Pojęcie „sztucznej inteligencji”, mimo powszechności używania tego terminu, nie jest łatwe do zdefiniowania. Wynika to przede wszystkim z braku jasnej i precyzyjnej definicji samej inteligencji. Występuje cały szereg różnych prób jej zdefiniowania. Według Stern’a inteligencja to ogólna zdolność adaptacji do nowych warunków i wykonywania nowych zadań. Spearman uważał, iż inteligencja to pewna umiejętność dostrzegania zależności i relacji, Ferguson zaś, iż jest to zdolność uczenia się. Inteligencja jest zdolnością do przetwarzania informacji na poziomie koncepcji mających znamiona abstrakcji. Jest pewną zdolnością do twórczego przetwarzania informacji, nie tylko mechanicznym jej przetwarzaniem. Pod koniec ubiegłego stulecia pojęcie to sprowadzano jedynie do posiadania zdolności intelektualnych. Współczesne postrzeganie inteligencji rozumiane jest jako zdolność do współdziałania ze zdolnościami kreowanymi w sferze emocjonalnej, motywacyjnej, czy też interpersonalnej ludzkiej psychiki.

Po raz pierwszy termin „sztuczna inteligencja” został zaproponowany i zdefiniowany w roku 1955 przez Johna McCarthy’ego. Ogólnie rzecz ujmując, sztuczna inteligencja (ang. artificial intelligence, AI), to dział informatyki zajmujący się konstruowaniem maszyn i algorytmów, których działanie posiada znamiona inteligencji. Rozumie się przez to zdolność do samorzutnego przystosowywania się do zmiennych warunków, podejmowania skomplikowanych decyzji, uczenia się, rozumowania abstrakcyjnego, itp. Przedmiotem sztucznej inteligencji jest badanie i określanie reguł rządzących inteligentnymi zachowaniami człowieka i wykorzystanie ich w algorytmach i programach komputerowych potrafiących te zasady wykorzystywać. Przykładem takich rozwiązań są dość powszechnie stosowane programy do rozpoznawania tekstów, obrazów, dźwięków, translatory, dowodzenie twierdzeń logiki i matematyki, uczenie maszyn, gry symulacyjne.

Obecnie istnieją dwa podejścia do zagadnień sztucznej inteligencji.

• „Silna” sztuczna inteligencja - system inteligentny, to taki, który jest bezpośrednim odzwierciedleniem inteligencji człowieka.
• „Słaba” sztuczna inteligencja - system inteligentny, to taki, który działa racjonalnie (koncepcja systemowa).

Powstające obecnie aplikacje cyfrowe są coraz bardziej złożone i coraz bardziej inteligentne. Specjaliści z branży IT twierdzą, że zbliża się dzień, w którym maszyny staną się bardziej inteligentne od ludzi. W Stanach Zjednoczonych sztuczna inteligencja jest już wykorzystywana do opracowywania dokumentów prawnych, a lekarze stosują AI jako pomoc w diagnozowaniu i leczeniu. W ciągu najbliższych 10–30 lat roboty AI mogą zastąpić pracowników w wielu zawodach, np. mogą pełnić rolę konsultanta w banku czy recepcjonisty w hotelu. Już teraz zaawansowane algorytmy sztucznej inteligencji pomagają w podejmowaniu lepszych decyzji inwestycyjnych.

Sektorem, w którym widać szybki rozwój AI są szeroko pojęte finanse. AI jest wykorzystywana w sektorze finansowym na coraz szerszą skalę – USA i Wielka Brytania wiodą prym w tym zakresie. Maszyny sugerują jakie działania warto podjąć, analizując wiek, potrzeby finansowe, dochody i chęć do ryzyka klienta. Korzystając z robotów można znacząco obniżyć koszty prowadzenia działalności oraz zwiększyć skuteczność inwestycji.

Ponadto bankowość mobilna jest najszybciej rozwijającą się częścią sektora. Z badania NBP przeprowadzonego we wrześniu 2016 roku wynika, że z bankowości mobilnej czynnie korzysta 6,6 mln Polaków. Na razie to 17,4 proc. populacji. Jednak już w grupie wiekowej 25–39 lat odsetek osób używających urządzeń mobilnych do obsługi konta wynosi 30,3 proc., natomiast wśród 18–24-latków jest minimalnie wyższy – 30,5 proc. Jednak w tej ostatniej grupie własnym lub współdzielonym kontem dysponuje jedynie 58 proc. badanych (w następnej według starszeństwa grupie konto ma aż 94 proc.) i zapewne odsetek ten w ciągu kilku lat wzrośnie. Natomiast to właśnie najmłodsi wykazują najwyższy współczynnik korzystania z bankowości mobilnej: 59 proc. posiadających dostęp do konta internetowego aktywnie łączy się z nim poprzez urządzenia mobilne (35 proc. w starszej grupie).

Nic zatem dziwnego, że coraz więcej firm sektora finansowego prowadzi eksperymenty na polu sztucznej inteligencji. Uczenie maszynowe zapowiada poważne zmiany w dużych obszarach finansów, wkracza bowiem do różnych dziedzin – od oceny zdolności kredytowej do prewencji oszustwa. Innowacyjne firmy z branży fintech (sektor gospodarki obejmujący przedsiębiorstwa operujące w branży finansowej oraz technologicznej) i kilka sprawnych przedsiębiorstw od dawna działających na rynku zaczęło stosować tę technikę do wszystkiego – od ochrony przed nadużyciami do poszukiwania nowych strategii handlu.

Uczenie maszynowe jest już w znacznym stopniu wykorzystywane do takich zadań, jak zgodność z przepisami, zarządzanie ryzykiem i zapobieganie nadużyciom. Uczenie maszynowe przoduje ponadto w wykrywaniu nietypowych wzorców transakcji, które mogą wskazywać na nadużycia. Przetwarzanie języka naturalnego, w którym systemy oparte na AI są uwalniane do pracy nad tekstem, zaczyna mieć duży wpływ na obszary finansów znacznie obciążone dokumentacją. Uczenie maszynowe jest również dobrym narzędziem automatyzacji decyzji finansowych służącym do oceny zdolności kredytowej lub spełniania kryteriów przyznania polisy ubezpieczeniowej. Prawdopodobnie najnowszym niezdobytym obszarem dla uczenia maszynowego są transakcje giełdowe, w których metoda ta jest wykorzystywana zarówno do przetwarzania danych rynkowych, jak i do wyboru i obrotu portfelami papierów wartościowych.

Według KPMG  45% a może nawet i 75% prac w finansowym sektorze będzie wykonywane przez roboty w najbliższych 15 latach. Mówiąc bardziej precyzyjnie, przez tak zwany Robotic Process Automation (RPA). RPA to rodzaj cyfryzacji pracy, który ma na celu wyręczenie lub wsparcie pracownika w części realizowanych przez niego zadań. Obecnie na świecie obserwujemy znaczące inwestycje w tym obszarze dokonywane przez instytucje finansowe, firmy telekomunikacyjne oraz centra BPO.

Czynnikiem sprzyjającym ekspansji RPA jest rozwój i dojrzałość technologii. Robotyzację, jako sposób optymalizacji procesów, należy podzielić na trzy główne klasy:

• Klasa 1 (Robotic Process Automation) – pozwala na automatyzację procesów opartych na regułach i danych ustrukturyzowanych, np. procesy transakcyjne o dużych wolumenach, księgowość, przenoszenie danych, czyli masowe zadania typu swivel chair, wymagające wykorzystania kilku ekranów/systemów.
• Klasa 2 (rozszerzona automatyzacja procesów) – pozwala na automatyzację procesów podobnych do tych w klasie 1, ale z uwzględnieniem ograniczonej możliwości nauki robota i pracy z nieustrukturyzowanymi danymi, które robot uczy się obsługiwać.
• Klasa 3 (automatyzacja poznawcza – inteligentne maszyny) – obejmuje roboty dysponujące inteligencją zbliżoną do ludzkiej, którą można wykorzystywać do uczenia się i wspierania procesów decyzyjnych, a nie jedynie dostarczania i syntezowania danych, jak w pozostałych klasach.

Klasy robotyzacji procesów

Źródło: Raport Audyt i doradztwo w instytucji finansowej: Automatyzacja procesów bankowych z wykorzystaniem Robotic Process Automation, BANK 07-08/2016.

Rozwiązania RPA nie dotykają „logiki” wykonywanych procesów i z tego względu zaliczane są do tzw. „IT wagi lekkiej”, które zawiera w sobie oprogramowanie używane jako wsparcie operacji, zazwyczaj pod kontrolą departamentów biznesowych i operacyjnych. Przy poprawnym skonfigurowaniu takiego wirtualnego „pracownika”, będzie on pracował kilka razy szybciej i bezbłędnie, pozostawiając ludziom wyłącznie przypadki niestandardowe, w których niezbędne są doświadczenie i wiedza ekspercka. Już zastosowanie rozwiązań RPA Klasy 1 pozwala organizacji osiągnąć szereg korzyści. Są nimi m.in.:

• przyspieszenie procesów i zwiększenie produktywności poprzez możliwości pracy w systemie 24/7,
• eliminacja błędów,
• zapewnienie powtarzalności procesów,
• redukcja pracochłonności związanej z kontrolą pracy człowieka oraz poprawianiem błędów, a dzięki temu ograniczenie kosztów wynagrodzeń oraz kosztów dodatkowych, takich jak koszt powierzchni biurowej itp.

Poprawa efektywności procesu może w zależności od specyfiki operacji wynosić od 40 do 70%. Często występują przypadki przekraczające ten poziom.

Dotychczasowe wdrożenia rozwiązań typu RPA potwierdzają ich potencjał w zakresie poprawy efektywności procesów. Wdrożenia generują wielomilionowe oszczędności. Coraz częściej można zaobserwować podejście zarządzających w bankach, którzy zaczynają traktować RPA jako DNA firmy i dokonują szerokiej transformacji modeli operacyjnych. Instytucje finansowe coraz częściej upatrują w zastosowaniu RPA nie tylko poprawy efektywności działania, ale i możliwość przesunięcia zasobów ludzkich do bezpośredniej obsługi klienta, poprawiając Customer Experience.

Podsumowując, sztuczna inteligencja może się okazać tym, czego banki potrzebują, aby polepszyć swoją pozycję wśród nowych konkurentów. W sektorze, którego istotną częścią są kontakty międzyludzkie, rozpoczęły się zmiany w kwestii podejścia do obsługi klienta. Usługami o wysokiej wartości zajmują się bezpośrednio profesjonaliści zatrudniani przez bank, a sprawy prostsze, takie jak zakładanie kont czy udzielanie pożyczek zaczynają być kierowane w stronę samoobsługi, również za pomocą sztucznej inteligencji.

Autor: dr Łukasz Kryśkiewicz, pracownik Ministerstwa Cyfryzacji

Źródła:

1. Duch W., Fascynujący świat komputerów, Wyd. Nakom, 1997.
2. Gospodarka w wydaniu cyfrowym. Relacja z targów CeBIT 2017, http://automatykaonline.pl/Z-branzy/Gospodarka-w-wydaniu-cyfrowym.-Relacja-z-targow-CeBIT-2017
3. http://encyklopedia.pwn.pl/30489_1.html 11.
4. Kasperski M. J., Sztuczna Inteligencja, Helion, 2003.
5. Raport Audyt i doradztwo w instytucji finansowej: Automatyzacja procesów bankowych z wykorzystaniem Robotic Process Automation, BANK 07-08/2016.
6. Sztuczna inteligencja wkracza w świat finansów, https://www.obserwatorfinansowy.pl/tematyka/bankowosc/sztuczna-inteligencja-wkracza-w-swiat-finansow/