Az alábbiakban egy összefoglaló képet szeretnénk adni arról, hogy milyen terülteken jelentek már meg a "robotok" a pénzügyekben és várhatóan milyen irányban fog erősödni a szerepük. Mielőtt erre rátérnénk egy rövid bekezdés erejéig nézzük meg mi az AI és gépi tanulás?
AI és ML, avagy intelligencia és gépi tanulás
A mesterséges intelligencia fogalma az 1960as években jelent meg, többféle definíciója létezik, amelyekből itt található egy összefoglaló. Mi most a wikipedia szócikkét használjuk, amely szerint az AI egy gép, program vagy mesterségesen létrehozott tudat által megnyilvánuló intelligencia. Az AI egyik ága és fontos eleme a gépi tanulás, amely önállóan tanulni képes rendszereket/algoritmusokat jelent: magyarán ezek a rendszerek tapasztalatokból tudást generálnak. A rendszer a minták (ún. tanító adatok) alapján képes szabályszerűségeket, szabályokat felismerni és meghatározni, alapvetően iteratív tanulási módszerrel.
A mesterséges intelligenciák több szempontból is megkülönböztethetők, az egyik ilyen besorolás a gyenge és erős AI. Jelenleg a gyenge (vagy célzott/"keskeny") AI az elterjedtebb, amely egy előre definiált, részletesen körülírt feladat elvégzésére képes. Ilyen például az Apple Siri asszisztense vagy az online ügyfélszolgálati chat bot-ok (csevegő robotok).
Az erős mesterséges intelligenciák ezzel szemben önálló döntéseket hoznak, gondolkodásuk sokban hasonlít az emberére.
Fontos kiemelni, hogy amikor a jelen bejegyzésben robotokról beszélünk, akkor nem hagyományos, fizikai formában megjelenő gépeket értünk ezalatt, hanem számítógépes algoritmusokat. Persze nem kizárt, hogy előbb utóbb az ügyfélhívó és sorszám osztó oszlopokat előbb-utóbb emberi formájú robotok váltják a bankfiókokban (feltéve, hogy lesznek még hagyományos bankfiókok).
AI a pénzügyekben - felhasználási területek
Portfolió menedzsment
A pénzügyi tanácsadó robotok, vagy robo advisorok olyan algoritmusok, amelyeket a pénzügyi/befektetési portfólió kialakításához és kalibrálásához hoztak létre és az ügyfelek a céljaival, valamint kockázati preferenciáikkal összhangban tesznek automatizált javaslatokat.
Ennek a példának a kapcsán fontos megjegyezni, hogy egy egyszerű portfolió allokációs mechanizmust akár mi is létrehozhatunk hüvelykujj szabályok mentén, egyszerű arányokkal Excel táblában. Az, hogy mikortól tekinthetünk egy rendszert mesterséges intelligenciának, sok tényezőtől függ. Általánosságban elmondható ,hogy attól lesz egy rendszer intelligens, ha minél inkább szimulálni tudja az emberi döntéseket, minél több olyan döntés befolyásoló paramétert figyelme tud venni, ami a valóságban a döntést befolyásolja és mindezt úgy teszi, hogy jó hatásfokú, releváns válaszokat ad! Ha emellett még tanulni is tud a rendszer és a korábbi döntései, valamint abból fakadó hibákat visszacsatolva.
Visszatérve a portfolió menedzsmentre, az intelligens rendszerek általában lekövetik a felhasználó céljaiban, jövedelmi viszonyaiban vagy éppen a piaci körülményekben beállt változásokat és az alapján akár új ajánlásokat is megfogalmaznak.
Csalás felderítés, megelőzés
A pénzügyi és biztosítási szektorban rendszeresek a visszaélések, a pénzintézetek jelentős költségeket takaríthatnak meg, ha ezeket felismerik vagy meg is előzik. Természetesen a csalásokat korábban is figyelték, de mivel nap szinten már több milliárd tranzakció történik a világban, ezért különösen nagy szerepe van a tranzakciók gyors és nagy volumenű, automatizált elemzésének.
A gépi tanulás segítségével a csalás felismerő rendszerek a kirívó, szokásostól eltérő tevékenységeket vagy magatartásokat (anomáliákat) észlelhetnek és felhívhatják a biztonsági szakemberek figyelmét ezekre, megjelölhetik az ilyen tranzakciókat további kivizsgálás céljából. Tipikusan ilyen egyszerűbb példák a szokásoshoz képest kiugró bankkártya tranzakció, szokásosnál több alkalommal történő készpénz kivét ATM-ből stb.
Az egyik legfőbb kihívás ezen rendszereknél ,hogy minél kevesebb legyen a téves riasztások aránya: itt is igaz, tehát, hogy annál intelligensebb a rendszer, minél nagyobb hatásfokkal dolgozik.
Hiteljóváhagyás, hitelezési kockázatok elbírálása
A pénzügyi területen a hitelelbírálás az egyik legjobb példa a gépi tanulás alkalmazására. Különösen a nagyobb bankoknál (vagy biztosítók esetében) a gépi tanulási algoritmusokat több millió adat segítségével lehet tanítani. Például vállalati hitelfelvevők esetében az adott cége pénzügyi mutatói, tulajdonosi viszonyai, piaci helyzete stb. adatok alapján modellezhető az adott vállalkozás hitel visszafizetési képessége, az esetleges csőd valószínűsége. Ezek alapján a mesterséges intelligenciával felvértezett rendszerek osztályozhatják az adósokat, ajánlásokat tehetnek a hitel jóváhagyására, a fedezetekre vagy éppen a kamatszintre (ebben a bejegyzésben egy neurális hálózat létrehozását mutattuk be a témához kapcsolódóan).
De ugyanígy talákozhatunk ezekkel a példákkal magánszamélyként is egy lakáshitel bírálata során vagy éppen egy biztosítás megkötésekor, ahol a mesterséges intelligencia a személyes adatianakt és kockázati profilunkat felmérve tesz ajánlást a biztosítás típusára vagy éppen annak díjára.
Tőzsdei kereskedés, "high frequency trading"
Az algoritmikus kereskedési rendszerek története az 1970-es évekig nyúlik vissza, amelyek az informatikai rendszerek és az adatbányászati algoritmusok fejlődésével, valamint a rendelkezésre álló adatok körének bővülésével szintén sokat fejlődtek. Ezek a félig autonóm kereskedési rendszerek, a különböző tőzsdei indikátorokat és azok változásait folyamatosan monitorozva hoznak döntéseket és akár automatikusan generálnak üzletkötéseket.
Az egyik leágazása ennek a "műfajnak" a nagy frekvenciájú kereskedés (HFT - high frequency trading), amely a nevével összhangban azt jelenti hogy az ilyen típusú kereskedési rendszerek napi szinten rengeteg tranzakciót hajtanak végre, akár másodpercenként kötnek/zárnak le üzleteket különböző tőzsdei termékekre vonatkozóan.
Ahogy ez a fentiekből is látszik, ezeken a felsorolt területeken a mestersége intelligencia már akár évtizedek óta jelen van. Ugyanakkor vannak olyan felhasználási területek pénzügyeken belül, amelyek viszonylag újak, gyerekcipőben járnak vagy éppen még csak elméleti síkon léteznek:
- ügyfélszolgálati csevegő robotok, pénzintézeti ügyintézés
- könyvelés, ügyvitel - számlák bizonylatok kategorizálás, kódolása és könyvelése automatikusan, szövegelemző algoritmusok segítségével, amelyek az elektronikus bizonylatokból információt kinyerve tudják eldönteni, hogyan szükséges azokat könyvelni
- kiskereskedelmi termékportfolió menedzsment, szortiment kialakítása és árazás - az aktuális fogyasztói igényekhez, a keresleti/kínálati viszonyokhoz igazodva egy adott kiskereskedelmi egység termékkínálatának, a termékek árának kialakítása
- adóellenőrzések, adócsalások kiszűrése mesterséges intelligencia segítségével - a magyar adóhatóság már jelenleg is üzemeletet olyan eljárásokat, amely ezt a tevékenységet segíti és vérlhetően ez a jövőben sokat fog fejlődni
Akit pedig érdekelnek a szakmai részletek is, az itt bővebben olvashat a tanuló algoritmusok konkrét megvalósítási lehetőségeiről a pénzügyekben.
Kinek, milyen előnye származik ebből?
Az előnyök a pénzügyi / üzleti életben egyrészt abból fakadnak ,hogy megalapozottabb és gyorsabb döntéseket lehet hozni (ld. pl. hitelelbírálás). Másrészt az AI hadrendbe állításával és a folyamatok automatizálásával jelentős költségmegtakarítás érhető el. Az érme másik oldala, hogy ezzel párhuzamosan bizonyos munkakörök megszűnnek, de legalábbis beszűkülnek a lehetőségek (másrészt azonban új munkakörök is létre fognak jönni, mert például ezeket az AI vezérelt rendszereket fejleszteni kell, a tanulásukat és a működésüket felügyelni szükséges).
Nem mellesleg az AI alkalmazásával a szolgáltatási színvonal is emelkedhet és a banki ügyintézés is gyorsulhat, így a fogyasztók/felhasználók is nyernek vele végeredményben.
Ez mind szép, de mik a kockázatok?
A teljesség igénye nélkül, az alábbi kockázatokkal és problémákkal kell számolni:
- a rosszul tanított vagy nem felügyelt "robotok" hibás vagy rosszul időzített döntéseiből eredő károk
- felelősségi kérdések a szervezeten belül - ha mesterséges intelligencia hoz meg bizonyos döntéseket, akkor ki a felelős a döntésekért?
- kiberbiztonsági kockázatok - a rendszerek sérülékenységét kihasználva hackerek, rosszindulatú felhasználók szándékosan rossz irányba terelik a "robotokat" a tanulás során, pl. nem valós tanuló adatok megadásával, a tanulási algoritmusok paramétereinek befolyásolásával
- túlzott bizalom miatt nem validált tanuló algoritmusok, illetve azokból származó hibás következtetésekre bízzuk magunkat
