Finansai ir dirbtinis intelektas: 10 populiariausių taikymo pavyzdžių

„Išduoti kreditą ar ne?“ – štai kur klausimas. Kreditų portfelio rizikos valdymas prasideda nuo siekio tinkamai įvertinti potencialių klientų mokumą ir pasiūlyti tinkamiausias kreditavimo sąlygas. Atsakingas išankstinis rizikos valdymas leidžia apsisaugoti nuo būsimų finansinių nuostolių. Dabar tokie sprendimai jau neįmanomi be DI, nes jo panaudojimas leidžia per trumpą laiką apdoroti daugybę skirtingų veiksnių kliento rizikai įvertinti. DI algoritmai yra nuolat tobulinami tam, kad būtų pagerintas DI tikslumas ir individualizuotos siūlomo kredito sąlygos.

Pirkti, parduoti, susilaikyti – investuotojų dilema. Yra sukurta daug matematinių modelių, kurie optimizuoja ar individualizuoja investicinį portfelį pagal rizikos pomėgį. Tačiau čia didžiausias iššūkis tenka tradicinių vertybinių popierių (akcijų, obligacijų, išvestinių priemonių) ir kriptovaliutų kainos prognozavimui. Štai čia ir gelbsti DI sprendimai, kurių pagrindas – sudėtingi matematiniai modeliai, gebantys apdoroti struktūrizuotą ir nestruktūrizuotą informaciją, naudojamą kuo tikslesnėms kainos prognozėms gauti. Tai sudaro prielaidas kurti nepriklausomai veikiančią automatizuotą algoritminės prekybos sistemą.

Finansinės rinkos jautriai reaguoja į nuomonių formuotojų (angl. influencer) pasisakymus, naujienas žiniasklaidoje ar socialiniuose tinkluose. Siekiama suprasti, kaip ir kokio turinio pranešimai veikia finansų rinkas, kokia to poveikio įtaka ir trukmė. Visų galimų informacijos šaltinių žmogus yra nepajėgus apdoroti, be to finansų rinka globali, todėl pasitelkiami teksto analitikos ar gimtosios kalbos apdorojimo algoritmai struktūrizuoja informaciją, kuri vėliau gali būti integruojama į sprendimų priėmimo algoritmus.

DI jau pademonstravo savo pranašumą užkertant kelią sukčiavimui ir kovojant su juo. Vienas geriausių žinomų pavyzdžių – tai sukčiavimas kreditinėmis kortelėmis. Šis sukčiavimo būdas per pastaruosius kelerius metus vis dažniau pasitaiko dėl augančio internetinių operacijų ir elektroninės prekybos populiarumo. DI valdomi sukčiavimo identifikavimo įrankiai gali analizuoti klientų elgesį, sekti jų buvimo vietą ir nustatyti jų pirkimo įpročius. Todėl jie gali greitai aptikti bet kokią neįprastą veiklą, kuri skiriasi nuo įprasto išlaidų modelio. Kita sritis – tai pinigų plovimo prevencija, kur dominuoja taisyklės, tačiau vis dažniau jos integruojamos su DI sprendimais.

Tai vienas iš akivaizdžiausių pavyzdžių, kuris leidžia atsidaryti sąskaitą banke ar finansines paslaugas teikiančiose įmonėse fiziškai nedalyvaujant. Tam pasitelkiami teksto ir vaizdo apdorojimo algoritmai, gebantys identifikuoti asmenį nuotoliniu būdu. Vystantis technologijoms ir keliant tikslumo bei saugumo reikalavimus keisis asmens identifikavimo formos, t. y. nebepakaks pirštų atspaudų ar paso nuotraukos ir, siekiant sukurti beveik neklystančius algoritmus, bus naudojama tokia informacija kaip balsas, akies rainelė, delno kraujagyslių sistema ar net žmogaus judesiai, eisena.

Asmeninių išlaidų kontrolė ir optimizavimas Vienas iš paprasčiausių pavyzdžių – stebėti asmens išlaidas ir užtikrinti, kad jos neperžengtų tam tikros ribos. Tai ypač aktualu asmenims, kurie turi daug skirtingų įsipareigojimų, tokių kaip lizingas, įvairios draudimo sutartys, paskolos, mokesčiai, investavimas ir pan. Atrodo, galėtume apsieiti ir be DI, o išlaidų stebėsenai galėtų pakakti paprasčiausių aritmetinių veiksmų. Tačiau išlaidas galime optimizuoti ir išmaniaisiais sprendimais. Pavyzdžiui, norite greitai, skaniai ir nebrangiai pavalgyti – jums pasiūlomas geriausias sprendimas pagal jūsų lokacijos vietą ir meniu poreikius; keičiant gyvenimo būdą, algoritmai gali įvertinti būsimų išlaidų prieaugį keičiant gyvenamąją vietą; algoritmui galime iškelti taupymo tikslus ir pagal tai rekomenduoti išlaidų reguliavimą bei motyvacinius siekius.

DI pranašumai tampa akivaizdūs, kai reikia suasmeninti ir suteikti papildomos naudos klientams „čia ir dabar“, ypač jei tai liečia mūsų finansus. Pavyzdžiui, bankų sektoriuje DI valdo išmaniuosius pokalbių robotus, kurie kiaurą parą klientams teikia išsamias konsultacijas, susijusias su banko paslaugomis. Tai leidžia reikšmingai sumažinti skambučių centrų darbo krūvį ir suteikti klientams individualias konsultacijas. Tokie algoritmai tampa vis išmanesni ir mokosi savarankiškai, todėl jie nuolat tobulėja, kai juos naudojate. Dar daugiau, pokalbių robotus galima susieti ir su kita programine įranga, pavyzdžiui, paprašyti patikrinti sąskaitų likučius ar susumuoti mėnesio išlaidas, patirtas apsipirkinėjant prekybos centruose ar pramogaujant.

Tarkime, jums reikalinga nepriklausoma finansų eksperto nuomonė investavimo ar taupymo klausimu. Galite kreiptis į finansų konsultantą, kuris surinks apie jus informaciją ir po tam tikro laiko, remdamasis ekonomikos ir finansinių rinkų žiniomis, parengs jūsų poreikiams tinkamas kelias investavimo alternatyvas. Tačiau tokią užduotį DI gali atlikti kur kas sparčiau: apdoroti milžiniškus informacijos kiekius, pagal istorinius duomenis spėti būsimas tendencijas, vertinti kiekvienos alternatyvos tikėtiną grąžą, atsižvelgti į asmens pajamas, investavimo prioritetus, rizikos apetitą ir, dar svarbiau, gali tai atlikti nurodytu periodiškumu ar reikšmingai besikeičiant situacijai rinkose. Tokios programos jau sukurtos ir žinomos kaip robopatarėjai, kurie nuolat vystomi ir net mokosi mokytis iš savo klaidų.

Automatizavimo poreikis siekiant sumažinti veiklos sąnaudas ir gerinti produktyvumą aktualus ne tik gamyboje. Finansinės ataskaitos ir operatyvus įmonės finansinės būklės vertinimas aktualus daugeliui įmonių, nebūtinai veikiančių finansų sektoriuje. Tokias operacijas lydi besikartojantys veiksmai, tokie kaip informacijos surinkimas iš kelių informacijos šaltinių ar padalinių, aktualių duomenų išrinkimas iš įvairių skirtingo formato dokumentų, sutarčių ar skirtingų programų ir jos susisteminimas suformuojant ataskaitas. Tokios užduotys pareikalauja daug darbo valandų ir didina darbo užmokesčio fondo sąnaudas, todėl šių veiksmų išmanusis automatizavimas labai svarbus, ypač siekiant turėti savalaikę ar realiu laiku stebimą informaciją apie įmonės finansinę būklę ir mažinti žmogiškąsias klaidas. Pasitelkus išmaniuosius verslo analitikos algoritmus, ataskaitas galima papildyti ir išsamesnėmis analitinėmis ataskaitomis bei prognozėmis.

DI neišvengiamai keičia ir draudimo sektorių. Vienas iš pavyzdžių – suasmeninta kainodara ir kainų pasiūlymai pasitelkiant dirbtinį intelektą. Pavyzdžiui, įdiegus telematikos technologiją gali būti kaupiami duomenys apie asmens vairavimo stilių. Tokiu būdu galima įvertinti jo realų rizikos profilį bei pasiūlyti atitinkamą draudimą, dar žinomą kaip „mokėk, kaip / kiek / kai vairuoji“. Kitas pavyzdys – žalų sureguliavimo procesas, kurio efektyvinimas ir automatizavimas gali būti patikėtas DI. Įvairūs rizikos pasidalijimo bei sutelktinio draudimo sprendimai taip pat gali būti veikiantys DI pagrindu.

Visus paminėtus pavyzdžius sieja tai, kas vadinama DI laukiama nauda – sąnaudų minimizavimas, klientų poreikių perpratimas ir jų patirties gerinimas, apgaulės identifikavimas, išmanieji verslo sprendimai, vidinių procesų automatizavimas ir savalaikiškumas.

DI sparčiai žengia į priekį ir finansų sektorius – ne išimtis. Tačiau dirbtinis intelektas taip pat klysta, nepateisina lūkesčių, nes tai besivystanti sritis. Ne veltui apie DI specialistų ir duomenų mokslininkų didėjantį poreikį plačiai eskaluojama visame pasaulyje. Reikalingi DI vadybininkai, taip pat jo pagrindu veikiančių sistemų programuotojai, bet dar labiau reikalingi DI kūrėjai, suprantantys sudėtingus matematinius metodus ir modelius, kurie ir yra DI pagrindas.