Банк 4.0: Новая финансовая реальность - Бретт Кинг

● Гиперинтеллект (hyperintelligence), сильный искусственный интеллект (strong artificial intelligence) – система сильного машинного интеллекта или совокупность таких систем (как бы вы назвали комплекс, в который входит несколько AI-систем?), превосходящая интеллект человека или коллективный человеческий разум до такой степени, что может понимать и обрабатывать концепции, недоступные пониманию людей.

Нам не придется ждать 10, 15 или 30 лет, чтобы наблюдать эти фазы, а тест Тьюринга довольно бесполезен как метод измерения способности машинного интеллекта подорвать позиции банков в части проведения повседневных финансовых операций.

Масштаб последствий от развития искусственного интеллекта будет впечатляющим. На сайте developerWorks компании IBM представлены отличные материалы, дающие базовое представление об истории и направлениях развития искусственного интеллекта[189]. Такие термины, как «когнитивные вычисления» (cognitive computing), «машинный интеллект» и «искусственный интеллект», не взаимозаменяемы, но все они относятся к сфере искусственного интеллекта, бурное развитие которой мы сегодня наблюдаем.

Можно упростить приведенный далее рисунок: по сути, есть две масштабные области, в которых развитие искусственного интеллекта повлияет на финансовые услуги. Это сфера взаимодействия/общения между финансовым институтом и клиентом, а также все внутренние процессы, где выполняется заданная процедура: проверка соблюдения тех или иных условий, проведение транзакции или комплаенс-контроль, оценка рисков и кредитный скоринг, любые операции, описанные инструкциями и применяемые для конкретной задачи, выполнение законодательных или контрактных обязательств. Алгоритм может научиться выполнять любой банковский процесс, который не требует учета социального контекста, и вскоре вытеснить с рынка труда людей, которые ранее занимались этой работой.

Развитие искусственного интеллекта сильнейшим образом повлияет на маркетинг; радикально изменит ожидания клиентов в части уровня обслуживания; будет определять способность игроков привлекать клиентов на основе анализа их поведения; лишит рабочих мест тех, чьи функции завязаны на выполнении процессов; совершит революцию в понимании рисков и работы с ними (кстати, вполне вероятно, что в течение ближайших десяти лет управление рисками в финансовых услугах будет полностью передано искусственному интеллекту). Но источником изменений будет не департамент развития искусственного интеллекта в структуре банка и даже не подразделение информационных технологий. Произойдет своего рода системная атака на операционное ядро современных финансовых организаций.

Пусть это прозвучит громко, но при самом жестком сценарии банки начнут увольнять сотрудников из-за перехода на AI-алгоритмы через 3–5 лет; при самом оптимистичном – через 7-10 лет. В январе 2017 года вышло исследование McKinsey & Company, где говорилось, что около 30 % задач в 60 % специальностей могут быть компьютеризированы. В прошлом году главный экономист Банка Англии заявил, что 80 миллионов рабочих мест в США и 15 миллионов рабочих мест в Великобритании могут перейти к роботам[190].

Рисунок 1. Различные направления развития искусственного интеллекта применительно к финансовым услугам

Разумеется, речь не идет о повсеместности этой тенденции. В 2013 году в получившем широкую известность исследовании Оксфордского университета под названием «Будущее занятости»[191] были изучены 702 распространенные специальности: оказалось, некоторые позиции в финансовой отрасли (операционист, кредитный эксперт, специалист по оформлению налоговой документации и специалист по оценке страховых выплат) более уязвимы, чем другие, в числе которых экономисты, финансовые аналитики, специалисты по финансовому моделированию и статистике.

Главная роль в революции искусственного интеллекта принадлежит не программируемым компьютерам, а компьютерам, способным к самообучению. Но как учатся компьютеры?

Задача сводится к обработке входных данных и повторению модели функционирования нейронов в мозге человека. В публикации журнала The Economist от 6 мая 2017 года данные были названы новой нефтью для формирующейся цифровой экономики. И если продолжить аналогию, то базы данных, технология блокчейн и хранилища данных – это буровые установки, а глубокое обучение – нефтеперерабатывающий завод, превращающий нефть в другие полезные продукты. Глубокое обучение – ключевой элемент намечающегося бума в развитии искусственного интеллекта.

Нейронные сети глубокого обучения строятся на тех же принципах, которые использует мозг человека. В нем есть особые клетки – нейроны, состоящие из нескольких частей, в том числе отростков, называемых дендритами. Когда человек учится, эти отростки становятся длиннее. Они соединяют клетки мозга в точках контакта, называемых синапсами. Чем разветвленнее отростки нервных клеток и чем многочисленнее связи между нейронами, тем больше информации может храниться в мозге. Когда вы повторяете пройденный материал или тренируете полученные навыки, дендриты становятся прочнее, формируя слой жировой ткани и удваивая связи между ключевыми нейронами (и блоками памяти).

В сетях глубокого обучения мы создаем искусственные аналоги нейронов, называемые перцептронами. Эти искусственные нейроны – плод трудов Фрэнка Розенблатта из Корнеллской лаборатории аэронавтики, разработавшего концепцию еще в 1957 году. Первые перцептроны создавались для распознавания изображений и представляли собой аппаратно реализованные логические схемы, а не программный код, как сегодня.

Рисунок 2. В нейронных сетях глубокого обучения используются искусственные нейроны, называемые перцептронами (изображение предоставлено Кристофом Бергером)

В терминах компьютерной науки можно сказать, что перцептрон обучается на основе применения к входным данным алгоритма бинарной классификации. Например, если цель состоит в обучении умению различать собак и кошек, алгоритм располагает входные данные (векторы) по разные стороны диагонали, чтобы создать границу линейного решения. Алгоритм обрабатывает элемент на входе, чтобы дать на выходе значение нуля или единицы, но по мере обучения может корректировать расположение диагонали (сдвигая линейную границу). Способность различать изображения кошек и собак со временем улучшается, и результаты становятся точнее.