Машинное обучение и ИИ в финсекторе: основные вызовы

Реальное понимание функционирования сложных и взаимозависимых финансовых систем раньше казалось чем-то из области фантастики. Однако развитие Data Science и искусственного интеллекта (ИИ) все больше позволяет к нему приблизиться, считают эксперты компании-разработчика ПО Iflexion.

Развертывание систем на основе ИИ и машинного обучения — часть бизнес-стратегии современных фининститутов. Так, по данным Банка Англии, большинство британских поставщиков финуслуг отмечают, что внедрение таких систем позволяет создавать более кастомизированные продукты, лучше бороться с мошенничеством и не только. И если раньше они были ориентированы в первую очередь на бэк-офисные функции, то теперь их все чаще используют для приложений для клиентов (оценка рыночных рисков, страховой андеррайтинг, кредитный риск-менеджмент). Кроме того, ИИ хорошо работает в страховании. По данным McKinsey, компании, которые используют его для оптимизации и ускорения своих процессов андеррайтинга, за последние три года показали на 14%.

Однако не все так идеально. К основным вызовов, связанным с внедрением машинного обучения и ИИ в финсекторе, можно отнести следующие:

  • К системам на основе ИИ и машинного обучения все больше вопросов. Они связаны с этичностью оценок ИИ, меняющейся нормативно-правовой базой, объяснимостью действий и подотчетностью. Такую обеспокоенность можно понять: достаточно вспомнить «черный четверг» — события 6 мая 2010 года на фондовых рынках США, когда индекс Dow Jones за пять минут рухнул на 600 пунктов. Тогда виновный как раз использовал специальную программу для автоматического трейдинга.
  • При долгосрочных колебаниях ИИ работает неидеально. Как только пандемия коронавируса начала влиять на экономику, потребовалось вручную вмешиваться в системы, которые используют ИИ в финансах — машина не могла адекватно учесть новые тенденции в анализе данных. Даже хорошо адаптируемые модели не всегда смогут корректно отреагировать на неожиданные данные.
  • Изменения в поведении клиента — серьезный вызов для ИИ. Предположим, вы хотите приобрести что-то совершенно для себя нехарактерное — например, игровую приставку. Система блокирует транзакцию, приходится подтверждать ее дополнительно. Как потом ИИ будет анализировать ваши покупки? Будет ли она блокировать их, если вы спустя год будете покупать игры на новой платформе? Или наоборот решит, что теперь все ваши покупки могут быть «непредсказуемыми»?
  • Чем ниже качество данных, тем выше риски. Безусловно, способность находить скрытые взаимосвязи в абстрактных неструктурированных данных указывает на огромный потенциал машинного обучения. И в то же время она требует серьезного надзора и ручной проверки.