Перспективы применения методов искусственного интеллекта в сфере банковских услуг
"Научный аспект №6-2024" - Экономика и менеджмент
УДК 336.71
Пиликина Елена Анатольевна – старший преподаватель кафедры Интеллектуальных систем автоматизированного управления Санкт-Петербургского университета телекоммуникаций
Михайлов Василий Дмитриевич – ассистент кафедры Интеллектуальных систем автоматизированного управления Санкт-Петербургского университета телекоммуникаций
Аннотация: В статье рассмотрено применение искусственного интеллекта (ИИ) в банковской сфере. Обоснован потенциал ИИ в цифровой трансформации банковского сектора. Исследована структура банковских услуг, с целью выявления областей, имеющих высокий потенциал развития ИИ. Рассмотрены возможности интеграции ИИ в различные области банковского дела. Особое внимание уделено применению интеллектуального регрессионного анализа, технологий глубокого обучения и обработки естественного языка, особо подчеркнута значимость ИИ для банковской сферы и даны прогнозы относительно дальнейшего развития и интеграции ИИ-технологий в банковские процессы.
Ключевые слова: искусственный интеллект, глубокое обучение, регрессионный анализ, обработка естественного языка, банк, банковские услуги.
Одним из вызовов современной экономики является рост объемов применения ИИ. На данный момент в значительной части сфер деятельности можно обнаружить инструменты, имеющие признаки или элементы ИИ. Эта тенденция не обошла стороной и сферу банковских услуг, являющуюся неотъемлемой частью экономики. На данный момент известно о ряде сформировавшихся в отрасли подходов к применению ИИ, способствующих росту безопасности, быстродействия и надежности финансовых операций, предоставлению широкого спектра цифровых услуг клиентам[1]. Несмотря на значительное ускорение внедрения технологий ИИ в данную сферу и усилия, предпринимаемые ведущими участниками рынка банковских услуг, специализированные интеллектуальные системы находятся на этапе своего становления. Сейчас перед банковской сферой стоит ряд задач, связанных с поиском новых возможностей внедрения ИИ и его эффективным применением. Предметом данной статьи является выявление перспективных направлений развития систем ИИ на основании анализа применимости различных моделей к задачам банковской сферы [2]. В ней ИИ рассматривается как свойство технических систем выполнять функции, считающиеся присущими живым организмам, прежде всего человеку.
Структура сферы искусственного интеллекта
Прикладной ИИ представляет собой ряд технологий в рамках общего подхода. В данное понятие заложена возможность использования широкого спектра методов, ряд которых периодически пополняется. В статье рассмотрены сформированные и применяемые на данных момент методы ИИ. Машинное обучение представляет собой класс методов ИИ, основным признаком, которого является обучение информационной модели с помощью совокупности специфических данных [3]. Методы машинного обучения применяются в задачах, результаты и процесс решения которых могут быть представлены в виде набора данных, достаточного для обучения модели. В данной статье рассмотрены такие технологии машинного обучения как регрессионный анализ, понижение размерностей, кластеризация, нейронные сети, глубокое обучение.
К следующей группе отнесены методы обработки естественного языка, которые работают непосредственно с текстовыми источниками и способны выстраивать на их основе семантические модели. Ключевыми технологиями в этом случае являются: генерация текстов, ведение диалога, машинный перевод, извлечение содержимого, классификация.
Экспертные системы отличаются тем, что в основе их создания лежат готовые экспертные знания, формализованные для обработки машинным способом. Ключевой особенностью разработки экспертных систем является создание цифровых моделей области знания и их настройка с целью достижения возможности получения информации, пригодной для обработки и последующего формирования однозначных суждений.
Названные выше методы ИИ рассмотрены в контексте применения в отрасли банковских услуг. Они разделены на уровни и представлены в виде структуры, приведенной на рисунке 1.
Рисунок 1. Структура ИИ.
Применение каждого из данных методов требует определенных условий и оправдано для решения специфичных задач. В рамках ИИ выделена совокупность основных присущих ему интеллектуальных действий. Для поиска областей, наиболее перспективных для внедрения ИИ были приведены оценки применимости данных действий, основанные на изучении направленности существующих программных продуктов, работающих с данной технологией. Степень применимости технологий, включенных в исследование к перечисленным интеллектуальным действиям, разделена на три уровня: низкая, средняя и высокая. Результат представлен в таблице 1.
Таблица 1. Коэффициенты применимости.
№ |
Технология
Действие |
регрессионный анализ |
деревья решений |
понижение размерностей |
кластеризация |
нейронные сети |
глубокое обучение |
экспертные системы |
1 |
Распознавание образов |
Низк. |
Сред. |
Выс. |
Выс. |
Выс. |
Выс. |
Низк. |
2 |
Обработка ест. языка |
Сред. |
Низк. |
Низк. |
Выс. |
Выс. |
Выс. |
Низк. |
3 |
Классификация |
Выс. |
Выс. |
Выс. |
Выс. |
Выс. |
Выс. |
Сред. |
4 |
Решение задач |
Выс. |
Выс. |
Сред. |
Сред. |
Сред. |
Сред. |
Сред. |
5 |
Автоматизация |
Сред. |
Низк. |
Низк. |
Выс. |
Сред. |
Выс. |
Сред. |
6 |
Анализ данных |
Выс. |
Выс. |
Выс. |
Выс. |
Сред. |
Сред. |
Сред. |
7 |
Прогнозирование |
Выс. |
Выс. |
Сред. |
Низк. |
Низк. |
Сред. |
Сред. |
Данная структура создана для проведения анализа использования технологий ИИ и поиска численных значений перспективности данных направлений.
Структура сферы банковских услуг
В современных условиях банковская сфера вышла далеко за пределы своего традиционной области интересов. Ширина деятельности банковских организаций требует от них применения передовых методов ведения хозяйственной деятельности для сохранения конкурентоспособности и охвата вновь возникающих областей капиталовложений [4]. Эта ситуация стала причиной ускоренного развития финансовых технологий, наблюдаемого в последнее десятилетие. Прикладной ИИ в современном виде не является исключением, его применение в банковской сфере позволяет открывать новые возможности управления, анализа и взаимодействия с контрагентами [5]. Важной частью процесса поиска перспективных направлений использования ИИ является создание общей структуры деятельности финансовой организации.
В контексте данного исследования деятельность банковских организаций была разделена на пять основных видов: Правовое обеспечение, управление финансами, межбанковские взаимодействия, обслуживание клиентов, бухгалтерский учет.
В рамках каждого из видов деятельности рассмотрено несколько направлений, их полный перечень представлен в таблице 2.
Таблица 2. Деятельность организаций банковской сферы.
Направление деятельности |
Тип деятельности |
Вид деятельности |
Управление финансами |
Финансовое планирование |
Разработка финансовой модели банка |
Формирование прогнозного баланса ресурсов и вложений |
||
Расчет прогнозных финансовых результатов |
||
Расчет прогнозных показателей и нормативов |
||
Финансовое регулирование |
Оперативное управление прибыльностью банка |
|
Оперативное управление финансовыми рисками банка |
||
Финансовый контроль |
Контроль за соблюдением нормативов ликвидности банка |
|
Контроль за выполнением плановых заданий |
||
Финансовый анализ |
Определение показателей и нормативов деятельности банка, установленных внешними регулирующими органами |
|
Определение и анализ показателей, характеризующих процесс управления активами и обязательствами банка |
||
Управление активами |
Управление инвестициями |
Разработка инвестиционной стратегии |
Управление инвестиционным портфелем |
||
Управление рисками |
||
Консультирование клиентов |
Предоставление рекомендаций по инвестициям |
|
Разработка индивидуальных стратегий |
||
Межбанковские взаимодействия |
Межбанковские операции |
Кредитование и взаимное финансирование |
Корреспондентские отношения |
||
Межбанковские расчеты |
||
Партнерская деятельность |
Совместные инвестиции и консорциумы |
|
Обмен информацией и аналитика |
||
Борьба с финансовыми преступлениями |
||
Обслуживание клиентов |
Удаленное взаимодействие с клиентами |
Интернет-банкинг |
Мобильный банкинг |
||
Телефонный банкинг |
||
Управление кредитной политикой |
Определение целевых групп клиентов |
|
Оценка кредитоспособности заемщиков |
||
Отслеживание состояния кредитного портфеля |
||
Обеспечение безопасности |
Физическая безопасность |
Использование СКУД, технических средств наблюдения |
Управление персоналом |
||
Информационная безопасность |
Анализ сетевой инфраструктуры |
|
Защита данных |
||
Анализ программных продуктов |
||
Выявление подозрительной активности |
Каждому из перечисленных в таблице видов деятельности были присвоены коэффициенты требуемых интеллектуальных действий. Таким образом, технологии, получающие наибольшее число соответствий по коэффициентам, поднимаются в рейтинге совместимости с видом деятельности.
Поиск новых пространств применения ИИ в предметной области
В результате построения матрицы коэффициентов применимости получены показатели соответствия технологий видам деятельности финансовых организаций, выявлен ряд наиболее перспективных для внедрения и расширения применения ИИ видов деятельности. Описаны возможности реализации решений в современных технических и правовых условиях.
Первым из выявленных перспективных направлений является применение интеллектуального регрессионного анализа в кредитовании частных лиц и взаимном финансировании банковских организаций. В связи с быстрым ростом объемов данных, традиционные методы анализа и принятия решений теряют свою эффективность. Регрессионный анализ, на основе машинного обучения и ИИ, способен автоматизировать процесс кредитования и взаимного финансирования.
В интеллектуальном регрессионном анализе используются алгоритмы машинного обучения для моделирования и прогнозирования финансовых показателей финансовой организации и её контрагентов[6]. Одной из ключевых задач, решаемых в рамках регрессионного анализа, является оценка кредитоспособности заемщиков. В отличие от традиционных методов оценки, основанных на анализе финансовых показателей и кредитной истории, интеллектуальный регрессионный анализ позволяет улучшить точность оценки за счет использования многофакторных моделей и увеличения объема доступного для обработки массива исходных данных.
Ключевыми результатами применения анализа является построение многофакторных цифровых моделей финансового поведения заемщиков и кредиторов на основе данных, собранных из различных источников. На основании полученных данных строятся модели прогнозирования вероятности дефолта. Системное применение интеллектуального регрессионного анализа открывает возможности своевременной оптимизации условий кредитования за счет установления процентных ставок на основе анализа риска и доходности. Более того, процентная ставка для отдельных заемщиков может быть установлена индивидуально за счет полной автоматизации процесса сбора и анализа данных. На данный момент интеллектуальный регрессионный анализ имеет существенные перспективы развития в связи с развитием прикладного ИИ и усилением тенденций к ускорению изменений финансового рынка.
Второе перспективное направление развития состоит в создании инструментов управления инвестициями на базе технологии глубокого обучения. Главной особенностью управления инвестициями с помощью инструментов ИИ является возможность анализа больших объемов финансовых данных, новостей и отчетов, поступающих в реальном времени для формирования прогнозов.
Глубокое обучение моделей целесообразно производить на основе набора обучающих данных, строго привязанных ко времени поступления. При данном подходе модель формирует прогноз с определенным интервалом и через некоторое время получает действительный результат, который закрепляет или опровергает использованный для прогноза паттерн. При достаточном уровне развития модели управления инвестициями целесообразным становится её использование в автоматическом режиме, в связи с тем, что скорость принятия решений о совершении транзакций, может достигать уровня, недостижимого для человека.
Глубокое обучение дает возможность анализировать большие объемы данных, выявлять скрытые паттерны и тренды, прогнозировать рыночные движения. Применение глубокого обучения в инвестиционном анализе способствует принятию более обоснованных и эффективных решений, что способно повысить конкурентоспособность и устойчивость финансовых организаций в условиях быстро меняющегося рынка.
Третьим из найденных перспективных направлений является внедрение технологий обработки естественного языка в мобильный, телефонный и интернет-банкинг. В связи с повсеместным внедрением данной технологии и возрастающими запросами на её применение, внедрение в банковские цифровые продукты становится необходимой и своевременной мерой.
Интеграция чат-ботов и виртуальных ассистентов позволяет пользователям цифровых услуг банка получать ответы на вопросы, совершать финансовые операции и получать консультации в круглосуточном режиме. Собранная в результате взаимодействия совокупность данных применима для автоматического анализа запросов пользователей, что способствует развитию оперативного управления и планирования.
В телефонном банкинге данная технология обеспечивает ведение диалога с клиентом без участия оператора, преобразует голосовые запросы в текст, что ускоряет и упрощает взаимодействие с клиентами, может использоваться в системе аутентификации клиентов с помощью распознавания голоса и семантического анализа, что повышает уровень безопасности при проведении банковских операций.
Заключение
Использование ИИ в банковских системах имеет большой потенциал для развития. Оно позволяет автоматизировать процессы, повысить безопасность и участвовать в принятии решений. В ходе исследования было установлено, что внедрение ИИ позволяет оптимизировать внутренние процессы банков и улучшить качество обслуживания клиентов. Модели машинного обучения и алгоритмы глубокого обучения, будучи основой современных ИИ-систем, способны предоставить банкам инструменты для анализа больших данных, прогнозирования поведения клиентов и принятия обоснованных решений. Несмотря на многочисленные преимущества, использование ИИ в банковской сфере сталкивается с необходимостью обеспечения конфиденциальности данных, управления этическими аспектами применения ИИ и преодоления технологических барьеров, связанных с интеграцией новых систем в существующую инфраструктуру. Для успешной реализации технологий ИИ в банковском секторе необходим комплексный подход, включающий разработку соответствующей нормативно-правовой базы, обучение и подготовку кадров, а также сотрудничество с технологическими компаниями и исследовательскими учреждениями.
Список литературы
- AI Index Report//Stanford university 2024 502 с.
- Utpal ChakrabortyArtificial Intelligence for All: Transforming Every Aspect of Our Life //150 c.
- V.V.L.N. SastryArtificial Intelligence in Financial Services and Banking Industry//2020. 87 c.
- Tony BoobierAI and the Future of Banking//2020304 c.
- VINOD CHANDRA S.S.ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING. //449 c.
- Denis Rothman Artificial Intelligence By Example. // 490 c.