywnie rozważyli pożądane sposoby, w jakie ludzie i sztuczna inteligencja uzupełniają się, a nie konfrontują. Na przykład ludzki osąd nie jest całkowicie wolny od istniejących paradygmatów, a zatem czasami nie uwzględnia zmian. W związku z tym sztuczna inteligencja może skorygować nasze nastawienie, neutralnie analizując i znajdując nowe korelacje wśród niezliczonych [sic] danych. Tymczasem ludzie mogą zrekompensować słabość AI swoją intuicją, zdrowym rozsądkiem i wyobraźnią”.