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