Kai algoritmai pradeda valdyti pinigus
Dar prieš dešimt metų mintis, kad dirbtinis intelektas galėtų priimti sprendimus dėl jūsų paskolos ar aptikti sukčiavimą greičiau, nei jūs suspėtumėte pastebėti, skambėjo kaip mokslinė fantastika. Šiandien tai yra kasdienė tikrovė, kurioje veikia didžioji dalis pasaulio bankų. DI bankininkystėje – tai ne kažkoks ateities projektas, kurį kažkada galbūt įdiegs jūsų bankas. Tai jau vyksta dabar, tiesiog dažniausiai už kulisų, ten, kur klientai to nemato.
Problema ta, kad daugelis žmonių vis dar galvoja apie bankų technologijas kaip apie kažką labai nuobodaus – saugumo protokolus, duomenų bazes, senus COBOL kodus, kurie kažkaip vis dar veikia. Ir iš dalies tai tiesa. Bet virš viso to sluoksnio dabar sėdi modernūs mašininio mokymosi modeliai, kurie analizuoja milijonus transakcijų per sekundę, prognozuoja rinkos judėjimus ir sprendžia, ar jūs esate patikimas skolininkas. Ir tai keičia viską.
Sukčiavimo aptikimas – kur DI iš tikrųjų šviečia
Jei kalbėtume apie vieną sritį, kurioje dirbtinis intelektas bankininkystėje padarė didžiausią ir labiausiai apčiuopiamą poveikį, tai būtų sukčiavimo aptikimas. Tradiciniai sistemos veikė pagal taisyklių rinkinius – jei transakcija viršija tam tikrą sumą, blokuok. Jei mokėjimas atliekamas iš neįprastos šalies, siųsk įspėjimą. Tai veikė, bet labai grubiai. Buvo daugybė klaidingų teigiamų – teisėtos transakcijos blokuojamos, klientai piktinasi, o tikri sukčiai tuo tarpu išmokdavo aplink tas taisykles eiti.
Šiuolaikiniai DI modeliai dirba visiškai kitaip. Jie mokosi iš jūsų elgesio modelių – kada paprastai perkate, kokio dydžio sumos, kokiose vietose, kokiu paros metu. Ir kai kažkas nukrypsta nuo to modelio, sistema tai pastebi. Ne todėl, kad kažkas parašė taisyklę „blokuok X”, o todėl, kad modelis suprato, jog tai neatitinka jūsų įprastų veiksmų.
Mastercard, pavyzdžiui, naudoja tai, ką jie vadina „Decision Intelligence” – sistema analizuoja daugiau nei 1,3 milijardo kortelių savininkų elgesio duomenis ir per milisekundes nusprendžia, ar transakcija atrodo teisėta. Jų teigimu, tai leido sumažinti klaidingų teigiamų skaičių iki 50 procentų, tuo pačiu aptinkant daugiau tikrų sukčiavimo atvejų. Tai nėra maža – kiekvienas klaidingas teigiamas yra klientas, kuris stovi prie kasos su atsisakyta kortele ir jaučiasi labai nepatogiai.
Praktinis patarimas: Jei jūsų bankas siūlo galimybę nustatyti „kelionės įspėjimus” ar panašius profilius prieš vykstant į užsienį – naudokite tai. Tai padeda DI sistemoms suprasti, kad neįprastos transakcijos iš kitos šalies yra teisėtos. Taip pat verta reguliariai tikrinti savo banko programėlės saugumo nustatymus ir įjungti realaus laiko pranešimus apie kiekvieną transakciją.
Kreditavimas be žmogiško šališkumo – teorija ir praktika
Vienas iš didžiausių pažadų, kurį DI davė bankininkystei, buvo objektyvesnis kreditavimas. Tradiciškai paskolos sprendimas priklausė nuo kreditų istorijos, pajamų ir kartais nuo to, ar banko darbuotojas jums patiko. Tai sukūrė sistemingą diskriminaciją – tam tikros demografinės grupės gaudavo prastesnes sąlygas arba apskritai buvo atmetamos, nors jų realus mokumas galėjo būti visiškai pakankamas.
DI teoriškai turėtų tai išspręsti. Modelis žiūri į duomenis, ne į žmogų. Jis gali atsižvelgti į šimtus kintamųjų – ne tik į tradicinį kredito balą, bet ir į mokėjimų istoriją, išlaidų modelius, net į tai, kaip žmogus naudojasi banko programėle. Kai kurios fintech kompanijos, kaip Upstart, teigia, kad jų DI modeliai leidžia patvirtinti daugiau paskolų su mažesniais nuostoliais, nes jie geriau įvertina tikrą riziką.
Bet čia yra ir tamsioji pusė. DI modeliai mokosi iš istorinių duomenų, o istoriniai duomenys atspindi praeities diskriminaciją. Jei tam tikros grupės žmonės istoriškai gaudavo prastesnes paskolos sąlygas ir dėl to dažniau vėluodavo su mokėjimais, modelis gali išmokti, kad ta grupė yra „rizikingesnė” – ne dėl realios rizikos, o dėl praeities neteisingumų. Tai vadinama algoritminio šališkumo problema, ir ji yra labai rimta.
JAV Vartotojų finansinės apsaugos biuras (CFPB) jau pradėjo tyrinėti šią sritį ir reikalauti, kad bankai galėtų paaiškinti, kodėl DI modelis atmetė paraišką. Tai sukuria vadinamąją „paaiškiamumo” problemą – daugelis giliojo mokymosi modelių yra „juodosios dėžės”, kurių sprendimų proceso net jų kūrėjai negali pilnai paaiškinti.
Rekomendacija vartotojams: Jei jūsų paskolos paraiška buvo atmesta, turite teisę paprašyti paaiškinimo. ES BDAR reglamentas suteikia teisę į „prasmingą informaciją apie naudojamą logiką” automatizuotuose sprendimuose. Naudokite šią teisę – tai ne tik jūsų interesas, bet ir svarbu, kad bankai būtų atskaitingi.
Robotai, kurie kalba apie pinigus – pokalbių DI bankininkystėje
Pokalbių robotai bankininkystėje – tai ta sritis, kur daugelis žmonių tiesiogiai susiduria su DI, dažnai to net nesuvokdami. Ir, tiesą sakant, ankstyvoji patirtis buvo… ne pati geriausia. Pirmosios kartos bankiniai chatbotai buvo iš esmės šiek tiek protingesni FAQ puslapiai. Jie galėjo atsakyti į kelis iš anksto numatytus klausimus, bet bet koks nukrypimas nuo scenarijaus baigdavosi frustruojančiu „Atsiprašau, nesupratau jūsų klausimo.”
Didelių kalbos modelių (LLM) atsiradimas tai keičia. Bankai kaip Bank of America su savo „Erica” asistente ar HSBC su „Amy” jau naudoja kur kas sudėtingesnius modelius, kurie gali suprasti natūralią kalbą, kontekstą ir net emocines užuominas. Jei klientas rašo „man reikia pagalbos, nes negaliu sumokėti hipotekos” – sistema turėtų suprasti, kad tai ne techninis klausimas, o jautri situacija, reikalaujanti atitinkamo atsako.
Tačiau čia yra svarbi techninė detalė, kurią reikia suprasti: bankai nenaudoja tų pačių atvirų LLM, kuriuos galite pasiekti internete. Jie kuria savo modelius arba naudoja privačias versijas, apmokytus ant jų pačių duomenų, su griežtomis saugumo ribomis. Priežastis paprasta – jūs tikrai nenorite, kad jūsų banko chatbotas „haliucinuotų” ir sugalvotų neegzistuojančias sąlygas ar produktus.
Praktiškai tai reiškia, kad pokalbių DI bankininkystėje paprastai yra kur kas konservatyvesnis nei, tarkime, ChatGPT. Jis veikia pagal griežtai apibrėžtus scenarijus su DI pagalba interpretuojant klausimus, bet ne laisvai generuodamas atsakymus. Tai protingas kompromisas tarp naudingumo ir saugumo.
Patarimas: Kai naudojate banko chatbotą, formuluokite klausimus aiškiai ir konkrečiai. Vietoj „noriu žinoti apie sąskaitą” rašykite „koks yra mano einamosios sąskaitos likutis ir ar buvo kokių nors mokesčių šį mėnesį?” Kuo konkretesnis klausimas, tuo geresnis atsakymas – net ir su moderniausiais modeliais.
Algoritminis prekyba ir rizikos valdymas – kai greitis yra viskas
Ši sritis yra mažiau matoma eiliniam klientui, bet turbūt labiausiai transformuota DI. Algoritminis prekyba – tai situacija, kai kompiuteriniai modeliai priima pirkimo ir pardavimo sprendimus greičiau, nei žmogus suspėja perskaityti naujieną. Šiandien apskaičiuojama, kad daugiau nei 70 procentų visų akcijų rinkos transakcijų JAV yra atliekamos algoritmiškai.
DI čia prideda naują dimensiją – ne tik greičio, bet ir adaptyvumo. Tradiciniai algoritmai veikė pagal fiksuotas taisykles: „jei kaina nukrenta X procentų, parduok.” DI modeliai gali mokytis iš rinkos sąlygų, atpažinti modelius, kurie žmogui būtų neįžiūrimi, ir adaptuoti strategijas realiu laiku. Jie gali analizuoti ne tik kainų duomenis, bet ir naujienų srautus, socialinių tinklų nuotaikas, net oro prognozes (kurios gali paveikti žemės ūkio produktų rinkas).
Rizikos valdymas yra kita sritis, kur DI daro didelį poveikį. Bankai privalo nuolat stebėti savo rizikos pozicijas – kiek jie gali prarasti, jei rinka pajudės tam tikra kryptimi. Tradiciškai tai buvo daroma naudojant statistinius modelius, kurie turėjo daug prielaidų ir apribojimų. DI modeliai gali simuliuoti tūkstančius scenarijų, atsižvelgti į nelinijines priklausomybes ir pateikti kur kas tikslesnį rizikos vaizdą.
Bet čia yra ir sisteminė rizika. Kai daugelis bankų naudoja panašius DI modelius, gali susidaryti situacija, kai visi jie vienu metu priima tuos pačius sprendimus – visi parduoda tuo pačiu metu, kas sukelia rinkos žlugimą. Tai vadinama „flash crash” reiškiniu, ir jis jau buvo stebėtas kelis kartus. 2010 metų „Flash Crash” per kelias minutes ištrynė beveik trilijoną dolerių rinkos vertės, kol algoritmai susitvarkė.
Reguliavimas ir etika – kas prižiūri prižiūrėtojus
Bankininkystė yra viena labiausiai reguliuojamų industrijų pasaulyje, ir tai yra visiškai pagrįsta – kai kalbame apie žmonių santaupas ir finansinį stabilumą, reikia griežtų taisyklių. Bet DI kelia naujus iššūkius reguliuotojams, kurie dažnai atsilieka nuo technologijų raidos.
Europos Sąjunga su savo AI Act bando sukurti išsamų reguliavimo pagrindą. Bankininkystės DI sistemos, ypač tos, kurios priima sprendimus dėl kreditų ar draudimo, patenka į „didelės rizikos” kategoriją, kas reiškia griežtus reikalavimus skaidrumui, testavimui ir žmogiškam prižiūrėjimui. Tai yra teisingas žingsnis, bet įgyvendinimas bus sudėtingas.
Yra kelios pagrindinės etinės problemos, kurias bankai turi spręsti:
- Paaiškiamumas: Klientas turi teisę suprasti, kodėl buvo priimtas tam tikras sprendimas. Bet kaip paaiškinti sprendimą, kurį priėmė neuroninis tinklas su milijonais parametrų?
- Šališkumas: Kaip užtikrinti, kad modeliai nediskriminuoja tam tikrų grupių, net jei to nėra tiesiogiai programuota?
- Duomenų privatumas: Kiek duomenų apie klientus bankai gali naudoti DI modeliams treniruoti?
- Atsakomybė: Kas yra atsakingas, kai DI sistema padaro klaidą – bankas, technologijų tiekėjas, ar modelio kūrėjai?
Šie klausimai neturi paprastų atsakymų, ir industrijoje vyksta aktyvios diskusijos. Kai kurie bankai kuria etikos komitetus ir DI atsakomybės sistemas, bet tai vis dar yra labiau savanoriška praktika nei standartizuotas reikalavimas.
Lietuvos ir Baltijos bankų situacija – kur mes esame
Kalbant apie Lietuvą ir platesnį Baltijos regioną, situacija yra įdomi. Iš vienos pusės, Lietuva turi vieną iš labiausiai išvystytų fintech ekosistemų Europoje – Vilnius yra tapęs reikšmingu fintech centru, čia veikia daugiau nei 200 licencijuotų finansinių institucijų. Tai sukuria aplinką, kur DI inovacijos gali vystytis greičiau nei tradicinėse rinkose.
Didieji bankai, veikiantys Lietuvoje – Swedbank, SEB, Luminor – yra Skandinavijos ir tarptautinių grupių dalis, todėl naudoja tuos pačius DI sprendimus, kurie yra diegiami visoje grupėje. Tai reiškia, kad Lietuvos klientai gauna prieigą prie modernių sukčiavimo aptikimo sistemų, DI pagrįstų pokalbių asistentų ir automatizuotų kreditavimo procesų.
Tačiau yra ir specifinių iššūkių. Mažesnės rinkos reiškia mažiau duomenų modeliams treniruoti – o DI modeliai veikia geriau, kai turi daugiau duomenų. Lietuviška kalba taip pat yra iššūkis – natūralios kalbos apdorojimo modeliai veikia kur kas geriau anglų ar ispanų kalbomis nei lietuvių, kuri yra kur kas mažiau reprezentuota treniravimo duomenyse.
Lietuvos bankas, kaip reguliuotojas, aktyviai stebi DI vystymąsi ir yra paskelbęs gaires dėl atsakingo DI naudojimo finansų sektoriuje. Tai yra teigiamas ženklas, rodantis, kad reguliuotojai supranta technologijų svarbą ir stengiasi sukurti tinkamą pagrindą.
Kai pinigai susitinka su algoritmais – kur viskas juda
Žvelgiant į tai, kur DI bankininkystė juda artimiausiais metais, kelios tendencijos atrodo aiškios. Pirmiausia – hiperindividualizacija. Bankai jau dabar renka milžiniškus duomenų kiekius apie klientų elgesį, ir DI leis juos naudoti kur kas efektyviau. Tai reiškia produktus ir paslaugas, kurie bus pritaikyti konkrečiam žmogui – ne tik „jaunimo sąskaita” ar „pensijų planas”, bet kažkas, kas tiksliai atitinka jūsų finansinę situaciją ir tikslus.
Antra tendencija – „embedded finance”, kai finansinės paslaugos integruojamos į nebankinius produktus. Jau dabar galite gauti paskolą pirkdami prekę „Amazon” ar naudotis draudimu per „Uber”. DI daro šią integraciją sklandesnę ir greitesnę – sprendimas priimamas per sekundes, be jokio popierizmo.
Trečia – kvantinius kompiuterius ir DI derinys. Tai dar yra ateities perspektyva, bet kai kvantiniai kompiuteriai taps praktiškai prieinami, jie galės treniruoti kur kas sudėtingesnius modelius ir spręsti problemas, kurios šiandien yra per sudėtingos. Tuo pačiu tai kels naujų iššūkių – dabartiniai šifravimo metodai, kuriais remiasi bankininkystės saugumas, gali tapti pažeidžiami.
Svarbiausia, ką reikia suprasti – DI bankininkystėje nėra kažkokia atskira technologija, kurią galima įdiegti ir pamiršti. Tai nuolat besivystantis procesas, reikalaujantis nuolatinio stebėjimo, koregavimo ir etinio vertinimo. Bankai, kurie tai supranta ir investuoja ne tik į technologijas, bet ir į žmones bei procesus, kurie prižiūri šias sistemas, bus tie, kurie sėkmingai naviguos šiame naujame kraštovaizdyje. O klientams – verta domėtis, suprasti ir aktyviai naudotis savo teisėmis šiame vis labiau algoritminiame finansų pasaulyje. Nes algoritmai gali būti labai galingi, bet jie vis dar tarnauja žmonėms – bent jau taip turėtų būti.
