Вестник цифровой трансформации

AI-driven банк будущего
AI-driven банк будущего




12:03 23.09.2022  |  Юрий Сирота | 608 просмотров



Банкам необходимо переосмыслить пути участия в цифровых экосистемах, и использовать искусственный интеллект, чтобы использовать всю мощь данных, доступных из этих новых источников. Чтобы успешно конкурировать, банкам предстоит достичь той скорости, маневренности и гибкости, которая присуща финтеху.

Цифровые экосистемы, активно развиваемые в последние годы, лишают традиционные финансовые услуги посредников, предоставляя доступ к разнообразному набору услуг через общую точку доступа, изменяют способы, которыми потребители находят, оценивают и покупают товары и услуги. В то же время технологические и небанковские компании внедряют финансовые услуги и продукты в качестве дополнения к своим основным бизнес-моделям. Они добились существенных рыночных преимуществ: обзавелись крупной и заинтересованной сетью клиентов, собрали массивы данных, позволяющие лучше и точнее понимать отдельных клиентов, наработали инновационных технологий, включая искусственный интеллект (ИИ), имеют доступ к дешевому капиталу.

Банкам необходимо переосмыслить пути участия в цифровых экосистемах, и использовать ИИ, чтобы использовать всю мощь данных, доступных из этих новых источников. Чтобы успешно конкурировать, действующим банкам предстоит стать технологически продвинутыми учреждениями. Они должны достичь той скорости, маневренности и гибкости, которая присуща финтеху, начать управлять масштабом, стандартами безопасности и нормативными требованиями традиционного предприятия финансовых услуг. Многие банки уже пытаются перейти от экспериментов над отдельными вариантами использования ИИ к масштабированию технологий ИИ в масштабах всей организации.

Банк будущего: какой он?

Банк будущего оптимизирован для обеспечения операционной эффективности за счет максимальной автоматизации ручных задач. Процесс принятия решений подкреплен передовыми прогностическими механизмами в различных областях банковских операций, скорость механизмов интеллектуального принятия решения близится к реальному времени.

Новые формы данных и алгоритмы способны дать организациям беспрецедентную скорость. Ведь если команда аналитиков получает рекомендацию через пару месяцев, этого может быть недостаточно в мире с усиливающейся конкуренцией. Одно из самых больших преимуществ автоматизированной системы ИИ, управляемой данными — это способность быстро отвечать на вопросы. В современном мире «быстрый кушает медленного, а не крупный — мелкого».

Технологии искусственного интеллекта могут помочь увеличить доходы за счет повышения персонализации услуг для клиентов, снизить затраты за счет повышения эффективности за счет более высокой автоматизации, снижения количества ошибок и лучшего использования ресурсов. Открываются новые и ранее не реализованные возможности, основанные на улучшенной способности обрабатывать и генерировать идеи на основе огромных массивов данных.

Операционная модель банка будущего

Традиционные операционные модели банков еще больше затрудняют их усилия по удовлетворению потребности в постоянных инновациях. Большинство традиционных банков организованы вокруг отдельных бизнес-направлений: владельцы бизнеса определяют цели в одностороннем порядке, и согласованность с технологической и аналитической стратегией предприятия (там, где она вообще существует) часто бывает слабой или неадекватной; разрозненные рабочие группы и «водопад» процессов внедрения неизменно приводят к задержкам, перерасходу средств и неоптимальной производительности.

Структура тоже имеет значение. При централизации бизнес-подразделения могут почувствовать себя обделенными, а при децентрализации сложно определить приоритеты ресурсов данных и аналитики. Часто успешные организации начинают с Центра компетенций, чтобы сосредоточить усилия, а затем переходят к распределенной структуре, встроенной в бизнес-подразделения. Поэтому «Банку будущего», ориентированному на ИИ, потребуется новая операционная модель. Она предполагает кросс-функциональные бизнес- и технологические группы, организованные в виде сервиса внутри банка. Каждая команда контролирует свои собственные активы (технологические решения, инфраструктуру, данные, методологии), имеет бюджеты, ключевые показатели эффективности, таланты. Кросс-функциональная команда состоит из трех направлений: ИТ консолидирует данные и обеспечивает их качество, математики создают и поддерживают математические рекомендательные системы, бизнес-заказчик погружает математиков в предметную область и совершает управленческое воздействие.

Знание предметной области первично, хоть монетизация данных – командный вид спорта. Команды по анализу данных (математики) могут создавать рекомендательные модели с удивительными возможностями. Но маловероятно, что они смогут решать узкоспециализированные бизнес-задачи самостоятельно, так как, скорее всего, не понимают тонкостей. Эксперты в предметной области, в свою очередь, вряд ли смогут применять математические аналитические методики. Гибридная организационная структура и Центр компетенций позволяет «скрестить» математическую и предметную компетенции.

Кросс-функциональные команды предоставляют сервис подразделениям банка или другим командам банка, сочетают бизнес и технологии, исключают организационную разрозненность, повышают гибкость и скорость, синхронизируют цели и приоритеты в рамках всего предприятия.

Управление данными

Управление данными обеспечивает ликвидность данных, то есть возможность доступа к данным для анализа. Ликвидность данных особенно важна для работы функционально разрозненным структурам, позволяет нескольким подразделениям работать с одними и теми же данными. Цепочка создания ценности данных начинается с беспрепятственного получения данных из всех соответствующих внутренних систем и внешних платформ. Варианты использования данных могут быть различными: нормативная отчетность, бизнес-аналитика, ИИ.

Современные технологии и методики управления данными включают нормы, правила защиты и управления данными, каталоги, глоссарии и словари, траектория преобразования данных, инструменты сбора данных и профилирования. По мере того, как банки проектируют и создают свою централизованную инфраструктуру управления данными, им приходится разрабатывать дополнительные средства контроля и мониторинга для обеспечения безопасности данных, конфиденциальности. Кроме того, они должны соответствовать нормативным требованиям, обеспечивая своевременный и соответствующий ролям доступ в рамках всей организации для различных вариантов использования.

Как использовать данные

Для приоритетных вариантов использования потребуется ограниченное количество наборов данных. Следует оценить состояние этих источников, соответствуют ли они базовому уровню качества и полноты. Далее требуется провести организационные мероприятия и инвестиции с фокусом на данные, имеющие наибольшее влияние на эффективность инструментов ИИ, объединить данные из источников в озере данных или хранилище, доступном для бизнеса, клиентов, аналитиков и подрядчиков. В последнюю очередь создать инфраструктуру управления данными, обеспечивающую безопасность, качество и метаданные.

Цель использования данных очевидна — повышение окупаемости затрат на ИИ. Для этого предстоит расставить приоритеты по вариантам их использования, сосредоточиться на улучшении данных, необходимых для создания инструментов ИИ. Делается упор на экономический эффект, а не на качество данных: фокусировка ресурсов на возможных вариантах использования с максимальной отдачей, а для этого важно сузить количество наборов данных, которые необходимо подготовить для ИИ. Главная цель – быстрая победа, вселяющая энтузиазм.

ИТ-инфраструктура хранения и анализа данных

Методы ИИ базируются на использовании данных. Организациям придется вкладывать время и ресурсы в очистку данных и создание инфраструктуры хранения данных. Не обойдется без рисков. Например, организация может увязнуть, пытаясь собрать и очистить необработанные данные в одном месте (хранилище или озеро данных), прежде чем приступить к выполнению сценариев использования. Без продуманных вариантов использования озеро превращается в болото, а старые технологии могут закрепиться на долгое время.

Инструменты анализа данных включают инструменты self-service для ускорения и упрощения подготовки данных и задач анализа, методы машинное обучение, инструменты BI и мониторинга математических моделей. Без централизованной «магистрали данных» практически невозможно проанализировать соответствующие данные и в нужный момент сформировать интеллектуальную рекомендацию или предложение, поэтому данные должны анализироваться реальном времени.

Для масштабирования различных моделей аналитики, организациям необходим надежный набор инструментов и стандартизированных процессов для создания, тестирования, развертывания и мониторинга моделей повторяемым и «промышленным» способом (MLOps/AIOps/DataOps).

Большинство нетехнологических компаний отстают в части технологий. Адаптация к эпохе принятия решений, основанных на данных, не всегда является простой задачей: у компаний, которые быстро проявили себя, уже есть навыки в области науки о данных. Спектр доступных инструментов и платформ может помочь наверстать упущенное остальным компаниям, а новые платформы и аналитические инструменты выравнивают возможности. Выигрывает тот, у кого есть массив данных.

Аналитическая функция

Успешная трансформация данных, аналитики, ИИ зависит от поддержки высшего руководства. У аналитической функции должны быть достаточные полномочия. Фактически это выражается в том, что ответственное лицо должно занимать значимый пост: это покажет, что проекты данных и аналитики имеют высокий приоритет, тогда бюрократический путь сокращается. Важно наделить ответственное лицо достаточными полномочиями в принятии решений — без этого организационного рычага им будет сложно осуществить быструю и широкомасштабную трансформацию, предоставить финансирование, сократить путь и период бюджетирования.

Предстоит убедить сотрудников отказаться от устаревших методов работы. Это сложно даже при выявленных сценариях использования ИИ, наработанных методах и технологиях. Возможны следующие шаги для внедрения ИИ и аналитики:

выбрать наиболее лояльный блок и тематическую область, где с наибольшей вероятностью внедрения окажется успешным

определить лидеров изменений на всех уровнях организации, которые отстаивают инициативы, оказывают влияние на коллег и подчиненных

обучить тех, кто будет принимать решения на основе аналитики

отслеживать показатели успеха, чтобы организация отвечала за повышение производительности, а не только за расходы на развертывание данных и аналитики. Акцент должен быть на достижении результатов, а не продвижение ИИ.

Трудности и риски

Искусственный интеллект можно охарактеризовать фразой «Висит груша – нельзя скушать». Для успеха проекта предстоит настроить очень много компонентов. Основные трудности могут заключаться в отсутствии стратегии использования данных и использования талантов, фрагментированности данных по нескольким разрозненным бизнес- и технологическим группам (во многих случаях именно это становится слабым звеном управления данными). Кроме того, негибкое технологическое ядро часто нуждается в инвестициях: системам не хватает мощности, необходимой для поддержки переменных вычислительных требований, потребностей обработки данных и анализа в реальном времени, которые требуются приложениям ИИ. Наконец, устаревшие операционные модели, препятствуют сотрудничеству между бизнесом и технологическими группами, а руководители предприятий полагаются на сторонних поставщиков технологий для обеспечения критически важных функций, вместо развития талантов внутри компании.

На выбор варианта использования данных с помощью ИИ влияет множество технологий. Существуют риски направить ограниченные ресурсы на решение низкоприоритетных проектов. Специалисты уходят, появляются новые люди, продвигающие новые решения – так появляется риск разрастания «зоопарка технологий». Финансовые организации могут оказаться в ажиотаже, всегда преследуя что-то новое, но никогда не добиваясь успеха.

Варианты использования ИИ и рекомендации

Варианты использования ИИ должны быть привязаны к стратегическим устремлениям организации, и для этого рекомендуется проделать четыре шага. В первую очередь следует выбрать варианты использования данных и аналитики для решения практических задач, определить процессы, области данных, которые поддерживают процессы. Далее сформулировать сценарии использования как вопросы, на которые нужно ответить. Формулировка на основе вопросов гарантирует, что варианты использования данных двигают организацию к цели. Среди сотен потенциальных вариантов использования данных, которые могут привести к результатам, важно расставить приоритеты. Наконец, понять, какой инструмент и метод позволит содействовать бизнес-целям.

Первым делом рекомендуется оценить, как стратегические цели банка (рост, прибыльность, взаимодействие с клиентами, инновации) могут быть материально обеспечены за счет ряда технологий данных и ИИ. Далее уравновесить краткосрочные проекты, быстро приносящие ценность для бизнеса, с итеративным наращиванием долгосрочных возможностей. Определить области, в которых требуются ключевые сдвиги: инвестиции в технологии и новые таланты, и не забыть про организационные изменения.

 

Автор — Юрий Сирота, эксперт в области данных и искусственного интеллекта

Теги: Искусственный интеллект