Az utóbbi időszakban a bankok elkezdték a gyakorlatban is alkalmazni a mesterséges intelligencát több területen, ám az átállás nem megy varázsütésre: megfelelő külső és belső kompeteneciákat kell kiépíteni, az adatvagyont sztenderdizálni, tisztítani kell, és sokszor a bankok örökölt gondolkodásmódja gördít akadályt egy hatékony AI technológia bevezetése elé. Mindez pedig nem csak pénzkérdés: az infrastruktúra, az operáció és a kultúra területén is változásokat követel meg egy AI-megoldás bevezetése. A téma szakértőjével, Pintér Szabolccsal, a modern technológiákkal foglalkozó UpScale ügyvezetőjével, október 13-ai Banking Technology konferenciánk előadójával beszélgettünk minderről.
Mitől lett ennyire forró téma a mesterséges intelligencia az utóbbi időben?
Sokan vélekednek úgy, hogy az AI már egy elcsépelt téma, mások most látják eljöttnek az időt, hogy egyáltalán érdemben beszélni lehessen róla. Magam is emlékszem egy kutatásra, amely szerint a döntéshozók 86%-a már 2014-ben, vagy előtte hallott mesterséges intelligenciáról, tőlünk nyugatra addigra gyakorlatilag már mindenki. Persze ahhoz képest, hogy általában az 50-es évekre vezetik vissza az első AI algoritmusokat és a 80-as évekre már AI technológiák elérhetők voltak kereskedelmi vonatkozásban is, meglepő lehet, hogy csak most lett igazi “hype” az AI. Annak tükrében ugyanakkor, hogy az elmúlt évtized hozott általános áttörést a kapcsolt eszközök, az adattárolási és továbbítási technológiák, vagy akár az infrastrukturális megoldások, a felhő alapú szolgáltatások elterjedtségében, továbbá az algoritmusok „okosodásában”, az úgynevezett „deep learning” kiforrottságában, már egyáltalán nem meglepő, hogy a döntéshozók most ismerték fel a mesterséges intelligenciában rejlő igazi lehetőségeket.
Számíthatunk arra, hogy mostantól már minden megoldást a mesterséges intelligencia vezérel majd?
Kétségtelenül egyre több AI alapú alkalmazás megjelenése valószínűsíthető.
A várható üzleti előnyöket számtalan tanácsadó cég számszerűsítette már és a magas üzleti potenciál tekintetében konszenzus alakult ki a szektoron belül. Tapasztalatunk szerint viszont sok visszahúzó tényező létezik, amelyek hátráltatják a technológia gyakorlati berobbanását.
Ha példaként egy jelentős tőkeerővel rendelkező nagy bankot veszünk, mi az, ami miatt holnaptól nem “állnak át” AI alapú megoldásokra?
Ez alapvetően nem, illetve nem elsődlegesen pénz kérdése. Jellemzően több tényező fogja vissza a digitális transzformáció AI-t érintő folyamatait. Ezek az okok pedig három területre koncentrálódnak: az infrastruktúra, az operáció és a kultúra területére. Hogy mást ne említsek, komoly problémát okoz, hogy a pénzintézetek jelentős részében nem, vagy nem megfelelő módon áll rendelkezésre a mesterséges intelligencia alapú elemzésekhez szükséges adat. Ennek oka visszavezethető az elavult rendszerekre, a meglévő folyamatok és human erőforrás képességek korlátaira.
A modernizáció, különösen az adatok tárolásának modernizációja nagy lökést adhat az AI eljterjedésének.
Mit értesz az adatok tárolásának modernizálása alatt?
A banki adatok ma még gyakran különböző egymástól független rendszerekhez vannak láncolva, illetve erősen aggregált formában hozzáférhetők alacsony rendelkezésre állású adattárházakban. A feldolgozásukhoz szükséges tudás és algoritmusok elérhetősége ugyancsak jelentős lassító tényező. A tradicionális adatfeldolgozó eszközökkel összehasonlítva, a Big Data elemző infrastruktúrát tipikusan nulláról tervezik meg, hogy a milliárdnyi adatrekord feldolgozásának időigényes folyamata kezelhető részegységekben történhessen meg.
Így lehetséges párhuzamosan kihasználni a processzorok és szerverek százain elosztott adattárolás kapacitásnövelő hatását, ezáltal radikálisan lecsökkentve az adatelemzés folyamatát napokról percekre. A szakirodalom a Big Data meghatározó követelményeit az úgynevezett 5V-ben foglalta össze, ezek a Velocity, Volume, Value, Variety and Veracity. Magyarul az adatok létrejöttéhez mért elemzés gyorsasága, a másodpercek alatt generált adatok mennyisége, az összegyűjtött és elemzett adatok értékké konvertálása, a jellemzően strukturálatlan adatok számossága és végül az adatok minősége és pontossága együttesen biztosít az adatok megfelelőségéhez egy objektív szempontrendszert. Társaságunk elmúlt években felhalmozott modernizálási tapasztalata alátámasztja, hogy az AI alkalmazások hatékony bevezetéséhez szükséges infrastruktúra kialakítása kihívásokkal teli feladat egy tradicionális szervezet számára és szakértő kompetencia bevonása rendkívül sokat javíthat az átállás hatékonyságán mind időben, mind pénzben.
Miért nem tud hatékonyan megvalósulni a tisztán belső erőforrásokra épülő AI-transzformáció?
Elsődleges okként talán nem is a szervezeteken belüli kompetencia hiányát jelölném meg. Persze nyilvánvaló korlát, hogy maga a szűkebb értelemben vett mesterséges intelligencia alkalmazása igényel a “domain” tudás mellett “data scientist”, “data engineer”, “devops” szakértőt is (és ezek ritkán találhatók meg a tradicionális szervezetben), mitöbb, a sikeres AI projektek titka azok igazi “cross-functional” jellegéből fakad. Azaz a végtermék több szakterület részvételével létrehozott csapatok hatékony együttműködésének eredményeként jön létre. Multidiszciplináris tudás, készségek, eszközök, infrastruktúra rendelkezésre állása és a vezetés elkötelezettsége egyaránt fontos összetevői az eredményességnek. Ez már igényel bizonyos mértékű agilitást a szervezeten belül.
A legfontosabb ok mégis az, hogy az AI egy új technológia, melynek az enterprise környezeten belüli meghonosítása komoly bevezetési tapasztalat internalizálását igényli. Ügyfeleink legtöbbször nem a gyakorlati terveikről, hanem a vágyaikról beszélnek. Sokszor keverednek a célok és eszközök. Ugyancsak általános, hogy a bankok örökölt gondolkodásmódja gördít akadályt egy hatékony AI technológia bevezetése elé. A nagyvállalati kultúrában szocializálódott, bürokratikus döntési folyamathoz szokott vezetőknek kell most erős fókusszal üzleti eseteket beazonosítaniuk, ahol koncentrált erőforrással fektethetnek be ebbe az új megoldásba. Ez ma még sokszor belső jóváhagyási és aláírási körök garmadáját vonja magával. Az egész transzformációs folyamat végső soron egy óriási változáskezelési projekt. Egy modernizálásban tapasztalatot szerzett külső partner nagyban segíthet a gondolkodásmód célorientált facilitálásában.
A bankoknak gondolkodásmódot kell váltaniuk?
Valóban, jellemző probléma, hogy bankok jó ötletnek tűnő AI-kezdeményezéseket általános elemző képességekkel próbálnak a meglévő szervezeti egységek keretein belül kezelni és végső soron gigantikus adat-sztenderdizálási programokba torkollnak, amelynek persze nincs szervezeten belüli felelőse. Előbb-utóbb felismerik ugyanis, hogy a fejlettebb elemzési feladatok hatékony elvégzéséhez az adatokat megfelelő formátumban kell rendelkezésre bocsátani.
A monumentális és hosszú projektek felállítása viszont nehezen összeegyeztethető azzal az agilis szemlélettel, amelyet a gyorsan változó piaci folyamatok és ügyféligények megnövekedett szervezeti alkalmazkodóképességi igénye hívott életre.
Egy jobb megközelítés lehet, ha az infrastrukturális, operációs és human erőforrás adottságokat is figyelembe véve kiválasztanak néhány alkalmazást, amely esetében a mesterséges intelligencia bevezetése közvetlen és jelentős hatással lehet valamelyik teljesítmény indikátorra, úgy mint a bevételek növelése, költségek csökkentése, vagy ügyfélelégedettség növelése. Így lépésről-lépésre agilis módon nyerhetik el a menedzsment további támogatását.
Úgy látod, a felsővezetés még nem eléggé elkötelezett az AI iránt?
Véleményem szerint nagy várakozások és törékeny bizalom jellemzi a jelenlegi állapotot. Mint valamennyi felkapott új technológia esetében, a bizalom könnyen meginghat komoly befektetések kudarcának láttán. Nem is beszélve az esetleges szabályozási-megfelelőségi aggályokról. A mesterséges intelligencia jelenlegi státuszában még nehezen magyarázható és kevésbé átlátható algoritmusok formájában ölt testet, amelyekhez nem kevésszer körülményesen indokolható előítéletek rendszer szintű visszatükröződései társulhatnak.
Kihívást jelent a szabályozásoknak való megfelelés?
Igen, a mesterséges intelligencia még alapvetően “black box”, vagyis fekete doboz jellegű megoldásokat nyújt, amely épp a modellek magyarázhatóságával kapcsolatos szabályozási elvárásoknak való megfelelést nem tudja elvárt mértékben biztosítani. Gondoljunk csak a mesterséges intelligencia alapját képező gépi tanulás iskolapéldájára, amikor egy input és egy output tényezők adathalmazában a “machine learning” felismer bizonyos mintázatokat és definiál olyan algoritmikus kapcsolatokat, amelyek képesek arra, hogy a jövőben a matematika nyelvén feltárják az összefüggéseket a két említett faktor között.
Ezek ugyanakkor közgazdaságilag néha nehezen értelmezhetők, adott esetben etikai szempontból pedig igazságtalanok. Például, miért minősítünk majd kockázatosabbnak egy hitelkihelyezést egy adott demográfiai (korcsoport és nemi jellemzőkkel leírható) csoport számára. A bankszektor egy különösen szabályozott és gazdaságilag meghatározó iparág, igy ezeknek a szempontoknak kiemelt jelentősége van. Korunkban ehhez társult hozzá a GDPR és általában az úgynevezett Privacy jogszabályi előírások biztosításának követelménye. Ma még kihívás auditálni egy mesterséges intelligencia alapú megoldást.
Mi a megoldás erre a problémára? Hogyan lehet a felügyelet számára elfogadhatóvá tenni ezeket az algoritmusokat, magát az AI-t?
A jó hír, hogy a technológia folyamatosan fejlődik. Ma már a Black box mellett megjelent a “Glass box” (vagyis “üveg doboz”) fogalma a mesterséges intelligencia témakörében, ahogy például a GDPR megfelelőség biztosítására is léteznek már modern eszközök, amelyek képesek a jogi elvárásoknak való megfelelés igényére kielégítő megoldást nyújtani.
Az AI alapú hitelkihelyezéshez kapcsolódó modernizáció tekintetében létezik például egy hat pontos elvárás rendszer. Ez ugyan még nem vált általánosan elfogadott sztenderdé, de igazodási pontként már alkalmazható. Az Európai szabályozó testületek is már kiemelten foglalkoznak a mesterséges intelligencia alkalmazásának elősegítésén egy testreszabott jogszabályi keretrendszer kidolgozásán.
Összefoglalva, milyen eredményeket lehet remélni az AI bankszektorban való alkalmazásától?
A McKinsey a közelmúltban 1 trillió dollárra becsülte a mesterséges intelligencia térnyeréséhez köthető addicionális éves jövedelem mértékét a globális bankszektorban.
Érdekes ugyanakkor, hogy egy idei (MIT Sloan Management Review and Boston Consulting Group) kutatás azt találta, hogy mindössze a szervezetek 11%-a ért el számottevő pénzügyi eredményt a mesterséges intelligencia alkalmazásával. Meggyőződésem, hogy a potenciál és a realizált eredmények közötti óriási szakadék megfelelő megközelítéssel kellően közel hozható egymáshoz. Erről fogunk beszélni a Portfolio Banking Technology konferenciáján 2021. október 13-án a Corinthia hotelben.
https://www.portfolio.hu/bank/20211004/berobbant-a-mesterseges-intelligencia-a-bankokba-mit-tud-az-ai-a-penzintezeteknel-503060
