Povede umělá inteligence k vytoužené odolné modernizaci finančních služeb?

Finanční odvětví čelí řadě problémů. Jde zejména o globální makroekonomické prostředí, které při stagnaci globálního růstu představuje riziko nesplácení úvěrů. Kromě toho roste tlak na modernizaci. Finanční instituce musí zvyšovat efektivitu, lépe sloužit zákazníkům, snižovat rizika, bojovat proti finanční kriminalitě, řešit udržitelnost a zavádět změny na základě regulací. Klíčovou roli při tom bude hrát nasazení AI.

Zajištění odolné modernizace pomocí AI

Technologie umělé inteligence se již ve finančním sektoru nějaký čas používají. Například v interaktivních chatbotech v zákaznickém servisu, při analýze dokumentů nebo při identifikaci anomálií v platebních transakcích pro odhalování podvodů. Banky již dlouho využívají prediktivní umělou inteligenci, převážně řešení založená na strojovém učení, k automatizaci a zefektivnění svých procesů. Generativní AI může výrazně zlepšit možnosti mnoha stávajících aplikací, včetně výzev v oblasti životního prostředí, sociální oblasti a veřejné správy (ESG). Schopnost automatizovat získávání a analýzu podnikových údajů o ESG pro transparentnější i efektivnější hodnocení klimatických rizik prokázal například projekt Gaia společnosti BIS.

Ačkoli se jedná o významné počáteční úspěchy jednotlivých institucí, globální výzvou, před kterou centrální banky a regulátoři stojí, je zajištění stability globálního finančního systému. Připravované změny regulace, které budou postupně zaváděny po celém světě, se budou týkat nových typů potenciálních systémových rizik, jako jsou rizika koncentrace cloudů, využívání AI, změna klimatu a budoucí skrytá korelovaná rizika, vyplývající ze stále se měnícího globálního finančního systému.

Využití AI při automatizaci procesů bude rozhodující pro zajištění efektivity a odolnosti. Například automatizace podporovaná AI a řízená událostmi pomůže institucím řešit nadcházející požadavky na přenositelnost aplikací u kriticky důležitých informačních a komunikačních technologií třetích stran. Pravidelné prokazování této skutečnosti je klíčovým regulačním požadavkem nařízení EU o digitální provozní odolnosti (DORA).

Na straně infrastruktury se nadále klade důraz na modernizaci starších aplikací, jako jsou základní bankovní systémy, aby byly agilnější. Pro některé aplikace budou i nadále využívány mainframové platformy, zatímco jiné úlohy budou přesunuty do cloudu – nebo budou alespoň vytvořeny jako nativně cloudové, aby mohly držet krok s rychlým moderním vývojem a byly přenositelné pro provoz v cloudových prostředích podle potřeby. Změna platformy nebo přepsání softwaru může být ale složitý a nákladný proces. A právě v této oblasti může pomoci generativní AI, která zajistí překlad softwaru do různých programovacích jazyků nebo pomůže při tvorbě kódu rekvalifikovat pracovníky IT pomocí asistentů, kteří mohou převzít většinu rutinní práce. AI může také optimalizovat místa nasazení aplikací, s ohledem na klíčové obchodní výzvy, jako jsou ukazatele udržitelnosti, provozní efektivita a náklady.

Využití AI může přinést významné výhody i provozním a servisním týmům. V budoucnu budou asistenti s umělou inteligencí schopni například vyřizovat složitější dotazy a problémy zákazníků. Kromě toho může využití AI zefektivnit finanční výkaznictví v bankovnictví, když automatizuje agregaci a analýzu dat pro přesnější a včasnější reportování.

Umělá inteligence bude hrát důležitou roli také ve schopnosti banky řídit rizika – od krátkodobých vnějších makroekonomických šoků až po dlouhodobé transformační změny, jako je změna klimatu. AI v těchto situacích vyžaduje přístup k velkým souborům různých dat, které mohou přinést nové poznatky pro zlepšení prediktivních schopností.

Potenciál syntetických dat

Umělá inteligence už může v určitých situacích urychlit i rozhodovací proces a s dalším vývojem bude mít schopnost výrazně rozšířit a zlepšit možnosti mnoha aplikací. Úspěch AI může ale brzdit nedostatek kvalitních dat, který je způsoben jejich odděleným uchováváním v rámci institucí s ohledem na požadavky na ochranu soukromí a duševní vlastnictví a rostoucí nároky na suverenitu dat.

Nedostatek vysoce kvalitních a pro daný účel vhodných zdrojů dat naštěstí pomůže překonat samotná AI, a to prostřednictvím vytváření tzv. „syntetických dat“. V tomto případě se replikují existující zdroje dat, aby se zajistila anonymizace pro ochranu soukromí a aby bylo možné data sdílet. Umělou inteligenci lze přitom využít k vytvoření robustnějších syntetických zdrojů dat, které některým aplikacím umožní překonat omezení čistě historických dat a získat bohatší vhled do možných budoucích situací.

Jednou z oblastí použití syntetických dat je i finanční kriminalita. Pokud je model strojového učení nebo umělé inteligence vytvořen na základě souboru dat, který obsahuje omezený počet případů určitého typu finanční kriminality, může s vysokou přesností předpovídat opakování těchto konkrétních případů. Přesnost predikce bude ale značně snížena, pokud jde o zachycení variant typu finanční kriminality, které se v rámci dostupných údajů nevyskytují. Aby byl model robustnější a předstihl hrozby, mohou simulace založené na AI generovat statisíce nebo miliony syntetických scénářů, což poskytuje potenciálně robustnější systém detekce, který lze ověřit prostřednictvím zkoumání pravděpodobných nových variant určitého typu finanční trestné činnosti. Syntetická data generovaná AI tak mohou výrazně zlepšit způsob identifikace podvodů. Modely generativních adversariálních sítí (GAN) a simulace založené na agentech (ABM) jsou dva přístupy umělé inteligence, které se na takové typy případů použití aplikují.

Výzva vysvětlitelnosti AI

Kromě dat ale existují i další zásadní výzvy, které je nutné vyřešit, aby byly modely umělé inteligence důvěryhodné a odolné. Jednou z klíčových oblastí je celosvětové výzkumné úsilí o vývoj inovativních přístupů k vysvětlitelnosti v oblasti umělé inteligence (explainability in AI, XAI). Cílem XAI je vyvinout rámce pro transparentní a odpovědné rozhodování v oblasti AI s cílem zlepšit důvěryhodnost, rozhodování a dodržování právních předpisů.

Tyto rámce XAI však vyžadují překonání překážek, jako jsou řešení typu „černá skříňka“, kvůli složitosti modelu, omezení širšího přístupu k datům pro modelové náhledy kvůli ochraně osobních údajů a rychle se vyvíjejícímu regulačnímu prostředí AI.

Pokud jde o regulaci, nedávno přijatý zákon EU o umělé inteligenci je prvním velkým pokusem o vytvoření komplexního regulačního rámce pro systémy AI. Toto nařízení vychází z přístupu založeného na riziku, takže čím vyšší je úroveň rizika, tím přísnější jsou pravidla upravující zákonné limity AI. Vysoce rizikové systémy umělé inteligence musí splňovat širokou škálu požadavků, které zahrnují vysvětlitelnost a dokumentaci, správu procesů řízených AI, správu dat, lidský dohled, řízení rizik a možnost auditu. Vzhledem k tomu, že podobné regulační rámce zaměřené na AI vznikají i v jiných zemích a regionech, bude třeba zajistit určitou míru globální regulační konzistence založené na rizicích, aby se podpořily další inovace v oblasti schopností a řešení AI.

Neomezené možnosti

Možnosti AI jsou v zásadě téměř neomezené, pokud jsou k dispozici správné týmy, procesy a řešení. Stejně jako mnoho manažerů uvažuje o strategii hybridního cloudu podporované jednou společnou platformou a automatizační vrstvou, která by jim poskytla volnost a flexibilitu, platí totéž i pro umělou inteligenci. To znamená, že týmům napříč firmou poskytuje konzistentní, centralizované prostředí při školení, údržbě, ladění a nasazování modelů AI do produkčního prostředí. Holistické prostředí, na rozdíl od prostředí izolovaného, ochrání před příliš velkým počtem bodů selhání a pomůže standardizovat testování i validaci, aby byly splněny požadavky na kontrolu a transparentnost, které jsou tak důležité pro zajištění schválení regulačními orgány i pro další rozšíření umělé inteligence.

Richard Harmon, viceprezident a globální ředitel pro oblast finančních služeb ve společnosti Red Hat