Вештачката интелигенција престана да биде футуристички концепт во финансискиот сектор и денес е оперативна алатка што ги менува кредитните процеси, управувањето со ризици и искуството на клиентите. Сепак, постои клучна разлика помеѓу медиумската возбуда и реалните деловни резултати: конкретни случаи на употреба и мерлив поврат на инвестицијата.
Во интервју за Bloomberg Adria, Дамир Вукотиќ, партнер во Deloitte Central Europe South, зборува за тоа како банките и финтек компаниите во регионот се движат од експериментирање кон реални имплементации, кои технологии веќе донесоа вредност и каде вештачката интелигенција ќе ги трансформира финансиските услуги најбрзо во следните три до пет години.
Кои се најзрелите случаи на примена на вештачката интелигенција што денес ги имплементирате во банките од кластерот CE South (на пример: спречување измами/ AML, колекции, рано предупредување, помошни функции IFRS9/IRB, сценарија за климатски ризик)? Кој е заедничкиот образец на проектите што навистина донеле мерлива бенефиција во добивката и загубата (P&L) или во намалувањето на ризично пондерираната актива (RWA)?
Во банките од регионот денес најзрелите случаи на примена на вештачката интелигенција се развиваат токму таму каде што се спојуваат класичните процеси за управување со ризик и напредната аналитика на однесувањето. Најголем напредок гледаме во мониторингот на трансакциите и во AML, каде што моделите како Peer Group Outlier Detection и Anomaly Detection значително го намалуваат бројот на „лажно позитивни“ предупредувања и ја забрзуваат обработката на случаите. Во кредитните процеси, ВИ-агентите се користат за автоматизација на делови од KYC, проверка на негативни медиумски објави и подготовка на документација за одобрување кредит, додека во бихејвиоралното оценување (behavioural scoring) и во моделите за рано предупредување (early warning) помагаат за рано препознавање на ризиците во портфолиото.
Најбрзите мерливи резултати доаѓаат преку трошковните и оперативните ефекти – намалување на рачните проверки, подобро приоретизирање на случаите и пократок циклус од предупредување до одлука (alert-to-decision), што во практика се претвора во стабилна P&L бенефиција на среден рок. ВИ-проектите, по правило, секогаш се различни, а зависат од целите, внатрешниот контекст и зрелоста на организацијата и слично, но заедничкиот образец најчесто е комбинација од силен деловен спонзор, достапни и квалитетни податоци и итеративен пристап, кој во рок од три до шест месеци треба да покаже „доказ за вредност“ (proof of value). Онаму каде што проектите заглавуваат, причината речиси секогаш е недоволно развиена платформа за податоци или недостиг од јасно дефинирана сопственост и одговорност во самата банка.
Сепак, клучот на успехот не е само во технологијата туку и во луѓето што ја разбираат и користат. Успешните банки го комбинираат пристапот „човек во јамката“ (human-in-the-loop) или „човек над јамката“ (human-over-the-loop) – каде што моделите ја поддржуваат, но не ја заменуваат стручната процена – и создаваат култура во која податоците, ВИ-моделите и луѓето меѓусебно се дополнуваат. Во иднина „доверливата вештачка интелигенција“ (Trustworthy AI) сè повеќе ќе презема репетитивни задачи, но токму човечкото искуство, етиката и разбирањето на контекстот ќе останат клучни за квалитетни одлуки и одржлива доверба на клиентите.
Повеќето проекти застануваат на податоците и операционализацијата на моделите.
Како ги решавате основите на податоците/data foundation (квалитет, потекло, контролни рамки) и MLOps (мониторинг, отстапување, преквалификација) во банките? Кој е прагот кога препорачувате алатки за хиперскалирање (hyperscaler) наспроти „полесни“ платформи за помали институции?
Повеќето ВИ-проекти во банките не заглавуваат на моделите, туку на податоците и нивната операционализација. Затоа секогаш започнуваме од основата на податоците –јасно ги дефинираме изворите, квалитетот, потеклото (lineage), сопствениците и контролните точки на податоците, во согласност со стандардите BCBS 239 и RDARR. Иако BCBS 239 постои уште од 2013 година, денес повторно добива на значење, бидејќи станува едно од клучните надзорни очекувања.
Следниот чекор е да се воспостави рамката MLOps – систем за следење на перформансите на моделите, детекција на отстапување (drift) и периодична преквалификација (retraining) – било преку алатки како Azure ML и Databricks во поголемите институции, било преку „полесни“ решенија со отворен код (open-source) кај помалите. Клучно е моделите да бидат поврзани со бизнис-процесите, односно да создаваат конкретни активатори на одлуки (decision triggers), на пример во колекции (collections) или AML-предупредување (AML alerting).
Хиперскалирани решенија препорачуваме дури кога банката има повеќе модели во продукција, јасна амбиција за понатамошно проширување или високи барања за проверливост (auditability) и управување со ВИ (AI governance) – што станува сè поважно со примената на Законот за вештачка интелигенција на ЕУ (EU AI Act). Во другите случаи, доволно е да се започне постепено, според принципот „започнете со малку, растете брзо“ (start small, scale fast), и преку неколку конкретни случаи на примена (use-case) да се градат податочните и оперативните капацитети.
Што реално менува генеративната ВИ (GenAI) во функциите на ризик во краток рок (12–18 месеци), а каде се границите на пристрасност (bias), халуцинации, ризик од моделот, интелектуална сопственост (IP) и заштита на податоците (data privacy)? Ако треба да изберете еден случај на примена (use-case) со докажлив поврат на инвестицијата (ROI) во фронт-офис или бек-офис, кој би бил тој и зошто?
На краток рок генеративната ВИ (GenAI) нема да ги промени темелните модели на ризик, но ќе ги промени начинот на кој работат тимовите за ризик и нивните процеси. Најголемиот напредок се случува во автоматизацијата на документацијата, анализите и подготовката на надзорните материјали, каде што генеративната ВИ (GenAI) веќе функционира како своевиден копилот. Највидливите промени се во областите AML и KYC, каде што помага во сумирањето на досиејата, приоритизирањето и подготовката на одговорите, како и во колекциите (collections), каде што генерира препораки и го персонализира пристапот кон клиентите.
Границите, иако наизглед јасно дефинирани, во практика не се едноставни – особено кога станува збор за пристрасност (bias), халуцинации, ризик од моделот, заштита на податоците и интелектуалната сопственост. Затоа се развиваат решенија во безбедни и регулаторно усогласени околини, со силен акцент на управувањето со ВИ (AI governance) и надзорот „човек во јамката“ (human-in-the-loop).
Кога би издвоил еден случај на примена со докажлив ефект, тоа би било рано предупредување (AI-driven Early Warning) и оркестрација на колекциите (Collections orchestration) – решение што овозможува побрзо препознавање на ризикот и персонализирани акции, го намалува оперативното оптоварување и носи конкретни резултати: повисоко закрепнување (cure-rate), пократко време на дејствување (time-to-action) и понизок трошок на ризик.
Но, вистинската вредност на генеративната ВИ (GenAI) не е само во ефикасноста туку и во трансформацијата на начинот на размислување за управување со ризици, кои стануваат сè покомплексни и пошироки. ВИ ни отвора можност ризик-функцијата да ја претвориме од реактивна во предиктивна и стратешка, способна не само да го мери ризикот туку и да го предвидува и симулира и да управува со него речиси во реално време. Тоа е патот кон нова генерација на управување со ризици - онаа во која технологијата е алатка, а стратешкото разбирање на ризикот станува конкурентска предност.
Разговорот за иновациите и трансформацијата на банкарството преку дигитални технологии продолжува совршено на Регионалната конференција за управување со ризици - Банкарство во ерата на вештачката интелигенција, што ќе се одржи на 28 ноември во Сараево.
.webp){kind=icon}
