Куда стремится «умное» стадо? Количество переходит в качество. Обзор сфер применения ИИ в банках

BIS Journal №4(43)/2021

26 ноября, 2021

Куда стремится «умное» стадо? Количество переходит в качество. Обзор сфер применения ИИ в банках

На первый взгляд, ИТ-решения на базе методов искусственного интеллекта (ИИ) заполонили все этажи и закоулки цифрового пространства современного банка...

Но это только часть правды – трудолюбивые и неутомимые механизмы ИИ и, правда, занимаются самыми разными задачами, нужными кредитной организации. Другая часть правды заключается в том, что по аналогии с «зоопарком» программно-аппаратных комплексов сегодня можно говорить о «зоопарке» умных программ со всеми вытекающими последствиями.

В этом «зверинце» – обитает много «хищников», пожирающих гигабайты оперативной памяти,MIPS-ы вычислительной мощности и ресурсы множества команд дорогостоящих ИТ-специалистов. Так что нынешний хайп на тему искусственного интеллекта в конечном итоге уходит в плоскость оптимизации инвестиций и грамотного управления ИИ-зоопарком. Как выглядит, с этой точки зрения, эволюция интеллектуальных систем, работающих в российских банках?

 

Машинный интеллект: быстрее человека, лучше человека

Современные банки осуществляют свой бизнес в условиях жесткой конкуренции с финтехом. «Банкам необходимо очень постараться, чтобы достичь скорости, маневренности и гибкости, присущих их конкурентам – финтех-компаниям», –говорит Тимур Аитов, директор по развитию Ассоциации Финансовых инноваций. В этих условиях банки стараются с помощью ИИ поставить на службу бизнесу всю мощь данных, имеющихся во внутренних и внешних источниках. В первую очередь, искусственный интеллект внедряется на тех участках деятельности банка, где он очевидным образом работает быстрее человека или лучше человека справляется с решением тех или иных задач. Так, системы на базе ИИ помогают людям управлять персоналом, лояльностью клиентов и реализацией маркетинговых программ, бороться с внутренними и внешними угрозами информационной безопасности.

Умный цифровой HR. Чаще всего информатизация используется для ускорения и оптимизации поиска и найма персонала за счет автоматического анализа резюме и первичного отбора подходящих кандидатов. «Технологии машинного обучения внедряется в WFM (Work Force Management), системы управления персоналом, позволяющие банку прогнозировать, как общее количество персонала, так  и наличие этого персонала в конкретный промежуток времени в офисе или контакт-центре для обслуживания текущего потока клиентов», –говорит Василий Куць, директор по отраслевым решениям для банков компании КРОК. Перспективное направление – Human Capital Management (HCM), системы управления человеческим капиталом. Фактически это вариант аналитики больших данных, которая позволяет выявлять особенности и аномалии рабочих процессов, влияющих на текучку кадров, будущую эффективность работы сотрудника, а также помогает формировать кадровый резерв.

Тотальная «удаленка» вызвала устойчивый интерес компаний к ИТ-системам, способным наблюдать за работой удаленного персонала, волею судеб привязанного к домашнему рабочему месту. Причем, от таких систем ожидается функциональность двоякого рода. С одной стороны, требуется виртуальный «надсмотрщик», умеющий учитывать полезную активность сотрудника и объективно оценивать эффективность его работы. С другой стороны, такие системы выполняют функции защиты компании от действий сотрудника, которые могут нанести вред ее бизнесу.  Например, после установки на удаленный компьютер соответствующего приложения системный администратор получает полный контроль над действиями пользователя в корпоративной сети: он может видеть список программ, которые запускаются пользователем, изучать, какие окна открыты у сотрудника, блокировать определенные ресурсы. Встроенный модуль распознавания лиц поможет администратору убедиться, что за компьютером работает тот самый сотрудник компании.

ИИ в контактных центрах. Для передовых контактных центров, в которых реализовано омниканальное обслуживание клиентов, технологии распознавания естественного языка распространяются на все каналы коммуникаций операторов и клиентов: переписку по электронной почте и в мессенджерах, сообщения на корпоративных сайтах, форумах, в соцсетях. К классическому функционалу выявления позитива/негатива в высказываниях клиентов добавилось распознавание их тематики, выявление ключевых особенностей конкретного обращения и автоматический выбор сотрудника, который должен вступить в коммуникацию с клиентом по интересующему его вопросу.

Сегодня рядом с классическими операторами трудятся голосовые помощники. Эти «сотрудники» берут на себя часть работы операторов, в первую очередь, рутинные функции дозвона и информирования клиентов. Поддержать разговор в «человеческом» стиле они пока не способны. Дело в том, что виртуального помощника, как и человека-оператора, нужно постоянно обучать новым знаниям и навыкам, контролировать его работу и при необходимости вносить корректировки, а для этого необходимы существенные ресурсы. Кроме того, удачный робот должен уметь работать в информационной среде компании и черпать нужные сведения из документов, которые хранятся в неструктурированном виде, а также логически связывать их между собой. Проблема заключается не только в отсутствии необходимых контекстно-зависимых интеграций на логическом уровне, но зачастую и в недостаточной цифровой зрелости  компании – бизнес-процессы хаотичны, а данные недоступны приложениям.

Интеллектуальная видеоаналитика. Современные технологии распознавания лиц помогают банкам в организации контроля доступа сотрудников и клиентов в помещения банков, управлении очередями в офисах. Они также умеют выявлять VIP-персон, обеспечивая им специальное обслуживание, а также мошенников, чьи фото есть в соответствующей базе данных. Технологии позволяют с достаточной точностью идентифицировать пол человека, возраст и даже настроение. При этом наличие маски на лице не снижает точности распознавания, равно как и попытки человека изменить внешность, надев парик, шапку, очки или накладную бороду. Умная видеоаналитика умеет выявлять нетипичное поведение посетителя: попытка взлома банкомата или выявление оружия в руках посетителя.

Технологии видеоаналитики помогают финансовым компаниям решать разнообразные задачи, связанные с материальными объектами, например, дистанционно оценивать повреждения кузова автомобиля после ДТП. Перспективное направление, которому прочат большое будущее, – внедрение телематики в страховые и лизинговые продукты. Речь идет о комплексном интеллектуальном решении, которое объединяет телематические службы и страховые услуги: прогнозирование рисков осуществляется на основании детальных данных мониторинга стиля вождения, а также изображения водителя с камеры, установленной в кабине.

Яркая примета сегодняшнего дня – использование биометрических данных клиентов в банковских продуктах и услугах. Очевидно, что использование биометрии упрощает клиентский путь, и вот уже на старт активного роста выходит перспективное направление  – биоэквайринг, то есть оплата покупок на кассе магазина не картой, а лицом, обращенным к видеокамере. Однако несомненным достоинствам биометрической идентификации сопутствуют и новые риски: биометрические атаки – это уже реальность. И Liveness-верификация, то есть подтверждение того, что виртуальный собеседник – настоящий живой человек, а не его фотография, становится неотъемлемой частью банковских услуг, использующих биометрические данные клиентов.

ИИ в борьбе с внутренними мошенниками. Контроль неправомерных действий пользователя за компьютером включает регистрацию действий, которые потенциально могут нести риск: подключение USB-устройств, флеш-накопителей, принтеров, факты печати на принтере и перехват содержимого буфера обмена, мониторинг конфигурируемых лог-файлов и перехват нажатий клавиш на клавиатуре ПК. «Решение подобных задач лежит в области формирования моделей работы пользователей на основании информации об их типичном поведении, – говорит Александр Пуха, начальник отдела аудита и консалтинга ДИБ компании АМТ-ГРУП. Тогда существенные изменения модели их работы становятся поводом для оперативного информирования сотрудника службы безопасности».

Более того, аудиозаписи с микрофонов, содержимое буфера обмена и другая информация, которая может представлять интерес для службы безопасности, проходит лингвистический и контентный анализ на предмет выявления конкретной информации, к которой проявил интерес потенциальный инсайдер-злоумышленник. При этом анализ видеозаписей с веб-камеры рабочего места вместе с аудиозаписями дает возможность понять, какие люди находились в кабинете в конкретный момент времени, и какие события при этом происходили.

Составная часть мероприятий внутреннего антифрода – предотвращение утечек конфиденциальных данных в виде не только текста, но и графического изображения или промышленного чертежа, причем, даже в том случае, если инсайдер смог их видоизменить. Есть решения, которые позволяют однозначно определить, с какого рабочего места «убежал» конфиденциальный документ. Иными словами, если инсайдер откроет CRM-систему и сфотографирует личные данные клиентов для передачи вовне, это фото будет содержать информацию об учетной записи сотрудника, дате и времени съемки.

«Для предотвращения киберпреступлений все активнее применяются развитые антифрод-решения, позволяющие анализировать данные по клиентам и операциям в динамике и выявлять поведенческие аномалии», – подчеркивает Руслан Косарим, заместитель технического директора по развитию бизнеса группы компаний Angara. Умение увидеть аномалии, скрытые связи, выявить неочевидные риски – это один из самых сложных элементов умственной деятельности человека, и ИТ-решения на базе ИИ усиливают возможности человека в той области, где объект поиска не очевиден.

Ольга Касаева, руководитель направления противодействия внутреннему мошенничеству компании SAS Россия/СНГ указывает, что огромное количество полезной для инсайта информации находится в том, что называется цифровыми следами человека: сотрудника, клиента, партнера или, возможно, внутреннего сообщника. Если наложить на совокупность цифровых следов процессную аналитику (Processmining), можно выявить аномальные действия сотрудников, подозрительное поведении клиента или даже их сговор. С помощью программных средств такого рода можно, например, обнаружить факт тайного хищения денежных средств из кассы или высокотехнологичную операцию на основании сговора в биржевых торгах.

Иван Барчук, директор департамента сбора, хранения и анализа данных компании «ВС Лаб» добавляет, что, помимо сбора цифровых следов сотрудников, оставленных в корпоративной сети, для фрод-менеджмента используются данные из внешних открытых источников (OSINT, Open Source Intelligence). «Инструментарий OSINT позволяет быстро и наглядно представить все инциденты, – отмечает он. Даже обладая цепочкой транзакций, без соответствующей визуализации данных и без подсветки данных от ИИ человеку будет очень сложно выявить мошенничество или установить факт вывода денег».

Интеллект клиентского опыта. Эксперты рынка предполагают, что умные программные решения ведут мир банковских услуг к состоянию тотальной персонификации: предложение для клиента будут формироваться динамически с учетом местоположения клиента и прочих значимых характеристик текущей ситуации. Таким образом, в каждый момент времени клиент будет получать только актуальные предложения, максимально привязанные к нынешним особенностям его положения. «Через некоторое время банки смогут сегментировать аудиторию до одного физического лица», – уверен Иван Барчук.

Особое внимание банки всегда уделяют поддержке лояльности клиентов. Для розничных клиентов наиболее популярны рекомендации банковских продуктов и покупок в рамках программ лояльности различных ритейлеров. В части стимулирования лояльности корпоративных клиентов банки разрабатывают уникальные программы. Например, анализируют бизнес-связи клиента и рекомендуют ему новых контрагентов. Для клиентов из малого бизнеса моделируют финансовые риски (дефолт, кассовый разрыв) в режиме реального времени и рекомендуют соответствующие  целевые стратегии и наиболее подходящие банковские продукты.

ИИ для маркетинга. Заменить человека на творческом этапе «придумывания» новых маркетинговых программ ИИ не способен. Однако он вполне может взять на себя часть рутинных работ, отнимающих время специалистов. Например, подготовить базу данных потенциальных клиентов – это можно сделать буквально в несколько кликов мышью в соответствующей программе поддержки маркетинговых мероприятий. Создать по заданному шаблону иллюстрацию и подготовить текст рекламного сообщения – эти типовые задачи сегодня также поддаются автоматизации за счет технологий генерации графических образов и текстов на естественном языке на основе заданного словаря предметной области.

Передовые аналитические ИТ-решения поддерживают прогностическую аналитику – с помощью программных средств можно оценить возможные результаты задуманной программы. «На основании выявленных закономерностей по статистическим данным, не заметным человеку, ИИ будет показывать,  насколько то или иное решение банка оптимально для разных категорий клиентов, – говорит Василий Куць из компании КРОК. Человеческий потенциал в этом вопросе уже достиг максимума, а цифровые решения способны обрабатывать и анализировать гораздо больше информации и делать это на порядок быстрее и качественнее».

Информационная безопасность. Настоящее и будущее сферы информационной безопасности современных банков однозначно связано с интеллектуальными решениями, уверен Руслан Косарим: «Факт применения злоумышленниками ИИ для формирования новых высокоэффективных атак требует противодействия с применением сложной аналитики. Сегодня мы наблюдаем, как классические решения модернизируются и дополняются ИИ для более эффективной защиты». Это уже произошло со средствами сетевой защиты и решениями для защиты конечных устройств. Благодаря ИИ удается находить аномалии в работе администраторов и приложений с информацией в базах данных. В средствах защиты информации искусственный интеллект, в первую очередь, позволяет минимизировать ложные срабатывания, делая акцент только на реальных инцидентах безопасности. Кроме того, взаимодействие пользователей с банковскими сервисами порождает сегодня огромное количество метаданных, и лишь ИИ способен анализировать и выявлять аномалии в этом потоке событий.

Руслан Косарим ожидает, что в ближайшем будущем ИИ-решению не нужно будет объяснять, как защищать, будет достаточно указать защищаемые объекты, и умная программа сама примет решение, как наиболее эффективно и без ущерба для бизнес-процессов защитить активы.

По мнению Сергея Войнова, генерального директора компании Every Tag, ключевое направление развития ИБ-решений – появление продуктов верхнего уровня, которые охватывают, например, разные системы мониторинга, агрегируют сигналы от разных систем, анализируют некоторые закономерности и формируют прогнозы в стиле: что происходит? Он уверен, что корпоративный мир будет уходить от нынешней «лоскутной ИБ-информатизации» в сторону комплексных сервисов, которые будут обеспечивать одновременно и надежное хранение документов и прочей информации и информационную безопасность цифровых активов.

 

Кредитный скоринг: ИИ на службе у человека

Согласно годовому отчету банка России за 2020 г., кредитный риск оставался для банков преобладающим. В связи с пандемией ощутимо снизились доходы населения, а многие компании столкнулись со значительным сжатием своих денежных потоков. В результате увеличились кредитные риски для банков, что отразилось в росте расходов на резервы по кредитам и прочим активам на 52%: до 1,2 трлн. руб. в 2020 г., по сравнению с 0,8 трлн. руб. годом ранее. Эти тренды дополнительно усилили внимание банков к вопросам оценки заемщиков.

Стремление к максимальной автоматизации проверок заемщика. Скоринговая система с высоким уровнем автоматизации позволяет перевести клиента из «серой» зоны ручных проверок в «белую», пояснил, выступая на конференции Scoring Day 2021, Дмитрий Фомичев, заместитель начальника Департамента рисков розничного бизнеса «Газпромбанка». Он рассказал, что в ходе трансформации розничного бизнеса, которая началась в банке в 2018 г., доля автоматических проверок (с временем принятия решения до 5 мин.) увеличилась в 9 раз. Однако повышение уровня автоматизации проверок сопровождается усложнением скоринговой модели, а значит, нарастанием модельных рисков и «черной» зоны скоринга. Как вырваться из замкнутого круга?

Поиск идеальной модели скоринга в нейросетях. Скоринговые модели на базе машинного обучения видятся весьма перспективными: в них можно включать огромное количество признаков и при этом не требуется детально прописывать все взаимосвязи между ними в процессе принятия решений. Счет параметров в ML-модели уже идет на тысячи. Например, компания Mobile Scoring рассчитывает скоринговые баллы с помощью 3,5 тыс. параметров заемщика.

При создании больших нейросетевых моделей в ход идет разнообразная информация, получаемая, как из коммерческих баз данных, так и из публикаций в СМИ и слухов в соцсетях. Источниками могут служить данные с бирж, занимающихся продажей cookie, ведь в них собраны все интересы клиента банка, его поисковые запросы и многое другое. С помощью этих данных ИИ может, например, выяснить, что заемщик – постоянный клиент онлайн-казино. Отличный источник информации – сведения о клиентах из банковской  экосистемы: доставка продуктов, заказы такси, интернет-покупки, увлечения, состав семьи – все эти данные используются для анализа. Соответствующие сведения можно приобрести на рынке, либо использовать OSINT-систему. Причем, некоторые из них предоставляют информацию такого рода уже в размеченном виде, пригодном для загрузки в информационную систему предприятия.

По мере развития госинформатизации повышается роль госисточников  данных, отмечает Дмитрий Фомичев из «Газпромбанка». Доступность данных, например, о доходе клиента, из этих источников способна в ближайшем будущем кардинально поменять скоринговую модель, полагает он: «Для банка не будет иметь значения, зарплатный это клиент или нет. Обслуживание для них будет абсолютно одинаковым. И это новый вызов для банков, который станет заметен в ближайшем будущем».

Однако сегодня ML-модели не годятся на роль идеального скоринга. «Нейросетевые модели не обладают явными преимуществами перед статистическими моделями, но способны моделировать сложные нелинейные взаимосвязи факторов», – отмечал Никита Лукашевич, замдиректора Института промышленного менеджмента, экономики и торговли Санкт-Петербургского политехнического университета Петра Великого, в статье «Сравнение нейросетевых и статистических методов оценки кредитного риска» («Финансы и кредит», №1/2011 г., с. 32-41). При этом они сложны в настройке и не позволяют извлекать из данных знания. К тому же ModelOps – управление жизненным циклом ML-моделей, как оказалось, таит немало «подводных камней»: от деградации качества работы моделей до большого количества «размомастных» команд дата-сайентистов, специализирующих в различных бизнес-направлениях. «Это настоящее «лоскутное одеяло», состоящее из «кусочков» разных ML-инструментов: от Python до SAS», – говорит Павел Николаев, управляющий директор департамента интегрированных рисков банка «Открытие». Такая ситуация обусловливает существенный модельный риск: в связи с одновременной работой большого количества моделей возможны сбои, которые невозможно выявить и отработать вручную. Еще один недостаток нейросетевых моделей имеет фундаментальный характер – непрозрачность получения результата работы нейронной сети.

Поиск гибридных ИИ-моделей оптимизации скоринговых процедур. Просматривается два выхода из сложившейся ситуации. Первый – дальнейшие научно-практические  исследования для формирования правил влияния параметров настройки нейросети на точность классификации заемщиков с последующей разработкой полноценных систем внутренних рейтингов. Второй – интеграция методов машинного обучения с другими технологиями искусственного интеллекта для получения объяснимых результатов работы нейросетей. Такая интеграция, по мнению Юрия Визильтера, начальника подразделения интеллектуального анализа данных и технического зрения ГосНИИ Авиационных систем (ФГУП «ГосНИИАС»), профессора РАН, может реализоваться двумя способами. Во-первых, получение с помощью ML различных эвристик, способных повышать эффективность систем логического вывода при решении конкретных классов задач. Во-вторых, глубокие нейросети, обрабатывающие символьную информацию, начинают работать под управлением предметных и общих онтологических описаний предметной области.

Михаил Дудалев, начальник отдела анализа данных в компании «Фаззи Лоджик Лабс», отмечает, что для задач построения сложных связей между многими сущностями, которые необходимы системам ИИ/ML, сегодня активно используется аппарат графовых нейронных сетей (Graph Neural Network, GNN). По сути, графовые нейросети — это способ применения классических моделей нейронных сетей к данным в виде графов.

«Хоум Кредит Банк» реализовал свой вариант гибридного ИИ в сфере розничного кредитования и смог в результате добиться оптимизации кредитного решения. Как рассказал на конференции Scoring Day 2021 Сергей Герасимов, начальник отдела исследований и инноваций «Хоум Кредит Банка», система оценки заемщика включает предиктивное моделирование, каузальное моделирование (предполагает некоторое воздействие на клиента), обучение с подкреплением и алгоритмы линейного дискретного программирования. При этом в основе анализа лежит скоринговая карта, формирующая Probability of Default (PD), а также используются эвристики, связанные с ценообразованием и лимитной политикой (для них также используются специальные модели). В результате реализуется процесс оценки с максимизацией прибыльности заявок.

«Таким образом, создается результирующая модель, которая является результатом работы нескольких других моделей, и при этом она реализует задачу оптимизации по различным параметрам», – поясняет Сергей Герасимов. Причем, реализован сложный вариант оптимизации на основе агрегированных (глобальных) показателей по всем клиентам.

Рис. Архитектура гибридного скорингового ИИ-решения «Хоум Кредит Банк».

Источник: Хоум Кредит Банк, сентябрь, 2021 г.

 

Эксперт отметил интересный результат работы такой модели – снижение конверсии: «Брать кредиты стали, действительно меньше, но предложения клиентам стали гораздо более выгодными для банка за счет персонализации».

 

ИИ вместо человека?

«Современный банк – это цифровой сервис, удобный, быстрый, доступный миллионам пользователей. Это значит, что сегодня коммуникация с банком происходит не в формате человек – человек, а в формате человек – приложение, – размышляет Руслан Косарим из компании Angara. – Чем выше уровень автоматизации процессов и глубже межсервисные интеграции, тем эффективнее и рентабельнее банковское приложение». Это, в частности, объясняет, почему рынок программных роботов (RPA, Robotic Process Automation) «взлетел» несколько лет назад.

Программные роботы превращаются в цифровую рабочую силу. Оценки темпов роста рынка RPA в ближайшие годы разнятся у разных аналитических компаний, но все дают двузначные цифры: Grand View Research прогнозирует рост в глобальном масштабе более чем на 40% вплоть до 2027 г., Impact – 31,1% до 2025 г.

Сегодня роботы несут службу в бухгалтерии (производят обработку бухгалтерских документов и заносят сведения из первичных документов в корпоративную информационную систему), успешно справляются с обработкой кредитных заявок и открывают расчетные счета юрлиц (вводят данные из документов, осуществляют их проверку), занимаются закупочной деятельностью (оценивают заявки участников тендера по заданным критериям, выбирают лучшего поставщика, исходя из закупочной документации), работают в HR-департаменте (обрабатывают резюме соискателей и кладут на стол сотруднику подборку самых подходящих специалистов) и клиентской службе (собирают данные клиентских досье и загружают их в информационные системы банка).

Программные роботы успели развить недюжинные интеллектуальные способности. Так, они обрабатывают информацию из любых источников в едином потоке – фото с мобильного устройства, документ из сканера, скриншот экрана планшета, тексты из социальных сетей и т. д. – и извлекают информацию, необходимую для принятия решений, с помощью технологий обработки текстов на естественном языке.

Рис. Примеры банковских процессов, которые могут оптимизировать программные роботы.

Источник: GMCS, 2019 г.

 

В целом, нынешние RPA хорошо справляются с задачами сбора данных, например, для KYC и всяческими массовыми проверками документов различных типов. Но главный тренд развития RPA в компаниях, по оценкам аналитиков «Делойт», заключается в их переходе на уровень интеллектуальной автоматизации процессов (Intelligence Process Automation, IPA), который отличается возможностями сквозной автоматизации. «Автоматизация умных процессов позволяет составлять цепочки из программных модулей, которые запускаются в работу в конкретных точках бизнес-процессов», – поясняет Антон Ермаков, руководитель группы цифровых инициатив компании Comindware. Именно поэтому, добавляет Андрей Коптелов, вице-президент ABPMP Russia, сегодня так популярны технологии RPA, ведь они позволяет «склеивать» внутренние и внешние приложения, а также микросервисная архитектура, которая позволяет уйти от монолитных приложений в ИТ-архитектуре.

Очевидно, что по мере продвижения от базовых RPA к IPA стираются грани между RPA, управлением бизнес-процессами (BPM) и гиперавтоматизацией (автоматизацией в формате комплексных сквозных процессов). На этом уровне появляются также решения интеллектуального анализа процессов Process Mining и аналитические возможности, позволяющие реализовывать нетривиальные RPA. Соответственно, происходит трансформация набора автономных RPA в новую сущность – «цифровая рабочая сила».

Главный барьер, препятствующий успешному переходу RPA на этот уровень, как полагает Антон Ермаков, связан с порядком в бизнес-процессах организации: если его нет, то невозможно и четко сформулировать задачу для интеллектуальных систем RPA. Недооценка этого фактора приводит сегодня к тому, что даже сегодня 30–50% проектов RPA с элементами ИИ терпят неудачу (данные Ernst&Young).

ИИ в принятии бизнес-решений. В ближайшее время все отчетливее будет проявляться кризис традиционных бизнес-моделей, полагают в Ассоциации банков России: уходят в прошлое линейки банковских продуктов, а их место занимают компоненты в виде приложений, которые клиент подбирает самостоятельно в соответствии со своими потребностями. Но уже видны вешки дальнейшего пути – «встроенные» (embedded) финансы, способные встраивать платежи, дебетовые карты, кредиты, страховки и инвестиционные инструменты практически в любые нефинансовые продукты.

Этому состоянию финансовых информационных систем соответствует максимальная автоматизация бизнес-процессов, стремящаяся свести к нулю участие в них человека, в том числе, при принятии бизнес-решений. Так, в ВТБ, по словам Вадима Кулика, на модели с применением технологий ИИ приходится до 70% задач аналитики и автоматического принятия решений. Артем Гришковский, коммерческий директор компании «Доверенная среда», полагает, что такие пропорции не случайны: именно решения BI станут в ближайшем будущем  основой корпоративной автоматизации. И это случится в тот момент, когда аналитический отдел перестанет работать как фабрика по производству отчетов, считает Юрий Сирота, старший вице-президент, Chief Analytics Officier банка УРАЛСИБ, и перейдет от сегодняшнего ретроспективного взгляда в прошлое к решениям, которые будут помогать создавать картину будущего.

Юрий Сирота отделяет предиктивную аналитику (прогноз будущего состояния) от предписательной аналитики, которая показывает наиболее выгодный путь к достижению будущего состояния. Это самый сложный в реализации вариант аналитической системы, но одновременно и самый мощный, ведь, по сути,  ее результатом является цепочка управляющих воздействий. Теоретически уже просматриваются очертания того, каким образом результаты BIмогут встраиваться в бизнес-процессы, обеспечивая сквозную автоматизацию с учетом текущих данных аналитики: необходимо внедрить инструменты рекомендательной аналитики и сформировать экспертную базу знаний процессов и принятия решений по различным событиям. «В этом случае можно будет сделать из BI программного робота, к чему, собственно, рано или поздно придет эволюция BI», – полагает Артем Гришковский.

ИИ не сделает офисы безлюдными. В представлениях аналитиков Gartner один из базовых элементов гиперавтоматизации — это люди, работающие на своих рабочих местах в рамках определенных рабочих процессов. На первый взгляд, это звучит парадоксально: в эпоху усиливающейся тотальной автоматизации возрастает роль человеческого фактора? Парадокса нет, если вспомнить о растущей популярности Low-code подхода в реализации различных информационных систем корпоративного уровня: BPM, CRM, BI и т. д. «В том будущем, в которое мы все сейчас двигаемся, ИТ-комплексами смогут управлять сами бизнес-пользователи без привлечения профессионалов из ИТ-департамента», – говорит Антон Ермаков из Comindware. И, конечно, никакие умные BI-технологии не смогут полностью заменить профессионального аналитика, уверены специалисты. Более того, обеспечивая его умными вспомогательными инструментами, эти технологии  устанавливают новую планку качества работы аналитика: не просто отвечать на поставленные вопросы, анализируя имеющиеся данные, а генерировать новые нетривиальные знания и предложения по их использованию на благо компании.

 

Вопросы веры и семантики

Сегодня достигнут некоторый технологический предел сложности задач, которые ИИ способен решать вместе  с человеком. «Пока нет возможностей создать интерпретируемый и «доверенный» ИИ (trusted AI), то есть систему, которая даже для сложных моделей может гарантировать, что не будет странных проблем с необычными кейсами, и все результаты можно объяснить человеку», – говорит Михаил Дудалев. Тимур Аитов добавляет: «Хотя банки активно используют ИИ для решения многих аналитических задач, никто не сможет на 100% гарантировать истинность результатов анализа ИИ. Нельзя, например, утверждать наверняка, что ИИ не пропустил кредитную заявку мошенника, содержащую специально подобранный набор параметров. Искусственному интеллекту (и в искусственный интеллект!) в этом смысле  банкам  сегодня остается только верить».

Логично возникает необходимость четкого распределения ролей человека и программного помощника при принятии профессиональных решений. Доверять ли на 100% рекомендациям искусственного интеллекта или перепроверять их, фактически дублировать с помощью человеческого интеллекта? Первый вариант дешевле при масштабных внедрениях, а второй дает более точный результат. В этом, похоже, и будет состоять главная проблема «этики ИИ» в ближайшие годы: быстро, дешево или точно?

На практическом уровне мир ИИ-решений буквально на наших глазах шагнул далеко вперед, но у них осталось «родимое пятно» начального этапа –узконишевый характер. Нужно констатировать: период экстенсивного развития узких ИИ-решений в банках завершился, настало время «собирать камни», то есть превращать множество разнородных BI-решений, моделей: ML/DL, логических (основанных на правилах), статистических и проч. в единое пространство поддержки принятия решений специалистами банка.

Фактически речь идет о задаче ситуационного управления, поддержки принятия решений в рамках единой платформы, что подразумевает модернизацию системной архитектуры и корпоративного хранилища данных. О трендах трансформации хранилищ можно судить, например, по опыту «Облака Данных» Сбербанка – BigData кластера на базе Apache Hadoop, который поддерживает, в том числе, инкрементальную загрузку данных из высоконагруженных банковских систем на уровне нескольких десятков терабайт в сутки. Для эффективного управления этими процессами создается Единый семантический слой (ЕСС), базирующийся на «Корпоративной Модели Данных» – логической модели данных банка. Таким образом, основная задача ЕСС – отделить потребителя от «сырых» данных и предоставить единый способ доступа к интегрированным, непротиворечивым и качественным данным из ЕСС, понятным бизнес-пользователям.

Семантическое содержание данных ЕСС упрощает интегрированную обработку данных, обеспечивает прозрачность и объяснимость всех операций с данными, переводя их в плоскость манипуляций с именованными сущностями.

Рис. Архитектура Фабрики данных Сбербанка.

Источник: Сбербанк, 2018 г.

 

Переход к семантическим описаниям структуры корпоративных данных логичен, ведь ключевым элементом ИТ-архитектуры становятся не сами данные, а их семантическая (содержательная) модель.

Таким образом, интеллектуальные методы и подходы к обработке корпоративных данных перемещаются с уровня прикладных решений вглубь цифровой инфраструктуры компании – там будет создаваться интеллектуальный фундамент корпоративных информационных систем. Это новый этап цифровой трансформации, к  которому финансовая отрасль, как, впрочем, и все остальные, еще только подходит.

Смотрите также