X Международная студенческая научная конференция Студенческий научный форум - 2018

Согласно проведенным исследованиям, понятиеискусственного интеллектапоявилось более 60 лет назад и описывается, как разработка компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта. Хотя многое еще впереди, уже существуют собственные банковские приложения, использующие искусственный интеллект для взаимодействия с клиентами и адаптируются к их потребностям. Банки используют системы ИИ для организации своих операций, инвестирования средств в ценные бумаги и управление различными процессами, например, как средство для управления рисками, связанными с незаконными действиями инсайдеров. Есть даже фонды, которые проводят инвестирование с помощью роботов консультантов, такие «консультанты» в зависимости от информации в их распоряжении, автоматически решают, какие инвестиции в настоящий момент являются лучшими. [1].

В этом контексте, следует отметить, что уже в августе 2001 года при моделировании торговой конкуренции на финансовых рынках, роботы превзошли человека.Согласно СНБиСи (CNBC), только за последние два года в ИИ было инвестировано около 700 миллионов долларов. Произошедшие изменения показали огромный потенциал технологии для увеличения доходов, сокращения расходов и минимизации рисков.

Уже существуют инструменты в банковском сервисе, которые используют ИИ: [1].

1. Касисто (Kasisto): — личный виртуальный помощник, похожий на известного ассистента от Эпл (Apple), Сири (Siri), но специализирующийся в области финансов и торговли. Благодаря этому инструменту, мы можем поддерживать разумные беседы о наших личных финансах и покупках, голосом или текстом, с любого мобильного устройства. Теперь, вместо того, чтобы просматривать различные разделы приложения мобильного банкинга, чтобы найти необходимую информацию, мы можем просто спросить Kasisto и получить быстрый ответ. Например, — Сколько мы потратили в конкретном месте в прошлом месяце или в этом? Сколько должны по нашей кредитной карте? Или, -когда крайний срок оплаты? Компания, которая создала это чудо, называемое также- Kasisto. Она была основана в 2013 году и является спин-офф «SRI International», создателя Siri. Цель: предложить финансовым учреждениям возможность легко добавлять персональные помощники в свои виртуальные приложения для мобильного банкинга. Их клиентами являются, например, BBVA и Well Fargo.

2.Moneystream: это бесплатный инструмент, разработанный одним из стартапов Кремниевой долины с аналогичным именем, который делает мобильный Банк более понятным через подключение к банковским счетам и формирует различные графики, на которых можем увидеть всю нашу финансовую информацию (доходы, периодические расходы, движения по кредитной карте, займы и т. д.). Кроме того, приложение использует технологию искусственного интеллекта, чтобы предвидеть наши потребности и предупредить о предстоящих платежах или действиях, которые мы должны реализовать; к тому же предупреждает по электронной почте или sms о любой необычной активности.

Инструмент данного типа является идеальным, например, для небольших компаний или фрилансеров с несколькими заказчиками , которые имеют различные циклы выставления счетов и платежей. Недавно, его создатели включили новую функцию- Фаунд Моней (Found Money), позволяющую экономить деньги на оплату интернета, телефона, воды и т.д. Достаточно связать с MoneyStream квитанции этих услуг и инструмент будет анализировать счета и договора для получения скидки или лучшего тарифа; все это, в обмен на 1/3 той экономии, которую он сделал.

3.Кошелек.ИИ: все еще находится в стадии тестирования, но обещает стать портфелем, который поможет делать покупки более разумно. Приложение собирает (при условии, что мы дали соответствующее разрешение) всю имеющуюся информацию о нас в наших телефонах и других мобильных устройствах –от информации о банковских счетах до профиля в социальных сетях, чтобы затем давать нам советы в реальном времени при покупках на основе всей этой информации. Например, если мы идем в магазин, и продукт привлекает наше внимание, приложение может отправить предупреждение, порекомендовав не покупать его, либо потому, что осталось мало денег на счету или потому, что завтра предусмотрен важный платеж, или потому, что обнаружила, что есть еще одна покупка, более приоритетная для потребностей, интересов и даже вкусов. Также анализируется с кем мы проводим наше время и как в этот момент тратим свои деньги. В зависимости от этого, даже может рекомендовать не устраивать выход с определенными людьми в определенное время, чтобы не тратить деньги необходимые нам для чего-то очень важного.

Кроме упомянутых инициативы, безусловно, будут и другие, которые еще не вышли в свет. Например, в середине прошлого года, Дерек Уайт (Derek White), из Barcleys, признался журналисту CNBC в интервью на Лондонской технологической неделе (London Technology Week), что банк пытается разработать приложение, с помощью которого пользователи смогут выполнять различные банковские операции с помощью голосовых команд. Уайт привел пример ассистентов Siri от Apple и Echo от Amazon, так что можно предположить, что они разрабатывают что-то похожее на Kasisto.

Другой банк, Шотландский Королевский Банк (Royal Bank of Scotland), проанонсировал в начале марта ввод в эксплуатацию системы искусственного интеллекта для внутреннего использования, которая называется Luvo Robot, целью которого будет помощь сотрудникам банка в консультирование клиентов из сектора малого бизнеса.

Что касается финтеха сектора кредитования, в основном, машинное обучение используют как средство анализа, прогнозирования и автоматизированной системы принятия решений, для построения моделей кредитного риска и предсказание «мусорных» займов (без выплаты). Некоторые из них: [2].

Лендинг Клаб (Lending Club): веб-платформа кредитования, которая связывает заемщиков и инвесторов, на сегодняшний день является самым большим рынком онлайн-кредитования мире. Использует машинное обучение для выявления возможных «мусорных» кредитов.

Кэбейдж (Kabbage): финтех со штаб-квартирой в Атланте, предоставляющий непосредственное финансирование малым предприятиям и рядовым потребителям, через автоматизированную веб-платформу кредитования. Использует машинное обучение и анализ больших объемов данных (big data) для создания моделей кредитных рисков и анализа портфеля.

ЛендАп (LendUp): LendUp- финтех компания, специализирующаяся на кредитовании в виде авансов до заработной платы. Недавно открыла свой API, так что другие предприятия могут предлагать через нее аналогичные услуги. Использует машинное обучение для выявления среди своих клиентов 15% тех, кто с наибольшей вероятностью вернет кредит.

Зест Финанс (ZestFinance): финтех, который использует технологию для подготовки автоматических кредитных рейтингов. В частности, использует машинное обучение и анализ больших данных (big data), чтобы решение было принято максимально быстро и точно.

Афирм (Affirm): платформы для онлайн-платежей, которая позволяет пользователям получать быстрые кредиты в момент совершения покупки в определенных Интернет-магазинах. В этом контексте, рекламируют себя в качестве альтернативы кредитным картам. Используют модели машинного обучения и анализа big data для выполнения классификации кредитов и защиты от мошенничества.

Проспер Дейли (Prosper Daily): в прошлом Бил Гуард (BillGuard), считающийся одним из лучших мобильных приложений для учета личных финансов. Использовании интеллектуального анализа больших данных (big data) и алгоритмов машинного обучения, чтобы бесплатно предоставить пользователям кредитную классификацию в Интернете и предупредить их в режиме реального времени, о мошеннических действиях с их счетами и кредитными картами.

Технологии меняют поведение пользователей. Это особенно заметно в банковском бизнесе. И машинное обучение может произвести настоящую революцию благодаря своей способности самостоятельно обучаться на массивах данных и выявлять закономерности и взаимосвязи. Оно может значительно повысить эффективность таких процессов как управление рисками, выявление мошенничества, борьба с отмыванием денег, трейдинг и клиентский сервис, т.к. способно в режиме реального времени выдавать индивидуальные рекомендации, аналитику и обоснованные решения различных задач. Новые возможности помогут банкам поднять свой доход за счёт снижения издержек, повышения продуктивности и более точного выполнения требований регулятора. Однако для этого крайне важно понимать особенности машинного обучения, разработать стратегию их внедрения, обеспечить доступность информации и организовать управление и контроль за изменениями, которые привнесёт искусственный интеллект.

Список литературы:

1. Банковские риски : учебник / под ред. О. И. Лаврушина, Н. И. Валенцовой. –3-е изд., перераб. и доп. – М. : КНОРУС, 2013. – 292 с.

2. Банковское дело : учеб. для бакалавров / под ред. Е. Ф. Жукова, Ю. А. Соколова. – М. : Юрайт, 2012. – 590 с.

3 Банковское право Российской Федерации : учеб. пособие / отв. ред. Е. Ю. Грачева. – 2-е изд., перераб. и доп. – М. : НОРМА : ИНФРА-М, 2013. – 399 с.

4. Банковское право: учебник для магистров.- 3-е изд., перераб. и доп. / под ред. Д.Г. Алексеевой, С.В. Пыхтина.– М.: Юрайт, 2012.- 1055с.

5 Белоглазова Г.Н., Кроливецкая Л.П. Банковское дело организация деятельности коммерческого банка. Учебник для вузов. — М.:Издательство Юрайт, 2011 г. — 422 с.

6 Букин С. Безопасность банковской деятельности: Учебное пособие. — СПб.: Питер, 2011 г. 288 с.

Код для цитирования: Скопировать