ИИ в банках
- Полезная информация -

Отставание во внедрении этих технологий может нанести серьезный удар по конкурентным позициям, но пока догнать лидеров можно без запредельного уровня инвестиций, пишет эксперт Станислав Волков на портале «Банковское Обозрение».

Среди лидеров в сфере искусственного интеллекта и машинного обучения (далее — ИИ) ожидаемо преобладают банки, специализирующиеся на обслуживании физлиц, но есть и универсальные кредитные организации (см. подготовленную на основе анкетирования классификацию банков в таблице). Банки-лидеры адаптировали под нужды ИИ свои IT-платформы, собрали сильные команды, организовали работу с данными, накопили опыт использования продвинутых алгоритмов машинного обучения. Если российская промышленность пока не может похвастаться успехами в области ИИ, то банковский сектор, во многом благодаря усилиям лидеров, не отстает от общемировой тенденции — банки все больше становятся похожи на технологические компании, только с жестким регулированием.

Классификация банков по уровню использования технологий ИИ

Класс (краткое название) Класс (полное название) Банки, включенные в класс

Значительно выше среднего

Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения значительно выше среднего уровня, характерного для крупных российских банков

Тинькофф Банк, Банк ГПБ, МТС Банк

Выше среднего

Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения выше среднего уровня, характерного для крупных российских банков, при наличии значимого потенциала в этой сфере

Московский кредитный банк, Банк «Русский Стандарт», Промсвязьбанк, Банк «Ренессанс Кредит»

Близок к среднему

Заявленный банком уровень использования технологий искусственного интеллекта и машинного обучения близок к среднему уровню, характерному для крупных российских банков

УБРиР, БКС Банк, Банк «ДельтаКредит», Банк «Открытие»

 

Пока российские банки чаще всего используют решения на основе ИИ при оценке кредитного риска и в смежных сферах (взыскание задолженности, выявление мошеннических транзакций), хотя лидеры этим уже не ограничиваются. В целом, кредитный скоринг в том или ином виде есть у всех банков, принявших участие в анкетировании. Далее идет близкая к кредитному анализу сфера взыскания задолженности, которую отметили две трети респондентов. Еще одно очень популярное направление — маркетинг, включая формирование индивидуальных предложений для клиентов. Работающее решение в области автоматизации колл-центров имеет только один банк из опрошенных, аналогичная ситуация — в области защиты информации.

ЧИТАЙТЕ ТАКЖЕ:  Новая реклама Модульбанка – о трудных буднях предпринимателя

В оценке кредитных рисков в банках еще доминируют линейные модели, в основном на базе логистической регрессии. Среди нелинейных моделей оценки кредитного риска наибольшей популярностью пользуются композиции решающих деревьев (случайный лес, градиентный бустинг). О применении нейронных сетей заявили только два банка из 11, принявших участие в анкетировании. Возможно, это связано с тем, что нейронные сети весьма требовательны к объему исходных данных, к тому же их сильным местом чаще называют распознавание образов, а не оценку рисков.

Наибольшего финансового эффекта от применения технологий ИИ российские банки ждут еще в таких сферах, как выявление мошеннических транзакций, взыскание задолженности и кредитный скоринг, — именно их респонденты чаще всего включали в тройку самых перспективных (см. график 1). Менее перспективны, по мнению опрошенных, автоматизация работы колл-центров с помощью чат-ботов, контроль за соблюдением Закона № 115-ФЗ, маркетинг и алгоритмическая торговля. Реже всего российские банки рассчитывают на значимый результат от использования ИИ в управлении персоналом, отслеживании информационного фона в отношении банка, удаленной идентификации клиентов. На наш взгляд, это связано не столько с неприменимостью ИИ в данных областях, сколько с трудностями оценки соответствующего финансового эффекта.

Области применения ИИ с наибольшим потенциалом

Применению технологий ИИ пока больше всего мешает разрозненность данных и информационных систем. Помимо этой причины среди ключевых проблем, затрудняющих использование ИИ, опрошенные банки чаще всего отмечали низкую вероятность валидации модели регулятором как основы IRB-подхода и сложности интерпретации результатов нелинейных моделей (см. график 2). Эти две проблемы тесно связаны — трудности в общении с регулятором зачастую вызваны тем, что у многих банков наилучшие результаты показывают скоринговые модели на основе нейронных сетей и композиций решающих деревьев, в то время как детальное описание соответствующих алгоритмов настолько сложно, что их часто называют черными ящиками.

Факторы, ограничивающие применение ИИ в банках

Гораздо реже опрошенные банки жалуются на недостаточность компетенций сотрудников или высокую стоимость решений. Вместе с тем в публичных выступлениях банковских специалистов нехватка кадров с требуемыми навыками часто выходит на первый план. Поэтому, преодолев препятствие в виде разрозненности данных, банки столкнутся с острым дефицитом персонала, способного обрабатывать эту информацию. Растущий интерес федеральных органов власти и Банка России к цифровизации сейчас усугубляет проблему с кадрами, но в перспективе может создать более благоприятную регулятивную среду, что очень важно для банков, внедряющих технологии ИИ. Хотя присутствие в госорганах специалистов из IT-компаний и банков не избавляет от неудачных инициатив в области регулирования, шансов выйти на правильное решение все же больше.

ЧИТАЙТЕ ТАКЖЕ:  Поможет ли краудлендинг малому бизнесу

Активное применение технологий ИИ уже в ближайшие годы может стать решающим аргументом в борьбе за массовые сегменты банковского рынка. Проблема в том, что прогресс в сфере ИИ в значительной мере обес­ценит сделанные ранее инвестиции банков в региональную сеть, обучение сотрудников, привлечение клиентов и повышение их лояльности. Хорошая новость заключается в том, что попасть в группу лидеров в области ИИ пока можно даже без запредельного уровня инвестиций, но есть и плохая — догонять надо прямо сейчас. Большая доступность исходных данных способна облегчить погоню за лидерами: широкое распространение дистанционных каналов упрощает сбор структурированной информации. Более того, часть исходных сведений для разработки моделей смогут предоставить внешние источники, которыми банки уже сейчас активно пользуются; среди них важную роль играют бюро кредитных историй, информационно-аналитические базы и мобильные операторы (см. график 3).

Частота применения банками различных источников информации в кредитном скоринге

Впрочем, ряд банков выберет вариант никуда не спешить и дождаться, когда IT-компании предложат им готовые решения в области ИИ по приемлемой цене. Таким образом, в отношении ИИ банки разделятся на два лагеря. Те, кто уже добился больших успехов в данной сфере, будут считать свои решения уникальным преимуществом и ядром бизнеса, поэтому продолжат развивать ИИ-направление в основном собственными силами. Значительная часть банков, которые не делали акцента на своих разработках, со временем перейдет на продукты вендоров. Они получат качественный продукт, но превратить его в уникальное конкурентное преимущество им, конечно, будет непросто.

Также читайте интервью с Николаем Сторонским, основателем международного финтех-сервиса Revolut, который оценивается в $1,7 млрд.

Оставить комментарий
Читайте новости SME Banking Club в своем любимом месседжере или соцсети: TelegramWhatsApp, Viber или Facebook.