Аналитика и комментарии

05 августа 2020

Мануэль Лоренцо, Oracle: Искусственный интеллект в банковском секторе – это «золотая лихорадка», когда добыто много песка и мало золота

Искусственный интеллект будет играть центральную роль в экономике будущего и служить драйвером роста. Его проявления многообразны – от предиктивной аналитики и чат-ботов до предотвращения мошенничества и обеспечения соответствия нормативным требованиям считает Мануэль Лоренцо, Вице-президент Oracle, руководитель экспертного департамента по банковскому сектору в регионе EMEA. Он поделился опытом компании и ее клиентов, как добиться желаемых результатов при внедрении ИИ. NBJ публикует его статью с небольшими сокращениями.

Вложения банков в технологии машинного обучения растут ежегодно в среднем на 46,2%, но многие проекты так и остаются незавершенными

Последние три года банковскую отрасль охватила настоящая «золотая лихорадка» в отношении искусственного интеллекта. Банки создали множество озер данных, запустили массу инициатив в области ИИ и не жалели средств на привлечение лучших молодых специалистов по обработке и анализу данных.

И что же мы видим спустя три года? Было добыто много песка и очень, очень мало золота. По данным компании Gartner, 80% проектов в области ИИ потерпели неудачу или не продвинулись дальше разработки прототипа.

С чем это связано? Казалось бы, для успеха проектов имелись все необходимые предпосылки:

  • разработано большое число алгоритмов машинного обучения с открытым исходным кодом;
  • накоплено значительно больше массивов данных, чем можно себе представить; 
  • вычислительные ресурсы широко доступны. 

Оценивая результаты, можно предположить, что банки весьма активно взялись за дело, не продумав стратегию работы с данными. Во многих крупных проектах, которые были запущены, ответственность была возложена на ИТ-отделы, а не на бизнес-подразделения.

Чтобы внедрение ИИ приносило результаты, Oracle придерживается двух стратегических подходов. Первый заключается в том, что возможности машинного обучения адаптированы, внедрены и интегрированы во все банковские приложения для фронт-офиса и бэк-офиса, в том числе для цифровых взаимодействий с клиентами, обеспечения соответствия нормативам, управления финансами и работы с персоналом.  В результате заказчики могут использовать возможности ИИ непосредственно в момент совершения транзакции.

Благодаря этому одному ведущему французскому корпоративному банку удалось на 60 % сократить количество ложноотрицательных случаев несоответствия нормативным требованиям и в три раза улучшить распознавание схем отмывания денег (до фактора 3).

Другой международный шведский банк вернул инвестиции, вложенные в создание интеллектуального цифрового HR-ассистента HR Smart Digital Concierge всего за 9 месяцев. При этом банку за счет ускорения решения повседневных задач удалось повысить эффективность работы сотрудников, и теперь они могут больше времени уделять обслуживанию клиентов.

Второй подход, который применяют наши клиенты в финансовом секторе, – фокус на конкретные сценарии использования при четком понимании бизнес-целей.

Например, крупнейший розничный банк Испании создал модель оценки благосостояния клиентов, которая применяется для формирования индивидуальных ставок по кредитам и депозитам. Ему удалось значительно уменьшить время на согласование ставок и повысить вероятность перекрестных продаж.

Один из ведущих цифровых банков в регионе ЕМЕА тратил около 20 млн долларов США на онлайн-рекламу в крупнейшей поисковой платформе. Показатель эффективности рекламы составлял всего 0,001%. За 10 месяцев банку удалось повысить показатель до 5% и увеличить доход от реализации продуктов до 200 млн долларов США. При этом сумма вложений составила всего около 200 тыс. долларов США.

Совместно с банком мы разработали механизм для определения предрасположенности к покупкам. В процессе разработки использовались принципы поведенческой экономики, контекстный интеллект и детальный анализ эмоциональной окраски высказываний с генератором текстов на естественном языке. Это позволило адаптировать содержание рекламных объявлений к поведению клиентов в цифровой среде.  

Действительно, в своей «золотой ИИ-лихорадке» банки столкнулись со множеством трудностей, хотя едва начали разрабатывать жилу ИИ. Однако нет никаких сомнений, что золото в ней есть. Как его найти, вот 4 рекомендации, которые может дать Oracle:

  • начинайте с малого и расширяйте подход,
  • узнайте потребности и продемонстрируйте выгоду,
  • прежде всего думайте о бизнес-результатах и
  • назначьте ответственным руководителя от основного бизнеса, а не от ИТ.

Как банкам выработать эффективную ИИ-стратегию

Многие банки изначально относились к озерам данных как к священной корове при работе с ИИ. Как известно, часть этих озер данных превратились, к сожалению, в болота. В результате специалисты по обработке и анализу данных и разработчики стали переходить в финансово-технологические компании, где не было таких проблем с данными и получением доступа к ним, как в банках.

Руководители банков, с которыми мы регулярно общаемся, начинают понимать, что для достижения более значимых результатов к ИИ-проектам необходимо привлекать в большей степени банковских специалистов, а не только специалистов по обработке и анализу данных. Тем более, что по их мнению обучить банковских сотрудников принципам машинного обучения (МО) оказывается легче, чем пытаться научить специалистов по обработке и анализу данных финансовому делу.

Поделиться:
 

Возврат к списку