версия этой статьи, переведенная Мариселой Ордес Технология общего назначения это термин, который экономисты резервируют для технологий, которые стимулируют длительный экономический рост и социальные достижения, революционизируя деятельность как домашних хозяйств, так и корпораций. Примером технологии общего назначения является электричество. Электричество породило множество продуктов и секторов, включая холодильники, стиральные машины, поезда и, конечно же, компьютеры. Появление электричества радикально изменило мир.
В недавней статье Harvard Business Review искусственный интеллект (ИИ) назван самой важной технологией общего назначения нашей эпохи. . Мы знакомы с силой ИИ. Он проявляется в виде победы робота над всемирно известным шахматистом. Автомобиль, который может параллельно парковаться сам. Устройства, которые отвечают завтрашней погодой, когда мы спрашиваем. Но большая часть нашего контакта и понимания ИИ связана с продуктами, которые влияют на нашу повседневную жизнь как потребителей. На организационном уровне возникает более важный вопрос о том, как ИИ изменит отрасли и, в частности, как финансовые услуги будут использовать ИИ.
В следующей статье будет определен искусственный интеллект, сфера связанных с ним технологий, размер отрасли ИИ в целом и применение искусственного интеллекта в финансах. Эта часть не предназначена для предоставления нормативного суждения о развитии ИИ; скорее, он будет посвящен тому, как искусственный интеллект меняет финансы.
Искусственный интеллект — это область компьютерных наук, направленная на создание интеллектуальных машин, которые функционируют как люди. Компьютеры с искусственным интеллектом предназначены для выполнения функций человека, включая обучение, принятие решений, планирование и распознавание речи.
Искусственный интеллект позволяет машинам постоянно повышать свою производительность, при этом люди не предоставляют предписывающих инструкций о том, как это сделать. Это важно по нескольким причинам. Во-первых, люди знают больше, чем мы можем сказать. То есть люди могут распознавать лица или применять умную стратегию в игре в шахматы. Однако до передовых технологий искусственного интеллекта неспособность людей сформулировать наши знания означала, что мы не могли автоматизировать многие задачи. Во-вторых, технология искусственного интеллекта действует сверхчеловечески, работает быстрее и зачастую с большей точностью, чем люди.
Искусственный интеллект включает в себя множество возможностей и технологий. Консалтинговая фирма PWC подчеркивает, что ИИ «не является монолитной предметной областью. Он включает в себя ряд вещей, которые дополняют наше представление о том, что значит быть «умным». Ниже приведены некоторые из наиболее популярных областей ИИ:
Конечно, этот список не является исчерпывающим. Ниже представлен широкий спектр тем и технологий, связанных с искусственным интеллектом.
В вышеупомянутой статье Harvard Business Review прогнозируется, что «воздействие ИИ будет усиливаться в ближайшее десятилетие, поскольку производство, розничная торговля, транспорт, финансы, здравоохранение, юриспруденция, реклама, страхование, развлечения, образование и практически любая другая отрасль трансформируют свою деятельность». основные процессы и бизнес-модели, чтобы использовать преимущества машинного обучения. Узким местом является управление, реализация и деловое воображение».
По прогнозам, широкое внедрение ИИ в разных отраслях приведет к росту мировых доходов в размере 12,5 млрд долларов в 2017 году и 47 млрд долларов в 2020 году, а совокупный годовой темп роста (CAGR) составит 55,1% в период с 2016 по 2020 год. В частности, отрасли, которые будут больше всего инвестировать в технологии — это банковское дело и розничная торговля, за которыми следуют здравоохранение и производство. В совокупности на эти четыре отрасли придется более половины мировых доходов от ИИ в 2016 году, при этом банковский и розничный секторы принесут почти по 1,5 млрд долларов каждый.
В разных отраслях наибольшие инвестиции в ИИ в 2017 году будут направлены на такие области, как автоматизированные агенты по обслуживанию клиентов, автоматизированный анализ угроз и анализ мошенничества (см. диаграмму ниже). По словам Джессики Гёпферт, программного директора исследовательской компании IDC, «ближайшие возможности для когнитивных систем открываются в таких отраслях, как банковское дело, ценные бумаги и инвестиции, а также производство. В этих сегментах мы находим множество неструктурированных данных, желание использовать идеи из этой информации и открытость к инновационным технологиям». В следующем разделе этой статьи мы рассмотрим различные варианты использования искусственного интеллекта в сфере финансовых услуг.
Искусственный интеллект в финансах может повысить операционную эффективность в самых разных областях:от управления рисками и торговли до андеррайтинга и претензий. Хотя некоторые приложения больше подходят для определенных секторов финансовых услуг, другие можно использовать повсеместно.
Искусственный интеллект оказался чрезвычайно ценным, когда речь идет о безопасности и обнаружении мошенничества. Традиционные методы обнаружения мошенничества включают компьютеры, анализирующие структурированные данные по набору правил. Например, определенная платежная компания может установить порог для банковских переводов в размере 15 000 долларов США, чтобы любая транзакция, превышающая эту сумму, помечалась для дальнейшего расследования. Однако этот тип анализа дает много ложных срабатываний и требует больших дополнительных усилий. Возможно, еще важнее то, что мошенники, занимающиеся киберпреступностью, часто меняют свою тактику. Поэтому самые эффективные системы должны постоянно совершенствоваться.
С помощью передовых алгоритмов обучения, таких как алгоритмы глубокого обучения, в систему можно добавлять новые функции для динамической настройки. По словам Самира Ханса, главного консультанта Deloitte Transactions and Business Analytics LLP, «с помощью когнитивной аналитики модели обнаружения мошенничества могут стать более надежными и точными. Если когнитивная система отбрасывает что-то, что она определяет как потенциальное мошенничество, а человек определяет, что это не мошенничество из-за X, Y и Z, компьютер учится на этих человеческих выводах, и в следующий раз он не будет посылать вам подобное обнаружение. . Компьютер становится все умнее и умнее».
Возьмем, к примеру, платежного гиганта PayPal и его передовые протоколы мошенничества. Из-за своего масштаба и заметности у PayPal «большая цель на спине». В 2015 году он обработал 235 миллиардов долларов в результате четырех миллионов транзакций своих 170 миллионов клиентов. Однако PayPal удалось повысить безопасность, используя технологию глубокого обучения. На самом деле мошенничество PayPal относительно невелико и составляет 0,32% от дохода, что намного лучше, чем средний показатель в 1,32%, который видят продавцы.
В прошлом PayPal использовала простые линейные модели. Сегодня его алгоритмы извлекают данные из истории покупок клиентов и анализируют модели вероятного мошенничества, хранящиеся в его растущих базах данных. В то время как линейная модель может использовать 20-30 переменных, технология глубокого обучения может управлять тысячами точек данных. Эти расширенные возможности помогают PayPal отличать невинные транзакции от подозрительных. По словам Хуэй Вана, старшего директора PayPal по глобальным наукам о рисках, «что нам нравится в более современном, продвинутом машинном обучении, так это в его способности потреблять гораздо больше данных, обрабатывать слои и слои абстракции и иметь возможность «видеть» вещи [… ] даже люди могут быть не в состоянии видеть.”
В течение многих лет компании по управлению инвестициями полагались на компьютеры для совершения сделок. Около 1360 хедж-фондов, что составляет 9% всех фондов, полагаются на большие статистические модели, созданные учеными, часто имеющими докторскую степень по математике (также известными как «кванты»). Однако эти модели используют только исторические данные, часто статичны, требуют вмешательства человека и не работают так же хорошо, когда рынок меняется. Следовательно, средства все чаще переходят на настоящие модели искусственного интеллекта, которые могут не только анализировать большие объемы данных, но и также продолжать совершенствоваться.
Эти новые технологии используют сложные методы, включая глубокое обучение, форму машинного обучения, называемую байесовскими сетями, и эволюционные вычисления, вдохновленные генетикой. Программное обеспечение для торговли на основе ИИ может поглощать огромные объемы данных, чтобы узнавать о мире и делать прогнозы о финансовом рынке. Чтобы понять глобальные тенденции, они могут использовать все:от книг, твитов, новостей, финансовых данных, показателей доходов и международной денежно-кредитной политики до зарисовок в субботу вечером в прямом эфире.
Чтобы было ясно, вышеизложенное отличается от высокочастотной торговли (HFT), которая позволяет трейдерам выполнять миллионы ордеров и сканировать несколько рынков за считанные секунды, реагируя на возможности так, как люди просто не могут. Платформы, управляемые искусственным интеллектом, о которых говорилось выше, ищут лучшие сделки в долгосрочной перспективе, и машины, а не люди, диктуют стратегию.
Некоторые из этих торговых систем ИИ разработаны стартапами. Например, гонконгский Aidiya — полностью автономный хедж-фонд, который совершает все сделки с акциями с использованием искусственного интеллекта (ИИ). «Если мы все умрем, — говорит соучредитель Бен Герцель, — торговля продолжится». Традиционные учреждения также заинтересованы в технологии торговли ИИ. В 2014 году Goldman Sachs возглавил раунд финансирования серии A и начал установку торговой платформы AI под названием Kensho. В раунде Kensho Series B, помимо S&P Global, также участвовали шесть крупнейших банков Уолл-стрит (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup и Wells Fargo).
Недавнее исследование, проведенное инвестиционно-исследовательской компанией Eurekahedge, отслеживало эффективность 23 хедж-фондов, использующих ИИ в период с 2010 по 2016 году, и обнаружило, что они превзошли те, которыми управляют более традиционные аналитики и универсальные хедж-фонды.
Будет интересно понаблюдать, как ИИ повлияет на торговый рынок труда. Его последствия уже очевидны в некоторых крупных банковских учреждениях. В 2000 году отдел Goldman Sach по торговле наличными акциями в США в штаб-квартире в Нью-Йорке насчитывал 600 трейдеров, покупающих и продающих акции. Сегодня у него есть два трейдера, а все остальное делают машины. Даниэль Надлер, генеральный директор Kensho, заявляет:«Через 10 лет Goldman Sachs будет значительно меньше по численности персонала, чем сегодня». А что касается квантов, то они могут обнаружить, что их навыки менее востребованы компаниями по управлению инвестициями.
В настоящее время около трети выпускников ведущих бизнес-программ работают в сфере финансов. Куда переедут некоторые из лучших талантов страны? Марк Миневич, старший советник Совета США по конкурентоспособности, считает, что «некоторые из этих умных людей перейдут в технологические стартапы или помогут разработать больше платформ искусственного интеллекта, автономных автомобилей или энергетических технологий […] Нью-Йорк может составить конкуренцию Silicon». Долина технологий».
Робо-консультанты — это цифровые платформы, которые предоставляют автоматизированные услуги финансового планирования на основе алгоритмов при минимальном контроле со стороны человека. В то время как финансовые менеджеры-люди использовали автоматическое распределение портфелей с начала 2000-х годов, инвесторам приходилось нанимать консультантов, чтобы извлечь выгоду из этой технологии. Сегодня роботы-консультанты предоставляют клиентам прямой доступ к сервису. В отличие от своих коллег-людей, роботы-консультанты круглосуточно следят за рынками и доступны 24/7. Роботы-консультанты также могут предложить инвесторам экономию средств до 70 % и обычно требуют более низких минимальных требований для участия или вообще не требуют их участия.
Сегодня роботы-консультанты могут помочь с более повторяющимися задачами, такими как открытие счета и перевод активов. Процесс обычно включает в себя ответы клиентов на простые анкеты о аппетите к риску или факторах ликвидности, которые роботы-консультанты затем переводят в инвестиционную логику. Большинство современных роботов-консультантов стремятся распределять своих клиентов по управляемым портфелям ETF на основе их предпочтений. Ожидается, что в будущем возможности будут преобразованы в более продвинутые предложения, такие как автоматическое перемещение активов и расширенное покрытие для альтернативных классов активов, таких как недвижимость.
Робо-консультации могут оказать большое влияние на сектора личных финансов и управления капиталом. В то время как текущие общие активы под управлением роботов-консультантов (AUM) составляют только 10 миллиардов долларов из 4 триллионов долларов в индустрии управления капиталом (менее 1% всех активов управляемых счетов), исследование Business Insider предполагает, что к 2020 году эта цифра вырастет до 10%. , Это эквивалентно примерно 8 триллионам долларов США.
Участники отрасли применяют различные подходы к роботизированному консультированию. Небольшие фирмы по управлению активами добавляют алгоритмические компоненты для автоматизации управления инвестициями, снижения затрат/плат и конкуренции с роботами-консультантами. С другой стороны, авторитетные инвестиционные фирмы покупают существующих роботов-консультантов, таких как приобретение Jemstep компанией Invesco, или создают свои собственные решения для роботов-консультантов, такие как FidelityGo и Intelligent Advisory Schwab.
По общему мнению экспертов, люди останутся незаменимыми. Человеческий контакт будет по-прежнему иметь решающее значение, поскольку консультантам по-прежнему необходимо будет успокаивать клиентов в трудные финансовые времена и убеждать их полезными решениями. Исследование, проведенное консалтинговой фирмой Accenture, показало, что 77% клиентов, управляющих активами, доверяют своим финансовым консультантам, а 81% указывают на важность личного общения. Для клиентов, принимающих сложные инвестиционные решения, набирает популярность гибридная модель консультирования, в которой компьютеризированные услуги сочетаются с консультантами-людьми.
В то время как финансовые консультанты останутся центральными, роботы-консультанты могут привести к сдвигам в их должностных обязанностях. С ИИ, управляющим повторяющимися задачами, инвестиционные менеджеры могут взять на себя обязанности специалиста по данным или инженера, например, поддерживать систему. Люди также могут уделять больше внимания построению отношений с клиентами и объяснению решений, принятых машиной.
Страхование зависит от баланса риска между группами людей; страховщики объединяют похожих людей, и некоторые люди потребуют выплаты, а другие нет. Индустрия построена вокруг оценки рисков; страховые компании не новичок в анализе данных. Однако ИИ может расширить объем анализируемых данных, а также способы их использования, что приведет к более точному ценообразованию и другим показателям операционной эффективности.
Стартапы находятся в авангарде развития отрасли. По словам Хенрика Науйокса, партнера Bain &Co, «стартапы показывают, что возможно и что можно сделать. Многие действующие руководители смотрят на это — они действительно не понимают этого, но хотят принять участие». Инвесторы также уловили эту тенденцию (см. ниже). В 2016 году искусственный интеллект был одним из самых популярных направлений для инвестиций в страховые технологии.
В отчете PWC прогнозируется, что к 2020 году искусственный интеллект автоматизирует значительный объем андеррайтинга, особенно на зрелых рынках, где данные доступны. В настоящее время страховой андеррайтер с помощью компьютерного программного обеспечения и актуарных моделей оценивает риск и подверженность потенциальных клиентов, какое покрытие они должны получить и сколько они должны за это платить. В краткосрочной перспективе ИИ может помочь автоматизировать большие объемы андеррайтинга в автостраховании, домашнем, коммерческом страховании, страховании жизни и групповом страховании. В будущем искусственный интеллект улучшит моделирование, выдвигая на первый план ключевые соображения для людей, принимающих решения, которые в противном случае могли бы остаться незамеченными. Также прогнозируется, что продвинутый искусственный интеллект позволит персонализировать страхование для компаний или отдельных лиц с учетом уникального поведения и обстоятельств.
Расширенный андеррайтинг может использовать не только машинное обучение для интеллектуального анализа данных, но и носимые технологии и анализаторы лица с глубоким обучением. Например, стартап Lapetus хочет использовать селфи для точного прогнозирования продолжительности жизни. В предложенной ими модели клиенты будут отправлять по электронной почте свои автопортреты, которые затем компьютеры будут сканировать и анализировать, анализируя тысячи областей лица. Анализ будет учитывать все, от базовой демографии до того, как быстро человек будет стареть, его индекс массы тела и курит ли он. Кроме того, носимые технологии могут сделать процесс андеррайтинга более совместным. Вместо того, чтобы полагаться на длительные медицинские осмотры и сложные контрактные процессы, носимые устройства могут в режиме реального времени предоставлять информацию о здоровье и поведении страхователя. Очевидно, что машинное обучение в сфере финансов уже развивается.
Эти типы детального анализа рисков в режиме реального времени позволят не только более точно определять цены для клиентов, но и заблаговременно обнаруживать риски для здоровья и предоставлять страховым компаниям возможность инвестировать в профилактику. Вместо того, чтобы в конечном итоге оплачивать дорогостоящее лечение пациента, страховые компании могут заранее попытаться снизить вероятность ущерба и связанных с этим расходов.
В Оксфордском исследовании 2013 года, в котором анализировалось более 700 профессий, чтобы определить, какие из них наиболее восприимчивы к компьютеризации, страховые агенты были включены в пятерку наиболее восприимчивых. Даже там, где ИИ не полностью заменяет андеррайтера, автоматизация ИИ может изменить обязанности андеррайтера. ИИ может высвободить время андеррайтера для более высокой добавленной стоимости, например для оценки и ценообразования рисков на развивающихся рынках с меньшим количеством данных, обеспечивая более эффективное управление рисками и обратную связь по разработке продукта.
Страховые претензии — это официальные запросы на выплату, направляемые страховым компаниям. Затем страховые компании проверяют претензию на предмет обоснованности и выплачивают страхователю после утверждения. Вот как искусственный интеллект может улучшить этот процесс:
Повышена точность данных о клиентах. Процесс подачи претензий выполняется вручную:агенты вручную регистрируют информацию о клиентах и подробности инцидентов. Согласно отчету Experian, качество данных может пострадать:на неполные данные приходится 55% ошибок данных, а на опечатки — 32%. ИИ может повысить точность за счет сокращения ручного ввода. Кроме того, процессы рассмотрения претензий часто требуют, чтобы страховые агенты сопоставляли информацию о клиентах с многочисленными базами данных. Чтобы сделать это более эффективно, можно использовать искусственный интеллект.
Рекомендации по более быстрым выплатам. Согласно исследованию удовлетворенности претензий по имуществу, проведенному J.D. Power &Associates, медленное время обработки претензий является одним из основных факторов неудовлетворенности клиентов. ИИ может помочь сократить время обработки, сначала проверив политику, а затем приняв решения по претензиям и автоматизировав оплату. Это связано с тем, что ИИ может анализировать не только структурированные данные, но и неструктурированные данные, такие как рукописные формы и сертификаты.
Банки делают большие ставки с помощью своих виртуальных помощников, работающих с клиентами, известных как чат-боты. В то время как ранние версии чат-ботов смогут отвечать только на основные вопросы о лимитах расходов и недавних транзакциях, будущие версии должны стать виртуальными помощниками с полным спектром услуг, которые могут совершать платежи и отслеживать бюджеты для потребителей. Взаимодействие с клиентами может привести к значительной экономии средств, но человеческое взаимодействие также, несомненно, более сложно, чем просто обработка чисел. Критики указывают на отсутствие у чат-ботов сочувствия и понимания, которые могут понадобиться людям при принятии сложных финансовых решений и ситуаций. Для этой технологии технология искусственного интеллекта для обработки естественного языка будет иметь важное значение для обработки и реагирования на персонализированные проблемы и пожелания клиентов.
В октябре 2016 года и Bank of America, и MasterCard представили своих чат-ботов, Эрику и Кай соответственно. Это позволит клиентам задавать вопросы о своих учетных записях, инициировать транзакции и получать советы через Facebook Messenger башни Amazon Echo.
Capital One также запустила собственного чат-бота под названием «Eno», что является анаграммой для «One». Eno позволяет клиентам общаться с банком, используя текстовый язык для оплаты счетов и получения информации о счете. Barclays также принимает участие в акции. Описывая нового чат-бота Bank of America, Мишель Мур, глава отдела цифрового банкинга в Bank of America, заявила:«Что будет с банкингом через два, три или четыре года? Это будет так».
Полное влияние искусственного интеллекта на финансовые услуги еще предстоит увидеть. Некоторые футуристы утверждают, что мир быстро приближается к переломному моменту, известному как «сингулярность», когда машинный интеллект превзойдет человеческий. Известные технологи и ученые, включая Билла Гейтса и Стивена Хокинга, предупреждали об этом моменте. Илон Маск также однажды заявил:«ИИ представляет собой фундаментальный экзистенциальный риск для человеческой цивилизации, и я не думаю, что люди в полной мере это понимают».
По мере того, как ИИ продолжает распространяться в нашей личной и профессиональной жизни, будет возникать множество проблем. К ним относятся вероятность ошибок, общее недоверие к машинам и опасения по поводу замены работы. Было бы ошибкой игнорировать эти страхи. Тем не менее, общество уже находится на ускоренном пути к миру, управляемому ИИ. В этом новом мире было бы наиболее продуктивно сосредоточиться на том, как машины и люди могут лучше всего сосуществовать. Для директивных органов важно сохранять осторожность, позволяя развиваться новым технологиям, отслеживая и сводя к минимуму их негативные последствия. Разработчики и дизайнеры также должны расширять возможности людей в понимании систем ИИ, чтобы завоевать доверие и повысить удовлетворенность приложениями ИИ. У каждого будет своя роль.
Как Харухико Курода, управляющий Банка Японии, выступил на конференции ИИ и финансовых услуг 2017 года:«Для нас важно конструктивно рассмотреть желаемые способы, которыми люди и ИИ дополняют друг друга, а не противостоят друг другу. Например, человеческое суждение не полностью свободно от существующих парадигм и поэтому иногда пренебрежительно относится к изменениям. В этом отношении ИИ может скорректировать нашу предвзятость, нейтрально проанализировав и найдя новые корреляции среди множества [sic] данных. Между тем люди могли бы компенсировать слабость ИИ своей интуицией, здравым смыслом и воображением».