Najnowszy raport Mastercard Signals „Generative AI: The transformation of banking” porusza kwestie wpływu generatywnej sztucznej inteligencji na sektor finansowy. Autorzy zauważają potencjał tej technologii w zakresie poprawy funkcjonowania banków; od usprawnienia procesów przetwarzania danych, przez ułatwienie pracy personelowi, po zapewnianie klientom bardziej spersonalizowanych doświadczeń i usług. Jednocześnie, dostrzegają także przeszkody – w tym obawy dotyczące poufności danych czy dezinformacji.

Jeszcze około rok temu pojęcie generatywnej sztucznej inteligencji było znane przede wszystkim inżynierom SI i analitykom danych. Dziś technologia ta wkroczyła do życia i świadomości konsumentów i stanowi awangardę rewolucji gospodarczej. Autorzy raportu Mastercard powołują się na badania, z których wynika, że 55% ankietowanych dyrektorów generalnych dużych globalnych firm, potwierdziło, że „oceniają lub eksperymentują” z generatywną sztuczną inteligencją, a 37%, że już z niej korzysta.

Póki co, zarówno banki, jak i inne instytucje finansowe prezentują dość konserwatywne podejście do sztucznej inteligencji. Pierwsze wdrożenia oparte na tej technologii mają charakter wewnętrzny – banki wykorzystują je głównie do wspierania własnych rozwiązań w zakresie systemów zarządzania i przeprowadzania analiz. Wraz ze wzrostem zaufania do generatywnej SI ma ona jednak szansę stać się integralną częścią usług finansowych. Może zmienić dynamikę konkurencji w bankowości, wzmacniając pozycję nowych podmiotów wchodzących na rynek lub zmieniając rozkład sił wśród istniejących instytucji. Dlatego właśnie Mastercard przeanalizował potencjał i wyzwania związane z wykorzystaniem sztucznej inteligencji w branży bankowej.

Potencjał SI w bankowości

Obszary oraz przykłady wykorzystania sztucznej inteligencji, które prawdopodobnie pojawią się w bankowości w ciągu najbliższych pięciu do siedmiu lat, mogą być następujące:

  • Wiedza i analizy – bankowcy wyposażeni w sztuczną inteligencję mogą się przekonać, że wyszukiwanie informacji, które kiedyś zajmowało godziny, teraz może zająć kilka minut.
  • Technologia informacyjna – sztuczna inteligencja może pomóc w opracowywaniu specyfikacji projektu: pisaniu kodu, czy tworzeniu syntetycznych danych, z pomocą których można przetestować nowe rozwiązania pod kątem ewentualnych oszustw i systemów oceny ryzyka. Na co dzień, inżynierowie mogą korzystać ze sztucznej inteligencji, by uzyskać wskazówki pomocne w realizacji bieżących zadań.
  • Cyberbezpieczeństwo i zapobieganie oszustwom – duże modele językowe (LLM) mogą być dostosowane do pracy w zakresie bezpieczeństwa. Mogłyby one m.in. reagować na zagrożenia i przekształcać złożone dane w jasne wskazówki, na podstawie których specjaliści mogliby podejmować adekwatne działania. Zdolności generatywnej SI do rozpoznawania wzorców mogą potencjalnie poprawić możliwości nadzoru starszych form tej technologii.
  • Zarządzanie talentami – dzięki możliwości przetwarzania nieustrukturyzowanych danych, rozwiązania oparte na sztucznej inteligencji mogą znajdować i przedstawiać menedżerom HR kandydatów, którzy mimo braku tradycyjnego wykształcenia bankowego, mogą zaoferować kompetencje cenne w pracy w danej instytucji czy na określonym stanowisku.
  • Wdrażanie klientów – sztuczna inteligencja może usprawnić zarządzanie dokumentacją związaną z klientami banku. Szybko syntetyzując dane, może sygnalizować potencjalne ryzyka i automatyzować formalności.
  • Bankowość konwersacyjna – sztuczna inteligencja może wspomóc boty, które staną się zdolne do odpowiadania na zapytania klientów w odpowiedni kontekstowo sposób. Dziś wielu klientów banku próbuje ominąć system czatu, aby dotrzeć do konsultanta – to może się w przyszłości zmienić.
  • Doradztwo majątkowe – rozwiązania oparte na generatywnej sztucznej inteligencji mogą zapewnić porady finansowe, które nie są obciążone emocjami lub myśleniem życzeniowym.
  • Udzielanie kredytów – sztuczna inteligencja może skrócić czas przetwarzania wniosków o pożyczki i zmniejszyć związane z tym koszty, oferując wnioskodawcom wskazówki konwersacyjne krok po kroku.
  • Programy lojalnościowe – generatywna SI daje osobom zarządzającym programami lojalnościowymi potencjalne narzędzie do komunikowania się w czasie rzeczywistym z uczestnikami programu na temat ich oczekiwań, umożliwiając lepsze dopasowanie do potrzeb konsumenta.
  • Marketing i komunikacja – oprócz wykorzystania generatywnej sztucznej inteligencji do tworzenia e-maili i postów w mediach społecznościowych, marketerzy mogą zyskać nowe zrozumienie reakcji konsumentów, łącząc jej możliwości w zakresie generowania treści z analizą nastrojów i trendów, które panują w mediach społecznościowych.

Minimalizowanie wyzwań

Generatywna sztuczna inteligencja niesie ze sobą także wyjątkowe wyzwania, którym banki muszą stawić czoła.

  • Poufność danych — aby zapewnić prywatność, banki mogłyby selektywnie korzystać z modeli sztucznej inteligencji o zamkniętym i otwartym kodzie źródłowym, stosując metody samozabezpieczenia, począwszy od zapór sieciowych, przez protokoły inżynieryjne po tokenizację danych. Jeśli to możliwe, banki mogłyby również zbudować od podstaw własne LLM.
  • Niedokładność — generatywna SI może podlegać „przekłamaniom” i innym nieścisłościom. Sektor finansowy, podatny na negatywne informacje, musi zatem podjąć szereg środków zapobiegawczych, w tym: projektowanie, tworzenie, rozwijanie i doskonalenie zapytań kierowanych do modeli językowych SI tak, by udzielały precyzyjnych odpowiedzi, ukierunkowane dostrajanie modeli i, co najważniejsze, nadzór ludzki.
  • Integralność danych — banki muszą zapewnić, że przekazywane informacje są dokładne, wiarygodne i wolne od błędów lub stronniczości. Dane wyjściowe systemu algorytmicznego będą musiały być maksymalnie identyfikowalne, wyjaśnialne i godne zaufania. Bankom mogą pomóc w tym zakresie: tradycyjne praktyki zarządzania danymi, dostrajanie LLM, konsultacje z ludźmi i ciągły audyt.
  • Dostępność danych — bariery technologiczne w bankach mogą powodować umieszczanie danych w niedostępnych systemach i środowiskach przechowywania. Banki mogą jednak spodziewać się rozszerzonych sieci API (z ang. application programming interface, czyli zestaw reguł umożliwiających przesyłanie danych między aplikacjami) i rozwijającej się infrastruktury wtyczek (z ang. plugin, czyli element oprogramowania, który służy do rozszerzenia funkcji danej aplikacji lub systemu), które ułatwią przepływ danych.

„Generatywna sztuczna inteligencja stanie się naprawdę użyteczna tylko wtedy, gdy będziemy mogli jej zaufać, a jedynym sposobem na to, jest zastosowanie podstawowych zasad odpowiedzialności w stosunku do niej i danych wykorzystywanych do jej tworzenia. W Mastercard modele sztucznej inteligencji stanowią podporę wielu rozwiązań, zabezpieczając co roku ponad 125 miliardów transakcji w naszej sieci. Zatrudniając setki analityków danych i inżynierów SI, angażujemy się w opracowywanie praktycznych rozwiązań w zakresie sztucznej inteligencji, które od samego początku dbają o prywatność i etykę. We wszystkich naszych działaniach gwarantujemy, że sztuczna inteligencja jest wykorzystywana w sposób odpowiedzialny i etyczny” – mówi Andrew Reiskind, Chief Data Officer z Mastercard.

Z całym raportem można zapoznać się na stronie:

https://www.mastercard.com/news/insights/mastercard-signals/

Źródło: Mastercard