Kako algoritmi spreminjajo svet financ
Umetna inteligenca (UI) v bančništvu že zdavnaj ni več le tehnološki modni trend, temveč ključno gonilo digitalne preobrazbe. Banke po vsem svetu in v Sloveniji pospešeno vlagajo v sisteme strojnega učenja, napredne analitike in generativne UI, saj jim to omogoča optimizacijo procesov, zmanjšanje tveganj in, kar je najpomembneje, personalizirano uporabniško izkušnjo.
Tehnologije umetne inteligence bankam ne omogočajo le optimizacije procesov in zmanjšanja tveganj, temveč prinašajo nekaj, kar je bilo v preteklosti nepredstavljivo – popolnoma personalizirano, proaktivno in celovito uporabniško izkušnjo za vsakega posameznega komitenta. Seveda pa opravijo še cel kup dela v ozadju oziroma zaledju. Poglejmo, kako UI v bančnih okoljih deluje v praksi in s kakšnimi izzivi se banke soočajo pri implementaciji teh naprednih rešitev.
Za plačilo lahko uporabite plačilno kartico, PayPal, Apple Pay ali Google Pay:
Najprej se morate prijaviti.
V kolikor še nimate svoje prijave, se lahko registrirate.
Umetna inteligenca (UI) v bančništvu že zdavnaj ni več le tehnološki modni trend, temveč ključno gonilo digitalne preobrazbe. Banke po vsem svetu in v Sloveniji pospešeno vlagajo v sisteme strojnega učenja, napredne analitike in generativne UI, saj jim to omogoča optimizacijo procesov, zmanjšanje tveganj in, kar je najpomembneje, personalizirano uporabniško izkušnjo.
Tehnologije umetne inteligence bankam ne omogočajo le optimizacije procesov in zmanjšanja tveganj, temveč prinašajo nekaj, kar je bilo v preteklosti nepredstavljivo – popolnoma personalizirano, proaktivno in celovito uporabniško izkušnjo za vsakega posameznega komitenta. Seveda pa opravijo še cel kup dela v ozadju oziroma zaledju. Poglejmo, kako UI v bančnih okoljih deluje v praksi in s kakšnimi izzivi se banke soočajo pri implementaciji teh naprednih rešitev.
Prepoznavanje in preprečevanje prevar
Čeprav bi laično menili, da bo na prvem mestu rabe UI uporabniška izkušnja komitentov, to, vsaj za zdaj, še ne drži. Varnost je v bančnih okoljih (še vedno) na prvem mestu. Kibernetski kriminalci namreč postajajo vse bolj sofisticirani in zato vse nevarnejši, saj za napade uporabljajo enako napredna orodja kot varnostni strokovnjaki. Tradicionalni obrambni sistemi bank so temeljili na vnaprej določenih, statičnih pravilih (npr. »Blokiraj transakcijo, če je znesek nad 5.000 evrov.« ali »Sproži alarm, če se kartica nenadoma uporabi v tujini.«). Takšen pristop je povzročal ogromno lažnih alarmov in slabo voljo pri strankah, ki so jim banke kartice blokirale sredi dopusta ali službene poti (to se je večkrat zgodilo tudi piscu teh vrstic).
Algoritmi umetne inteligence pa namesto statičnih pravil analizirajo vedenjske vzorce in kontekst uporabnikov v realnem času ter se neprekinjeno učijo iz vsake nove transakcije. Strokovnjaki ta pristop imenujejo vedenjska biometrija. Sistem se sčasoma natančno nauči, kako hitro običajno tipkate, pod kakšnim kotom držite pametni telefon, kako močno pritiskate na zaslon in kako se premikate po mobilni aplikaciji. Če napadalec pridobi vaša gesla in dostope, a aplikacijo uporablja drugače (npr. z drugačnim ritmom tipkanja), bo UI takoj zaznala anomalijo, zahtevala dodatno avtentikacijo ali pa račun začasno zamrznila. Super. Vam pa s tem potrdila, da mobilno bančno aplikacijo uporabljate le vi ...
Poleg bank UI izdatno uporabljata tudi obe kartični omrežji (Mastercard in Visa), saj imata implementirane kompleksne UI-modele, ki v milisekundah preučijo na tisoče podatkovnih točk – od točne lokacije trgovca, časa nakupa, vrste blaga do preteklih navad kupca in globalnih vzorcev prevar. Sistem oceni verjetnost prevare s točkovnikom tveganja, še preden na POS-terminalu sploh pritisnete gumb za potrditev.
Krediti in analiza tveganja
Postopek odobritve kredita je v preteklosti trajal več dni, včasih celo tednov. Stranke so morale zbirati gore papirne dokumentacije, bančni uslužbenci pa so ročno preračunavali kreditno sposobnost prosilca. Danes UI omogoča t. i. hipno kreditiranje, ki temelji na avtomatizirani analizi tveganj. Algoritmi strojnega učenja lahko poleg klasičnega finančnega stanja (plača, zaposlitev, obstoječi krediti, premoženje) analizirajo tudi alternativne vire podatkov, s čimer bankam omogočajo varnejše posojanje denarja, strankam pa bliskovito storitev.
Na področju nudenja hitrih posojil pred klasičnimi bankami prednjačijo fintech platforme in digitalne banke (npr. Revolut, N26). Te po lastnih besedah analizo transakcijske zgodovine posameznika opravijo v nekaj sekundah. Če algoritem v mesečni porabi zazna stabilne vzorce prihodkov in odgovorno upravljanje denarja, lahko potrošniški kredit odobri v pičlih nekaj minutah prek mobilne aplikacije, torej brez obiska poslovalnice.
To je dobra novica za vse, ki so prej pristali v 'neprivlačnih' predalih bank. Tradicionalni sistemi ocenjevanja, kot je slovenski SISBON, včasih ne morejo ustrezno oceniti mlajših strank, študentov ali samostojnih podjetnikov (npr. freelancerjev), ki nimajo redne mesečne plače. UI lahko prek analize plačilnih navad (npr. redno plačevanje najemnine in naročnin) ugotovi, da je stranka finančno zanesljiva, s čimer banka pridobi nov krog komitentov, ne da bi povečala delež slabih posojil.
Personalizirana uporabniška izkušnja in pametni pomočniki
Sodobni bančni uporabniki, vzgojeni v dobi digitalnih platform, od bank pričakujejo enako raven personalizacije, kot jo ponuja Netflix ali Spotify. Ne želijo si splošnih oglasov za stanovanjske kredite, če že imajo nepremičnino. Banke zato uporabljajo UI za analizo nakupovalnih navad in ponujanje pravih storitev ob pravem času – koncept, znan kot naslednji najprimernejši korak (angl. Next-Best-Action).
Čeprav so v Sloveniji e-bančni pomočniki še nekako na ravni klepetalnih botov, pa lahko lepe zglede, kaj lahko programska koda, ki ima dostop do naših finančnih podatkov, doseže, vidimo na primeru Bank of America. Ta ima digitalno Erico, enega najnaprednejših in najprepoznavnejših virtualnih bančnih pomočnikov na svetu. Erica ne odgovarja le na enostavna vprašanja tipa »Kakšno je moje stanje na računu?«, temveč deluje proaktivno in svetovalno. Stranke opozarja na podvajanje naročnin, zazna povišanje cen fiksnih stroškov (npr. elektrike ali interneta) ali pa jih opozori: »Če boste nadaljevali s takšno porabo kot prejšnji teden, vam bo do konca meseca zmanjkalo sredstev na tekočem računu.«
Za izobraževanje in varovanje uporabnikov skrbijo tudi digitalni bančni pomočniki, ki spodbujajo t. i. mikro varčevanje in investicije. Številne mobilne banke že ponujajo 'pametne prašičke', kjer UI analizira uporabnikovo tedensko porabo in ob koncu tedna samodejno zaokrožuje zneske nakupov ali prenese optimalen znesek (ki ga glede na uporabnikove navade ta sploh ne bo pogrešal) na varčevalni ali investicijski račun.
UI v zaledju
Revolucija, ki jo je sprožil razmah velikih jezikovnih modelov, je močno vplivala tudi na zaledne sisteme v bančništvu. Zaradi strogih regulativ na področju varnosti in varstva podatkov se generativna UI trenutno ne uporablja toliko v neposrednem, nenadzorovanem stiku s strankami, temveč kot neprecenljiv pomočnik bančnim uslužbencem v zalednih pisarnah. Finančni gigant JPMorgan Chase je razvil lastno, zaprto orodje generativne umetne inteligence, poimenovano IndexGPT. Ta sistem analitikom in investicijskim bančnikom pomaga pri izbiri investicijskih strategij, hitri sintezi obsežnih finančnih poročil podjetij in prepoznavanju tržnih trendov z milijonov strani nestrukturiranih podatkov.
UI pomaga bankam uresničevati tudi skladnost z zakonodajo. Bančni sektor je namreč eden najbolj reguliranih na svetu. Banke morajo dnevno preučevati na tisoče strani lokalnih, evropskih in mednarodnih predpisov. Generativna UI lahko v nekaj sekundah prečeše nove zakonodajne akte, jih primerja z obstoječimi internimi akti banke ter pravni službi natančno izpiše, katere bančne procese in splošne pogoje bo treba posodobiti.
Algoritemsko trgovanje in upravljanje premoženja
Na področju investicijskega bančništva in upravljanja premoženja UI že ta hip upravlja stotine milijard evrov. Sistemi za algoritemsko trgovanje ne spijo, nimajo čustev in lahko obdelajo podatke s hitrostjo, ki je ljudem nedosegljiva. Takšni sistemi spremljajo svetovne borze v realnem času, hkrati pa prek analize besedil berejo geopolitične novice, objave na družbenih omrežjih, četrtletna poslovna poročila podjetij in podatke o dobavnih verigah! Če algoritem zazna novico, ki bi lahko negativno vplivala na posamezno panogo industrije, lahko izvede prodajo ali nakup delnic v delčku sekunde – hitreje, kot bi človeškemu borznemu posredniku sploh uspelo prebrati naslov novice. Prav zato se sodobno trgovanje spreminja v trgovanje z algoritmi in prav zato imajo banke vedno večje podatkovne centre in bliskovito hitre zakupljene internetne vode.
Optimizacija poslovanja poslovalnic
Čeprav se bančništvo množično seli na splet in v mobilne bančne aplikacije, fizične poslovalnice in bankomati ostajajo pomemben del infrastrukture. UI pomaga bankam optimizirati tudi fizične vidike poslovanja. Algoritmi in strojno učenje se uporabljajo za načrtovanje oskrbe bankomatov z gotovino. Prazni bankomati jezijo stranke, preveč napolnjeni bankomati pa pomenijo, da ima banka 'mrtev' kapital, ki ne prinaša obresti, hkrati pa so ti bankomati večja tarča za rope. Algoritmi analizirajo zgodovinske podatke o dvigih, lokalne dogodke (npr. koncerte, sejme, praznike) in celo vremensko napoved, da že precej natančno napovejo, kdaj in s kolikšnim zneskom je treba napolniti posamezen bankomat. Seveda pa gredo stvari in algoritmi še dlje, tudi do kadrovanja. Z analiziranjem vzorcev obiskov poslovalnic lahko UI banki predlaga optimalne urnike za zaposlene, s čimer se zmanjšajo čakalne vrste v času največje gneče.
Izzivi in etična vprašanja
Kljub očitnim prednostim pa uvedba umetne inteligence v bančništvu odpira resna vprašanja, s katerimi se morajo soočiti vodstva finančnih institucij. Velik izziv je t. i. pristranskost algoritmov. Če so se algoritmi urili na zgodovinskih podatkih, ki so vsebovali človeške predsodke (npr. manj odobravanja kreditov posameznim manjšinam ali prebivalcem nekaterih regij), bo UI te predsodke kopirala in celo ojačala. Banke morajo zato stalno revidirati svoje modele, da zagotovijo pravičnost obravnave komitentov.
Strokovnjaki izpostavljajo še problem 'črne skrinjice'. Nekateri napredni modeli strojnega učenja, kot so globoke nevronske mreže, so postali tako zapleteni, da je težko natančno ugotoviti ali pojasniti, zakaj je algoritem sprejel neko odločitev. Regulatorji pa od bank zahtevajo t. i. razložljivo umetno inteligenco (XAI). Če banka stranki zavrne kredit, ji mora znati utemeljiti razloge, saj odgovora »tako je odločil algoritem« zakonodaja ne dopušča.
Finančni podatki že sicer sodijo med najobčutljivejše. Banke morajo zagotoviti, da se podatki strank ne uporabljajo za učenje javnih UI-modelov in da so vsi procesi v celoti usklajeni z direktivami, kot sta GDPR in evropski Akt o umetni inteligenci.
Bančništvo je boljše z UI
Ne glede na to, ali se z rabo UI v bančništvu strinjamo ali ne, moramo priznati, da so finančne storitve danes po zaslugi napredne tehnologije boljše. Umetna inteligenca je bančništvo dokončno premaknila iz reaktivnega delovanja v proaktivno. Banka danes ne čaka več, da stranka pride v poslovalnico, zaprosi za pomoč ali ročno prijavi ukradeno kartico. Namesto tega napredni algoritmi te dogodke predvidijo, preprečijo ali pa rešitev ponudijo, še preden se stranka sploh zave, da jo potrebuje. Živeli algoritmi!
