Umetna inteligenca je boljša kot bančnik, toda ali je bančnik še boljši z umetno inteligenco?
Umetna inteligenca spreminja vse, kar poznamo, zakaj torej ne bi spremenila še bančništva?
Miran Varga
Umetna inteligenca v bančništvu ni novost, saj so banke s prvimi algoritmi in tehnologijami umetne inteligence začele eksperimentirati že pred približno desetletjem in pol. Zdaj pa smo že priča naslednjemu evolucijskemu koraku – nekoč eksperimenti prehajajo v poslovno prakso, njihovo mesto pa zasedajo še novejše, celo prebojne tehnologije. Pojdimo lepo po vrsti.
Doslej je bila večina primerov uporabe umetne inteligence v bančništvu namenjena avtomatizaciji nalog ali ustvarjanju poročil, morda celo napovedi. To delo so sprva opravljali predvsem modeli strojnega učenja, pri bankah z globljimi žepi in več(jimi) tehničnimi zanesenjaki ter podatkovnimi znanstveniki pa tudi še precej bolj kompleksni modeli globokega učenja. Banke so tako hitro ugotovile, da za analitiko vseh analitik potrebujejo precejšnje računalniške zmogljivosti in začele postavljati strežnike sobe ali celo miniaturne podatkovne centre. Nato so ugotovile še, da so rezultati vseh analiz in napovedi precej bolj točni, če imajo na voljo velike količine podatkov. Finančna analiza je kar naenkrat prestopila meje zgolj obdelave številk na tekočih računih, črpanje najrazličnejših podatkov o uporabnikih, gospodarskih trendih, življenjskih tabel, »sposojenih« pri zavarovalnicah in celo »sentimenta« na družbenih omrežjih, je bankam omogočilo, da so svoje komitente neredko poznale bolje od njih samih. Po finančni plati, kakopak. Še zdaj se spomnim lastnega ogorčenja, ko so se na eni izmed poslovnih konferenc v ZDA v podjetju, ki je razvijalo napredne analitične rešitve za bančništvo, pohvalili, da njihov algoritem pogosto prej zazna, kdaj je ženska noseča kot uporabnica sama, saj prepozna spremembo nakupovalnih vzorcev še preden ta postane očitna posamezniku. Pa je govora o eni zgodnejših oblik umetne inteligence.
Danes so prav banke, ponudniki finančnih storitev in zavarovalnice eni izmed njenih najaktivnejših uporabnikov. Strojno učenje v bančništvu, finančnih storitvah in zavarovalništvu je konec leta 2022 predstavljalo približno 18 % celotnega trga teh rešitev, merjeno po končnih uporabnikih (podatki S&P Global). Se je pa spremenila ena stvar – banke ne postavljajo več lastnih podatkovnih centrov, temveč se vse bolj zanašajo na storitve strojnega učenja v oblaku, ki jih zakupujejo pri ponudnikih, kot so AWS, Microsoft Azure ter Google ML, pri čemer jih večina (71 %) uporablja zasebna okolja v oblaku, kot ugotavlja študija TMT Research.
Avtomatizacija dela bančnega osebja
Banke imajo rade številke, visoke pri dobičku, nizke pri stroških. Vsaka njihova naložba mora v želenem časovnem okviru ustvariti pozitivno bilanco, sicer je preprosto ni. Avtomatizacija z umetno inteligenco je dobila zeleno luč in se dokazala v praksi. Predvsem je pripomogla k poenostavitvi poslovanja bank in zmanjšanju stroškov, saj so banke z njo ciljale na zmanjšanje ročnega dela osebja. Vnašanje, pretipkavanje in prenosi informacij iz različnih aplikacij so danes naloga programskih (ro)botov, ki niso le stroškovno učinkoviti, temveč tudi manj nagnjeni k napakam pri delovanju. Vse delo, ki je temeljilo na jasnih pravilih in postopkih, so banke že avtomatizirale. To je bil lažji del. Zdaj je pred njimi večji zalogaj – obdelava nestrukturiranih dokumentov in podatkov v različnih formatih. In tudi ta naloga je zaupana tehnologiji umetne inteligence, saj ta že precej natančno prepoznava in razvršča dokumente, pri čemer se boljše rešitve celo učijo iz lastnega delovanja!
Bančnikov torej na potrebujemo več?! Nikar tako hitro do takega zaključka. Banke so zmogljivosti in podatke umetne inteligence, lastne in zunanje, uporabile tudi za povečanje zmogljivosti zaposlenih, tako da so ti sedaj kos opravljanju nalog, ki jih prej niso zmogli. Algoritmi za napovedovanje in upravljanje tveganj so na primer izkoristili sposobnost umetne inteligence, da analizira velike količine podatkov in odkrije skrite vzorce, ki človeku niso očitni. To je omogočilo natančnejše in hitrejše sprejemanje odločitev. Bistveno hitrejše – že pridobivanje informacij, za katerega so bančniki nekoč potrebovali več ur, zdaj traja le nekaj minut ali celo zgolj sekund. Je pa zdaj težava drugje – povprečen bančnik ne zna razložiti, zakaj se je aplikacija, ki jo ima pred očmi odločila tako, kot se je. Ljudje, ki na račun »vsevednega računalnika« ne dobijo (več) kredita, niso navdušeni. Banke pač so, saj jih vsaka slaba naložba (beri: posojilo) stane …
Odkrivanje goljufij
Eno prvih področij, na katerega so banke spustile umetno inteligenco, je bila poleg analize tveganj, tudi področje odkrivanja goljufij. Še več, orodja z umetno inteligenco goljufij niso le odkrivala, temveč so jih tudi napovedovala (s predvidevanjem morebitnih primerov na podlagi spremljanja plačilnih transakcij trgovcev v realnem času) in preprečevala!
Umetna inteligenca je danes sestavni del malodane vseh rešitev s področja kibernetske varnosti v bankah. Še več, celo obsežne jezikovne modele (LMM) je moč prilagoditi za varnostne funkcije, da se bodo lahko odzvali na digitalne grožnje in zapletene podatke sintetizirali (beri: osmislili) v jasne smernice za uporabo s strani strokovnjakov.
Generativna umetna inteligenca prinaša nove pluse in minuse
Medtem ko sta avtomatizacija in napovedovanje prihodnosti, ki ju omogoča umetna inteligenca, tipična sestavna dela digitalne preobrazbe bank, so naložbe v orodja, ki jih poganjajo novejši sistemi z generativno umetno inteligenco, še vedno v povojih. To pomeni, da te tehnologije ter njihove prednosti in tveganja še niso v celoti preizkušene. Vendar se zdi, da je potencial nove umetne inteligence za vnovično preoblikovanje področja bančništva velik.
Sam zelo rad prebiram gradiva, ki govorijo o prihodnosti, posebej, če jih pripravijo »resna« podjetja. Eden ljubših virov so tudi poročila Signals, ki jih občasno objavlja Mastercard. Še povsem sveže takšno poročilo ugotavlja, da bodo banke trenutno raziskovanje generativne UI postopoma nadomestile z njeno popolno uvedbo. V bližnji prihodnosti bodo interne aplikacije z nizko stopnjo tveganja nadomestile aplikacije namenjene potrošnikom, ki pa bodo še vedno relativno »neambiciozne«. Bodo torej (zelo) uporabne, ne pa tudi šokantno zmogljive. Ali pač, odvisno s katerega konca tehnološke krivulje jih gledate.
Najbolj »plastičen« primer je tudi tisti, ki ga imajo banke najraje – pridobivanje novih strank. Generativna UI lahko bankam poenostavi zagotavljanje skladnosti glede poznavanja strank in upravljanja z dokumentacijo. S svojo zmogljivostjo hitre sinteze podatkov o strankah lahko označi tveganja in avtomatizira administrativna opravila ter tako poskrbi, da bo banka z novo pridobljeno stranko hitreje (za)služila.
Pogovorno bančništvo
Pogovorno bančništvo je vsekakor nekaj, kar bo z nami v prihodnje. Generativna UI bo poskrbela za boljše klepetalne (ro)bote, takšne, ki se bodo na poizvedbe strank sposobni odzvati na kontekstualno primeren način. Klepetanje z bančnikom iz mesa in krvi utegne postati stvar preteklosti, s čimer ni nič narobe, če bodo ti algoritmi in jezikovni modeli prestali Turingov test (beri: povprečen uporabnik ne bo ločil računalnika od človeka). Robotski bančni »uslužbenci« bi nemara bili celo zaželeni, npr. na področju premoženjskega svetovanja bi generativna UI s sposobnostjo sinteze podatkov lahko ponudila nasvete, ki niso obremenjeni s čustvi ali željami. Finančni svetovalci in njihove stranke bi lahko uporabili simulacije, ki jih poganja umetna inteligenca, za poglobitev svojega razumevanja zapletenih naložbenih strategij.
Posledično bi bilo manj slabe volje, kar zadeva izdajo posojil. Generativna UI bi lahko skrajšala čas obdelave posojil in s tem povezanih stroškov tako, da bi prosilcem omogočila postopna navodila v obliki pogovora. Enostavnejši postopki bi lahko spodbudili še več podjetij in posameznikov da zaprosijo za najem posojila ter tako ugodnosti posojil razširili na širši krog populacije.
V napovedniku poročila Signals so omenjeni tudi bančni programi zvestobe. Generativna umetna inteligenca vodjem programov zvestobe v bankah ponuja zmogljivo orodje, s katerim lahko z udeleženci o njihovih željah komunicirajo v realnem času, kar omogoča boljše usklajevanje med posamezniki in nagradami. Pogovorne sposobnosti generativne UI lahko uporabnike tudi vodijo skozi te (včasih po nepotrebnem zapletene) programe.
Seveda pa bodo bančniki generativno umetno inteligenco vpregli tudi na področju trženja. Želijo si brati naše mislili, pa tudi polagati ideje v naše možgane. Poleg uporabe generativne UI za dinamično testiranje in ustvarjanje e-poštnih sporočil in objav v družabnih omrežjih, bi lahko tržniki v bankah pridobili nove uvide v razumevanje potrošniških odzivov z združitvijo sposobnosti ustvarjanja vsebin s strani generativne UI, analize razpoloženj in orodij za t. i. družbeno poslušanje (merjenje odzivov javnosti na družbenih omrežjih).
Se še spomnite vprašanja iz naslova? Odgovor je zdaj na dlani in je presneto pritrdilen. Generativna umetna inteligenca v bančništvu lahko le-to naredi bolj hitro in poceni, ustvari hiperpersonalizirane storitve ter opolnomoči zaposlene. In, da, od tega bomo imeli koristi tudi potrošniki oziroma bančni komitenti, čeprav v prihodnje ne bomo več vedeli, ali imamo opravka z algoritmom ali živim bitjem na drugi strani zaslona ali slušalke.
