Sztuczna inteligencja modyfikuje dotychczasowe powiązania między podmiotami działającymi na rynku finansowym, wprowadza nowe zasady konkurencji i odgrywa coraz ważniejszą rolę w pośrednictwie finansowym. Jej potencjał stanowi duże wyzwanie dla systemu finansowego.
Sztuczna inteligencja (AI) to pojęcie wielowymiarowe, które dotyczy zarówno naśladowania przez maszynę ludzkich funkcji poznawczych, jak również jej zdolności do interakcji ze środowiskiem, czy też zdolności do niezależnego osiągania celów. Ogólnie, sztuczną inteligencją jest nazywane zastosowanie narzędzi obliczeniowych do rozwiązywania zadań tradycyjnie wymagających ludzkiego wyrafinowania.
Jako dziedzina, AI istnieje od wielu lat, ale stosunkowo niedawny wzrost mocy obliczeniowej komputerów w połączeniu ze wzrostem dostępności i liczby danych spowodował ponowne zainteresowanie potencjalnymi zastosowaniami sztucznej inteligencji, również w sektorze finansowym.
Algorytmy się optymalizują
Ze sztuczną inteligencją nieodłącznie związane są pojęcia Big Data i uczenie maszynowe. Big Data to termin dotyczący przechowywania i analizy dużych i/lub złożonych zbiorów danych przy użyciu różnych technik, w tym sztucznej inteligencji. Kluczową cechą istotną w analizach Big Data jest liczba danych nieustrukturyzowanych lub częściowo ustrukturyzowanych.
Z kolei uczenie maszynowe to jedna z form sztucznej inteligencji, którą można określić jako metodę projektowania sekwencji działań w celu rozwiązania problemu (algorytmów). Te algorytmy optymalizują się automatycznie dzięki doświadczeniu (uczeniu się) i ograniczonej lub braku interwencji człowieka. Techniki te można wykorzystać m.in. do znalezienia powtarzalnych wzorców w dużych zbiorach danych.
Systemy oparte na sztucznej inteligencji mogą być oparte wyłącznie na oprogramowaniu, działając w świecie wirtualnym (np. oprogramowanie do analizy obrazu, systemy rozpoznawania mowy i twarzy, asystenci głosowi) lub mogą być wbudowane w urządzenia sprzętowe (np. samochody autonomiczne lub aplikacje tzw. internetu rzeczy).
Postępy w ramach sztucznej inteligencji opierają się głównie na dostępności i różnorodności danych oraz na tym, że sprzęt informatyczny jest coraz bardziej wydajny – zarówno pod względem pamięci masowej, szybkości obliczeniowej (zgodnie z prawem Moore’a), jak i infrastruktury (np. istnienie chmury obliczeniowej). Należy także uwzględnić postęp dotyczący uczenia głębokiego oraz rozwoju narzędzi umożliwiających wykorzystanie coraz bardziej zróżnicowanej i dużej liczby danych (uczenie głębokie to szczególny obszar uczenia maszynowego, którego algorytmy są skuteczne w przetwarzaniu złożonych i nieustrukturyzowanych danych, jak obrazy lub głos).
Popyt na AI
Obecnie istnieje już wiele zastosowań sztucznej inteligencji i uczenia maszynowego, w tym w sektorze finansowym. Sztuczna inteligencja zmienia oblicze tego sektora, w szczególności poprzez modyfikowanie dotychczasowych powiązań między instytucjami finansowymi. Jednocześnie AI otwiera możliwości zastosowania nowych modeli operacyjnych i wprowadza nowe zasady konkurencji, które sprzyjają w szczególności podmiotom skoncentrowanym na skali i złożoności danych, a niekoniecznie kapitale.
Wykorzystanie nowych możliwości związanych z AI było i jest spowodowane zarówno czynnikami podażowymi, takimi jak postęp technologiczny oraz dostępność danych i infrastruktury sektora finansowego, jak i czynnikami popytowymi, takimi jak potrzeby instytucji w zakresie rentowności (możliwość redukcji kosztów), poprawy produktywności, osiągniecia korzyści w zarządzaniu ryzykiem i konkurencji z innymi firmami.
Ponadto popyt wynika także z konieczności spełnienia wymogów regulacyjnych przez instytucje finansowe, co może być łatwiejsze dzięki wykorzystaniu sztucznej inteligencji. Podmioty rynku finansowego poszukują bowiem najbardziej optymalnych sposobów umożliwiających spełnienie wymogów regulacyjnych, jak np. regulacje ostrożnościowe, raportowanie danych, czy też przepisy dotyczące przeciwdziałania praniu pieniędzy i finansowaniu terroryzmu. Jednocześnie instytucje nadzoru finansowego muszą mierzyć się z koniecznością oceny coraz większych i bardziej złożonych zbiorów danych, co wymaga coraz skuteczniejszych narzędzi analitycznych, aby lepiej monitorować sektor finansowy.
Dodatkowo, czynnikami wzmacniającymi ten postęp są oczekiwania konsumentów, przyzwyczajonych do coraz szybszych oraz bardziej spersonalizowanych usług cyfrowych, zwiększone zaufanie konsumentów do technologii oraz coraz większe zaawansowanie rozwiązań technologicznych i metodologii, zwłaszcza w dziedzinie cyberbezpieczeństwa i nowoczesnych metod pracy.
W szczególności dostęp i wykorzystanie danych przez instytucje na rynku finansowym stanowi szansę na poprawę tzw. doświadczenia klienta, zwiększenia wydajności funkcji dystrybucji i wydajności operacyjnej oraz poprawę zarządzania ryzykiem. Istnieje więc silny związek między sztuczną inteligencją a danymi: ze względu na to, że dane stają się główną cechą konkurencyjności dla instytucji finansowych, opanowanie i wykorzystywanie AI staje się dla nich priorytetem strategicznym.
Spersonalizowane produkty dziełem AI
Do korzyści związanych ze sztuczną inteligencją można zaliczyć m.in. możliwość oferowania klientom bardziej spersonalizowanych produktów i usług finansowych, czy też skuteczniejszego przetwarzania informacji związanych np. z wydawaniem decyzji kredytowych, zawieraniem umów i relacjami z klientami. Wykorzystanie sztucznej inteligencji w działalności kredytowej banków dotyczy głównie optymalizacji systemów scoringowych, na podstawie których są przyznawane kredyty. Dalsze ulepszenie oceny zdolności kredytowej klientów będzie możliwe dzięki zastosowaniu Big Data, także z wykorzystaniem danych niefinansowych (np. dane związane z zachowaniami konsumentów w internecie).
W tym kontekście ważne jest kwestia unikania dyskryminacji np. w punktacji kredytowej przy udzielaniu kredytów lub w przypadku oferowania produktów ubezpieczeniowych. Algorytmy AI i uczenia maszynowego mogą bowiem tworzyć wyniki, które domyślnie korelują ze wskaźnikami dotyczącymi m.in. rasy, religii, płci, na przykład w oparciu o położenie geograficzne lub inne cechy jednostek. Ten aspekt AI jest obecnie przedmiotem dyskusji w kontekście etycznym.
„Sztuczna inteligencja pozwala na lepsze zarządzanie ryzykiem, zapewniając narzędzia do jego kontroli.”
AI pozwala również na lepsze zarządzanie ryzykiem, zapewniając narzędzia do lepszej kontroli ryzyka i wspierania procesów podejmowania decyzji – zarówno przez podmioty finansowe, jak i klientów. Z kolei perspektywy regulacyjnej, podmioty rynku finansowego – zarówno publiczne, jak i prywatne – mogą wykorzystywać nowe technologie w celu przestrzegania zmieniającego się prawa, wypełniania obowiązków nadzorczych, oceny jakości danych czy wykrywania nadużyć.
Nowe ryzyka
Z drugiej jednak strony sztuczna inteligencja i uczenie maszynowe mogą generować nowe ryzyka w systemie finansowym. Mogą na przykład wpływać na stopień koncentracji na rynkach finansowych, co wynika z efektów sieciowych i skali zastosowania nowych technologii. W przyszłości może to prowadzić do dodatkowych zależności od stron trzecich, a to z kolei – do pojawienia się nowych graczy o znaczeniu systemowym.
Podobnie dostęp do Big Data może być źródłem znaczenia systemowego, zwłaszcza jeśli instytucje finansowe są w stanie wykorzystać swoje zastrzeżone źródła danych, aby uzyskać znaczne korzyści konkurencyjne. Ponadto najbardziej innowacyjne technologie mogą być dostępne głównie dla dużych podmiotów, ponieważ rozwój zastosowań nowych technologii wymaga znacznych inwestycji (m.in. w celu nabycia i utrzymania infrastruktury oraz wykwalifikowanych pracowników).
AI i uczenie maszynowe doprowadzą także do tego, że usługi finansowe będą oferowane na większą skalę przez instytucje niebędące bankami. Wielu dostawców i usługodawców nowych technologii w ramach usług finansowych może zatem działać poza granicami obowiązujących regulacji finansowych i nie podlegać nadzorowi finansowemu.
Ryzyko wynika również z wykorzystywania przez podmioty rynku finansowego podobnych algorytmów lub strumieni danych. Z jednej strony, jeśli na przykład robo-doradcy wspomagani uczeniem maszynowym udzielaliby porad bardziej dostosowanych do indywidualnych potrzeb i preferencji klientów, to działania inwestycyjne klientów mogą być mniej skorelowane ze strategiami handlowymi innych uczestników rynku.
Jednak z drugiej strony nowe algorytmy transakcyjne oparte na uczeniu maszynowym mogą być mniej przewidywalne niż dotychczasowe aplikacje oparte na regułach i mogą wchodzić w interakcje w nieoczekiwany sposób. W szczególności wykorzystanie aplikacji AI i uczenia maszynowego do handlu o wysokiej częstotliwości (HFT) może być nowym źródłem zagrożenia – zwłaszcza jeśli podobna strategia inwestycyjna oparta na tych technologiach jest szeroko stosowana przez uczestników rynku, może to zwiększyć niestabilność na rynku finansowym.
Jednocześnie utrudniona interpretacja lub możliwość audytu wykorzystania AI i metod uczenia maszynowego może przyczynić się do wzrostu zagrożeń na poziomie całego systemu finansowego. Wiele modeli wynikających z zastosowania technik sztucznej inteligencji lub uczenia maszynowego jest trudnych lub niemożliwych do pełnego zinterpretowania (zwłaszcza, jeśli chodzi o wykorzystanie technik uczenia głębokiego). Dodatkowo wiele tych modeli jest obecnie „szkolonych” w okresie relatywnie niskiej zmienności rynkowej. Z tego powodu modele te mogą nie sugerować optymalnych działań w przypadku znacznego pogorszenia koniunktury gospodarczej lub wystąpienia kryzysu finansowego, albo w zakresie odpowiedniego zarządzania ryzykiem w długim terminie.
Zastosowania sztucznej inteligencji i uczenia maszynowego mogą także zwiększyć wzajemne powiązania rynków i instytucji finansowych w nieoczekiwany sposób. Większe wzajemne powiązania w systemie finansowym – mimo, że mogą wspierać podział ryzyka i działać, do pewnego stopnia, jako amortyzator szoków – mogą także rozprzestrzeniać skutki ekstremalnych wstrząsów (zwłaszcza wtedy, gdy np. istotny systemowo segment instytucji finansowych opiera się na tych samych źródłach danych i strategiach algorytmicznych).
Do tego dochodzą także zagrożenia cybernetyczne, m.in. dlatego, że wykorzystanie sztucznej inteligencji automatyzuje powtarzalne zadania i zwiększa liczbę połączeń informatycznych. Ta automatyzacja może zwiększać liczbę luk, które mogą zostać zaatakowane przez cyberprzestępców, na przykład poprzez wprowadzenie sfałszowanych danych do modeli algorytmicznych. Ponadto ataki cybernetyczne mogą stać się bardziej wyrafinowane i skuteczne dzięki spersonalizowanemu wyłudzaniu informacji, wykorzystywaniu chatbotów lub technologii naśladujących głos w celu wyodrębnienia poufnych informacji.
AI i uczenie maszynowe są także związane z licznymi problemami prawnymi związanymi zwłaszcza z ochroną prywatności i danych, ochroną konsumentów finansowych, kwestiami niedyskryminacji i odpowiedzialności.
Nowe technologie w finansach są zatem ważnym czynnikiem wpływającym na konieczność ponownej analizy i bieżącego dostosowywania zasad i technik nadzoru i regulacji – w tym finansowej, w celu uniknięcia możliwych zakłóceń dla systemu finansowego i gospodarki.
„Nie zostały jeszcze poznane wszystkie konsekwencje zastosowania AI w sektorze finansowym.”
Dotychczas nie zostały jeszcze poznane wszystkie potencjalne konsekwencje zastosowania sztucznej inteligencji w sektorze finansowym, dlatego trudno obecnie przewidywać jej przyszłość w usługach finansowych.
Instytucje, które jako pierwsze wprowadzą sztuczną inteligencję do swojej oferty usług finansowych, będą mogły wykorzystać jej potencjał oparty na danych. Będzie to miało istotny wpływ na ich strategiczne podejście m.in. do współpracy rynkowej, także w perspektywie transgranicznej.
Jednocześnie dużą rolę będzie odgrywać właściwe zrozumienie i uregulowanie kwestii etycznych oraz dotyczących prywatności danych. Przepisy regulujące prywatność i możliwość korzystania z danych wpłyną na zdolność instytucji finansowych i niefinansowych do wdrażania sztucznej inteligencji, stając się tak samo ważne jak tradycyjne regulacje dla konkurencyjnego pozycjonowania firm. Zmiany regulacji dotyczących danych będą zatem głównym czynnikiem wpływającym na rolę i status różnych podmiotów na rynku usług finansowych.
źródło: Obserwator Finansowy, autor: Milena Kabza
