Спецпроекты • Партнерский материал • 29 августа 2023
Мир идет вперед, и мы не можем отстать: как искусственный интеллект помогает банкам становиться лучше
Текст: Анастасия Стаханова
Иллюстрации: Кирилл Клеппенштейн
В последнее десятилетие искусственный интеллект (ИИ) и машинное обучение (machine learning, ML) незаметно для многих людей стали неотъемлемой частью повседневной жизни. Умные колонки с голосовыми помощниками, разблокировка телефона лицом, навигатор, который распознает стиль вождения, контекстная реклама в интернете — все это плоды работы ИИ и ML. Однако такие технологии проникли еще в одну сферу, с которой современный человек сталкивается каждый день, — это банкинг. И речь идет не только о мобильных приложениях и чат-ботах. Даже когда клиент приходит в отделение, он имеет дело с продуктом работы ИИ.
О том, как машинное обучение и искусственный интеллект трансформировали банковскую сферу и чего ждать от них в будущем, Inc.Russia поговорил с вице-президентом, начальником Департамента анализа данных и моделирования Газпромбанка Марией Косаревой.
Игра в имитацию
Прежде чем приступить к обсуждению того, как ИИ и ML изменили банкинг, следует понять, что это за технологии. Сейчас слова искусственный интеллект и машинное обучение употребляются в информационном поле в одних и тех же ситуациях. Однако профессионалы видят разницу между этими понятиями. Машинное обучение — это предиктивные математические модели, которые обучаются на большом объеме данных. Они выполняют поставленную человеком задачу на основании опыта из прошлого, который был предоставлен модели в виде выборки данных в форме, доступной для анализа. Задачей может быть моделирование текущих процессов, выполняемых человеком, либо предсказание будущих событий.
Сложности возникают с определением ИИ. Причина в том, что это во многом не технологическое, а рекламное понятие, которое меняется с течением времени. Когда-то искусственным интеллектом считались дерево решений и калькулятор, которые сейчас воспринимаются как простой математический инструмент и примитивный гаджет. Сейчас же искусственным интеллектом называют разных голосовых помощников (Алису, Siri и прочих), чат-ботов и другие технологии, выполняющие задачи, которые человек обычно может делать сам: разговаривать, создавать подборку контента, и т. п.
То есть на 2023 год общество воспринимает ИИ как машину, которая воспроизводит действия человека и его образ мысли. При этом в действительности, если уйти от рекламного восприятия технологий и посмотреть на искусственный интеллект и машинное обучение с профессиональной точки зрения, они вовсе не обязаны вести себя как человек или имитировать его. Их задачи — взять данные и на их основе выдать результат, причем не обязательно тот, который человек ожидает. Возможно, это будет совершенно новое решение. Именно эти функции технологий машинного обучения и искусственного интеллекта активно используют современные банки.
Хрустальный шар XXI века
Когда кто-то заводит речь о том, как банки используют искусственный интеллект и машинное обучение в своей работе, то короткий ответ будет — для предсказания будущего. Однако процесс, который происходит в недрах машины, мало похож на предсказание цыганки. «В качестве хрустального шара выступает большая команда специалистов, которые найдут нужные данные, подготовят их в приемлемом для машины виде, выберут самый подходящий для этой модели математический метод и разработают модель, дающую ответ на сформулированный вопрос. В отдельных, нетривиальных случаях вопрос еще нужно правильно сформулировать, а результат модели интерпретировать на понятном и применимом для заказчика языке. Поэтому, когда я слышу предложения отдельных компаний продать коробочку с машинным обучением, я сильно смеюсь и немного злюсь», — сказала Мария Косарева.
Зачем специалистам по машинному обучению нужно так много данных и можно ли предсказывать будущее, не усложняя все обработкой данных? «Если у вас есть любые данные из прошлого в большом количестве, можно узнать, что будет в будущем. Чтобы объяснить, как происходит машинное обучение, приведу пример, который я когда-то услышала на курсе матстатистики. Допустим вы находитесь в темной комнате без окон, без дверей, у вас нет интернета и вас спрашивают, какая погода будет завтра? Самый точный ответ, который можно дать в такой ситуации, — такая же, как сегодня. Машинное обучение в своей основе имеет именно этот принцип. Машина предполагает, что все люди, которые вели себя одним образом, и в будущем будут вести себя так же. Поэтому чем больше данных о поведении вы ей предоставите, тем точнее будет прогноз», — ответила Мария Косарева.
Если привести в пример кредитный скоринг (оценку кредитоспособности клиента), то банки с помощью моделей предсказывают, вернет ли человек заем. Машина при обучении исходит из того, что клиенты с одинаковыми демографическими данными (например «возраст от 35 до 45», «работает в финансово-страховой сфере», «женат», «есть квартира», «всегда отдавал кредит вовремя») и впредь будут придерживаться своей линии поведения. При этом матмодель берет в расчет не четыре-пять параметров, как это мог бы сделать человек, а всю доступную информацию о потенциальном заемщике.
Возвратность кредита не единственная задача, которую банк решает с помощью ML. Математические модели помогают автоматизировать и упрощать внутрибанковские процессы. Причем характер задач ограничен фантазией человека и доступом к массиву данных, необходимых для обучения модели. Так, машина, с одной стороны, может указать, на какие курсы лучше отправить сотрудника, чтобы увеличить его эффективность, а с другой — предсказать, как увольнение конкретного работника повлияет на бизнес, коллектив или коллег, которые сидят с ним за одним столом на обеде.
Помимо предсказаний, машинное обучение также в некоторой степени может заменить человека, взяв на себя рутинную работу. Пример из жизни Газпромбанка — задача размещения банкоматов. «Обычно в банках это происходит так: эксперт внимательно изучает карту города, анализирует расположение станций метро, автобусных остановок, безопасность районов и по итогам нескольких часов работы выносит вердикт: место хлебное и безопасное, тут банкомат не украдут и не взломают, можно ставить. Здесь машинное обучение может сэкономить человеку несколько часов работы и выдать результат за доли секунды», — пояснила Мария Косарева. Однако без специалиста, который знает, как выполнять эту работу, и может сам дообучить на основании своего опыта разработанную математиком модель, не обойтись. Поэтому о полной замене сотрудника речи не идет.
Еще одна задача, которая выполняется в банках с помощью машинного обучения и которая значительно упрощает работу человеку, — распознавание текста. ML может делать подборки новостей для направления корпоративных рисков, которое занимается изучением информационного потока с целью минимизировать потери крупных клиентов. Раньше сотрудники днями напролет вручную изучали сотни и сотни новостей, чтобы не пропустить сигналы дефолта той или иной компании. Теперь эту работу за них выполняет ML, который отбирает два-три самых подозрительных инфоповода и передает их для оценки сотруднику корпоративных рисков. Разработанные для сотрудников Газпромбанка математические модели текстовой аналитики также помогают сортировать документы, заполнять типовые бумаги и анкеты. «Возможности машинного обучения безграничны, были бы данные. Единственное, что машина не может, — это дать результат из воздуха», — пояснила Мария Косарева.
Движение вверх
Хотя машинное обучение и искусственный интеллект уже широко применяются розничными банками, перед ними стоит еще много задач. И основная — бОльшая подстройка под клиента. Раньше в центре машинного обучения находилась организация, основной задачей которой было понять, как наиболее эффективно продать человеку тот или иной банковский продукт. Теперь же в центре задач машинного обучения находится клиент и его комфорт. И люди сами ожидают от банков и ИИ работы в этом направлении.
Один из главных запросов сейчас — получать более релевантные предложения по продуктам. Например, клиентам с высокими зарплатами и хорошим материальным положением не нравится, когда им звонят из банка и предлагают получить кредитную карту на небольшую сумму. Чтобы работа в этом направлении стала лучше, нужно научить машину более качественному отбору.
Вторая важная задача в банковской сфере, которая сейчас стоит перед машинным обучением, — персонализировать мобильные приложения и главную страницу банка. Они должны по-разному выглядеть в зависимости от демографического и социального портрета клиента. Например, если в приложение заходит пенсионер, то вряд ли у него вызовет доверие баннер с молодыми людьми, веселящимися на пляже на кредитные средства. И наоборот, если посетитель относится к молодежи, то должен быть использован соответствующий язык общения.
Третья задача, которая находится в процессе реализации, — научить машину правильно размещать допофисы. По словам Марии Косаревой, только кажется, что люди хотят сидеть дома и получать все возможные услуги в интернете. Многие клиенты банков до сих пор предпочитают ходить в реальные офисы, где можно пообщаться с живыми людьми и при желании постучать по столу рукой. Машинное обучение должно помочь правильно разместить эти допофисы в городе и сделать их привлекательными для основного сегмента посетителей. То есть в старых районах преимущественно с пожилым населением будут одни допофисы, а в новых, в которых в основном проживают молодые семьи, — другие.
Человек под замену?
Но смогут ли искусственный интеллект и машинное обучение полностью вытеснить людей из бизнеса (и не только банковского), организовать восстание машин и создать угрозу человечеству? Хотя темпы развития ИИ и ML действительно впечатляющие, а технологические миллиардеры, такие как Илон Маск и Стив Возняк, недавно даже забили тревогу (и не в первый раз) по поводу конкуренции искусственного интеллекта с человеком и потенциальной опасности для общества, истерия кажется немного надуманной, считает Мария Косарева.
Действительно, технологии шагнули вперед быстрее, чем ожидалось. Долгое время считалось, что ИИ не может шутить, однако недавно исследователям удалось преодолеть этот барьер. И теперь машина может понять шутку, объяснить ее и даже сострить в ответ. Также предполагалось, что искусственный интеллект не способен творить и создавать подлинное искусство. Однако недавно берлинский художник Борис Эльдагсен тайно сгенерировал фотографию с помощью ИИ и выиграл с ней престижный конкурс Sony World Photography Awards 2023.
Тем не менее у человека всегда (или очень долгое время) будет безопасная зона, в которой искусственный интеллект не сможет с ним конкурировать, — область сострадания. И работы, в которых нужны эмоции (психотерапия, воспитание детей в детском саду, уход за больными людьми), останутся недоступными для роботов. Кроме того, машины, которые обучаются на массиве прошлых данных, всегда будут давать сбой в экстремальных ситуациях и кризисах. Поскольку только человек может принять решение в условиях абсолютной неопределенности.
Настоящие опасности ИИ связаны не с восстанием машин, а с людьми, которые умеют ими пользоваться. Большая угроза исходит от различного рода мошенников и киберпреступников, которые могут организовывать атаки, используя гаджеты. Вторая угроза для человечества — то, что машины настолько упростят жизни людей, что они просто деградируют. И уровень интеллекта и знаний будут поддерживать только единицы, которые работают с искусственным интеллектом и машинным обучением. Частично этот процесс уже начался. Например, с появлением навигаторов, которые тоже являются продуктом машинного обучения, люди разучились ориентироваться на местности.
«Что нужно делать сейчас? Я считаю, что не нужно расслабляться, а необходимо держать руку на пульсе прогресса и новинок. Неважно, относится к сфере ИИ ваша работа или нет, нужно читать об этом, изучать новые технологии и понимать, как их можно применить. Если человек понимает, что мир идет вперед, а он может отстать, он будет стремиться развиваться. Поэтому я считаю, что не нужно бояться создания и развития новых технологий, нужно быть готовым встроиться в поток», — заключила Мария Косарева.
