CC BY
215Ключевые тренды применения искусственного интеллекта в банковской сфере
Городецкая Ольга Юрьевна,
к.э.н., доцент, доцент Финансового университета при Правительстве Российской Федерации E-mail: [email protected]
Гобарева Яна Львовна,
к.э.н., доцент, доцент Финансового университета при Правительстве Российской Федерации E-mail: [email protected]
Статья посвящена рассмотрению проблематики применения систем искусственного интеллекта в банках. Приводятся сведения о масштабах использования интеллектуальных технологий мировыми банками. Рассматриваются основные направления их приложения в банках РФ. Выявлены особенности функционирования интеллектуальных скоринг-моделей, предназначенных для автоматизированной оценки кредитоспособности заёмщиков. Выделены применяемые банками способы персо-нализации рекомендаций клиентам, основанные на системах искусственного интеллекта. Показаны методы использования банками интеллектуальных голосовых помощников и чат-ботов. Дано рассмотрение иных частных приложений технологий искусственного интеллекта в банковской деятельности. Приводятся данные об экономическом эффекте, получаемом банками благодаря использованию систем искусственного интеллекта как инструмента оптимизации затрат и стимулирования продаж банковских продуктов.
Ключевые слова: банки, искусственный интеллект, кредитоспособность заёмщиков, автоматизированный скоринг, персо-нализация рекомендаций, чат-боты, голосовые помощники.
LQ S Ое
см см о см см
Введение
В последнее годы непрерывно растет интерес общества к понятию «цифровой экономики», представляемой одним из основных драйверов экономического роста. Во многом это соответствует действительности. Развитие телекоммуникаций и тотальная компьютеризация во многих сферах человеческой деятельности повышает производительность труда и делает более комфортной повседневную жизнь множества людей.
Одной из наиболее перспективных сфер экономики в настоящее время признается искусственный интеллект. Традиционно под искусственным интеллектом (Artificial Intelligence, AI, ИИ) понимается свойство интеллектуальных систем обучаться на собственном опыте и выполнять задачи, которые обычно считаются прерогативой человека. Финансовая и банковская сфера являются наиболее активными потребителями внедрения технологии искусственного интеллекта. В современных реалиях банкам потребуется сконцентрироваться на поиске ключевых конкурентных преимуществ и разработке на их основе конкурентных стратегий, опирающихся на цифровизацию банковской деятельности. И банковский сектор является типичным примером внедрения и использования новейших инноваций. Внедрение ИИ-систем с каждым годом увеличивается. Так, порядка 80% крупнейших банков мира в соответствии с данными исследований McKinsey [2, 12, 14] в 2019 году уже активно использовали системы искусственного интеллекта (далее - ИИ) в своей деятельности. До 80% банков (в особенности крупных) [4, 13, 14] оптимистично оценивают возможности дальнейшего развития данных технологий, увязывая их с немалыми потенциальными выгодами. Исходя из данных отчёта об исследованиях UBS Evidence Lab. [4], не менее 75% банков, имеющих активы от 100 млрд долл. США и выше, активно применяют системы ИИ и намерены продолжать расширение их сфер приложения. Менее крупные банки (активы менее 100 млрд долл. США) выказывают меньший энтузиазм. Среди них активными сторонниками технологий ИИ являются только 46% от общего числа исследованных [4].
Исследователи компании Autonomous Next [3] полагают, что благодаря ИИ-технологиям банки мира на 22% снизят общие расходы к 2030 году. В соответствии с представленными в [3, 15] оценками, уже к 2024 году Азиатско-Тихоокеанский регион станет основным локомотивом использования ИИ в деятельности банков. За счёт систем ИИ азиатские банки смогут обеспечить дополнительные
продажи и съэкономить общие затраты на величину около 50,6 млрд долл. США. Это существенный прирост по сравнению с 11,5 млрд долл. экономического эффекта достигнутого за счёт применения данных технологий в 2018-м году [15]. Предполагается, что к 2030 году общий экономический эффект составит уже 98,6 млрд долл.
Банки России также полны оптимизма в отношении возможностей применения технологий ИИ в своей деятельности. Многие из них весьма активно используют их в своей работе и инвестируют значительные средства в развитие систем ИИ. В этом они не уступают иностранным банкам,
а по некоторым направлениям превосходят их. В настоящее время ИИ-технологии активно применяются ими как средства автоматизации большого числа бизнес-процессов фронт- и бэк-офисов, вспомогательных подразделений.
Сводные данные по основным направлениям применения систем искусственного интеллекта в банковской деятельности, полученные в результате исследования рейтингового агентства «Эксперт РА», приведены на рис. 1. На рисунке представлена диаграмма оценки банками наибольшего потенциала областей применения решений на базе ИИ.
Рис. 1. Наиболее перспективные направления применения систем ИИ в банковской деятельности [5]
В дальнейшем изложении последовательно рассмотрим некоторые важнейшие направления этой деятельности.
Интеллектуальные модели оценки кредитоспособности
Исторически использование интеллектуальных технологий в банковской деятельности началось с массового развёртывания автоматизированных систем оценки кредитоспособности заёмщиков. В своё время это стало особенно актуально в связи с ростом числа просроченных кредитов. В существенной степени это было связано с имевшей место в те годы недостаточной обоснованностью решений о предоставлении займов. В особенности это проявилось в резком росте невыплат во время кризисов 2008 и 2014 гг. по кредитам, необоснованно предоставленным клиентам в середине 2000-х годов - эпоху бурного роста потребительского кредитования.
В этой связи стали активно развиваться скоринг-модели. Однако традиционных инструментов для их формирования стало недостаточно. К тому же появилось множество дополнительных источников информации о клиенте. Например, таких, как социальные сети. Обрабатывать содержащиеся в них данные традиционными методами типа опросов или математической статистики стало крайне затруднительно. Обобщение результатов исследования, проведённого рейтинговым агентством «Экс-
перт РА» относительно применения различных источников информации при построении скорин-говых моделей банками приведено на рис. 2.
Поэтому при построении скоринг-моделей банки стали активно применять методы «раскопки данных» (Data Mining) и различные интеллектуальные алгоритмы. Благодаря машинному обучению таких алгоритмов на большом числе примеров они, в настоящее время, способны предоставить оценку кредитоспособности заёмщика за несколько секунд и вынести решение о целесообразности предоставления ему кредита [16]. За счёт автоматизированных алгоритмов решение о предоставлении займа выносится почти мгновенно. Во всяком случае, намного быстрее, чем это сделал бы живой сотрудник, который попросту физически не успел бы за такое короткое время ознакомиться с кредитной историей заявителя и вникнуть в иные нюансы его надёжности как кредитополучателя.
За счёт использования систем ИИ стало возможным строить эффективные скоринг-модели оценки надёжности заёмщиков по данным о поведении огромного числа кредитополучателей с похожими характеристиками и широко применять их на практике. Они позволяют не только выносить решение более оперативно, но и более надёжно. Подтверждением этому является рост случаев отказа в кредитовании и уменьшение количества проблемных заёмщиков.
сз о
со £
m Р
сг
от А
=Е
Рис. 2. Частота использования различных источников данных при построении скоринговых моделей банками [5]
В результате применения систем ИИ банки, при вынесении решений о предоставлении кредитов, стали во многом доверяться интеллектуальным алгоритмам. Особо показательным в этом отношении является «Сбербанк», где в 98% случаев обращений физических лиц они выносятся на базе выводов, сделанных интеллектуальными скоринг-моделями. Здесь следует подчеркнуть, что Сбер использует очень сложные модели, обобщающие большое число показателей «цифрового следа» клиентов, а не только его кредитную историю.
Справедливости ради необходимо отметить, что при предоставлении кредитов юридическим лицам уровень доверия интеллектуальным алгоритмам здесь существенно скромнее и не превышает 30% случаев. Но и здесь намечаются существенные изменения. Прежде всего, это касается скорости принятия решений. Ранее крупные бизнес-заявки разбирались по 2-3 недели. Ныне же базовые процедуры проверки кредитоспособности выполняются за несколько минут. При этом стоит особо подчеркнуть, что все действия от формирования заявки заёмщиком до получения им денежных средств выполняются удалённо, без предоставления бумажной документации.
Таким образом, очевидны выгоды от использования интеллектуальных автоматизированных скоринг-моделей. Главная состоит в существенном повышении скорости принятия решений, которая теперь измеряется минутами, а не неделями, как это было раньше. При этом выносимые оценки полностью или почти полностью исключают субъективизм. То есть решение выносится исключительно по объективным показателям. Если они в норме и характеризуют заёмщика как благонадёжного, то он гарантированно получит кредит. Повышение оперативности и надёжности оЕ оценок непосредственно влияет на эффектив-~ ность операционной деятельности банка. К при-сэ меру, за счёт использования интеллектуальных еч технологий банк ВТБ увеличил выдачу розничных г займов почти на 20%.
В [5] представлены результаты исследований, из которых следует, что при построении скоринг-моделей отечественные банки наиболее широко применяют либо линейные статистические модели, либо нелинейные модели, представляющие собой композицию решающих деревьев - градиентный бустинг и случайный лес. Как ни странно, но более ожидаемые при решении подобных задач нейронные сети менее распространены. Скорее всего, это является следствием высокой требовательности нейросетей к размерам обучающих массивов, а также с нехваткой специалистов, способных создавать необходимые датасеты и обучать сети. Дело в том, что нейронные сети намного чаще применяются как инструмент распознавания образов и потому методики их использования для оценки финансовых рисков пока недостаточно разработаны.
Интеллектуальные системы персонализации рекомендаций
В соответствии с исследованиями, результаты которых представлены в источниках [1, 2, 9, 10], важным направлением использования интеллектуальных технологий в банках являются системы формирования персонализированных рекомендаций клиентам. Они особенно важны крупным розничным банкам с их большим числом финансовых продуктов, ориентированных на разные категории миллионов клиентов. Понятно, что разные бонусы, условия приобретения и использования, скидки и т.д. ориентированы на разные слои клиентов и потому не имеет никакого смысла предлагать все из них каждому из них. Поэтому предложения должны иметь адресный характер. Но процесс выявления адресатов конкретных предложений при наличии огромного числа клиентов очень трудоёмок.
В этой связи весьма актуальной является задача автоматизированного отбора клиентов, осуществляемого с учётом большого числа личностных параметров и сведений из клиентских кре-
дитных историй. Такие селекционные алгоритмы трудно выстраивать только на основе статистических данных, обрабатываемых классическими методами математической статистики. Здесь требуется применение инструментов анализа Больших Данных и технологий ИИ. К настоящему времени уже разработаны и постепенно распространяются универсальные платформы генерации персонализированных предложений банковским клиентам, в основе своей использующие технологии ИИ. Наиболее известными из них на текущий момент являются CrayOnData, Optimizely, Maya AI [2, 17, 18].
Платформой систем персонификации предложений клиентам являются алгоритмы сегментации [2]. Они дают возможность разделять клиентов на характерно различающиеся группы по совокупностям признаков. Подобное многомерное разделение выполнить намного сложнее, чем просто разделить по очевидным признакам: молодые люди-пенсионеры, бедные клиенты - богатые клиенты, владельцы квартир и домов - клиенты с ипотекой, автовладельцы и т.д. Классически для решения задач многомерной классификации применялись такие методы математической статистики как факторный и кластерный анализ. Однако в результате бурного развития нейросетей, генетических алгоритмов и нечёткой логики была установлена возможность получения с их помощью дополнительных полезных эффектов многомерной классификации по сравнению с традиционными методами. Немаловажно и то, что стало возможным шире использовать в анализе данные, не имеющие явного числового выражения. Быстрый рост производительности вычислительных систем открыл дорогу более широкому применению этих вычислитель-ноёмких алгоритмов. В том числе и для решения задач многомерной сегментации клиентов. В то же время возникли новые проблемы, связанные проблемами в интерпретации получаемых на их основании результатов, которые уже выходят за рамки понимания человеческого разума [11].
В России лидером по использованию средств автоматизации для формирования персональных предложений клиентам является Сбербанк [10]. Здесь необходимость применения такого рода технологий совершенно очевидна, поскольку банк имеет более 100 млн розничных клиентов и предлагает около 300 самых разных продуктов, ориентированных на разные нишевые группы. По оценкам специалистов банка, представленным в [10], решить задачу эффективной селекции предложений без применения интеллектуальных технологий в данном случае попросту невозможно. Применение средств интеллектуальной автоматизации данных процессов, хотя и потребовало немалых затрат, но способствовало резкому росту конверсии продаж.
На основе использования ИИ-технологий задачу повышения конверсии продаж эффективно решает Промсвязьбанк. Это достигается не только за счёт развёрнутой банком системы моделирования предпочтений клиентов, но и благодаря ис-
пользованию специально настроенных и машинно-обученных ботов в популярных мессенджерах Telegram и WhatsApp.
Важно отметить, что рекомендательные системы банковской деятельности применяются не только для сегментации клиентов в целях персонали-зации предложений. В настоящее время активно продвигается так называемый робо-эдвайзинг, представляющий собой персонифицированные брокерские советы. Здесь персонификация основана на учёте индивидуальных особенностей клиентов и их склонности к рискам [9]. Одним из пионеров робо-эдвайзинга в России является Тинь-кофф-банк. В июле 2018 года банк начал эксплуатацию платформы «Тинькофф инвестиции». Она позволяет по заданным параметрам быстро сформировать индивидуальный инвестиционный портфель на заданную сумму с учётом персональной склонности клиента к соотношению риска и доходности. Сразу после запуска платформы за месяц она была использована 42 тысячами клиентов, которые составили с её помощью 142 тыс. инвестиционных портфелей средней стоимостью 60 тыс. руб. Приложения робо-эдвайзинга также предлагают Сбербанк, ВТБ и иные банки. Особый рост популярности такого рода приложений наблюдался во времена карантина пандемии COVID-19.
Интеллектуальные рекомендательные системы неожиданным образом применяются даже для отслеживания лояльности клиентов. Суть такого рода инструментов состоит в построении поведенческих паттернов ушедших клиентов, которые в дальнейшем используются для оценки вероятности ухода существующих. Это позволяет своевременно формировать им выгодные предложения, от которых сложно отказаться и которые повышают степень лояльности клиента, предотвращая их потерю.
Интеллектуальные голосовые помощники и чат-боты
Раньше крупные банки вынуждены были содержать колл-центры с большим числом сотрудников, поскольку у многочисленных клиентов постоянно возникают самые разные вопросы, связанные с банковскими продуктами и собственно обслуживанием. При этом, по результатам разных исследований, представленным в [2, 9], было выявлено, что порядка 40% задаваемых клиентами вопросов являются типовыми, предполагающими выполнение оператором строго определённой последовательности действий (сообщить баланс карты, заблокировать карту и т.п.). В связи с этим возникла настоятельная потребность в автоматизации ответов на подобные запросы. Однако также было ясно и то, что не все клиентские вопросы могут оказаться типовыми, ответы на которые сводятся к чётким алгоритмам и/ или определённой последовательности фраз.
Поэтому для автоматизации работы колл-цен-тров стал применяться двухуровневый принцип, когда сначала производится разделение поступающих вопросов на типовые и нетиповые. Если
сз о со от m Р от
от А
=Е
Q. в
OJ
oj
определён типовой вопрос, то его отработка производится автоматизированно, а в противном случае он переадресуется оператору, который и осуществляет «живое» взаимодействие. При таком принципе между специалистом банка и клиентом возникает посредник - робот, который умеет опознать типовые вопросы и осуществить предполагаемые ответом на него действия. Если же вопрос не опознан как типовой, то он переводится на человека-оператора. При этом робот пытается как можно точнее локализовать и конкретизировать тематику запроса для возможности «передать» его специалисту наиболее близкого профиля.
Подобного рода посредниками являются голосовые помощники и чат-боты. Последние предназначены для распознавания смысла текста, написанного человеком. Исходя из «понятого» робот выполняет некоторые действия и/или генерирует текст, дающий ответ на возникший вопрос. Голосовые помощники устроены сложнее. Сначала они воспринимают речь, транслируют её текст и далее обрабатывают его также, как и чат-боты.
Понятно, что такого рода автоматизированные системы должны обладать хотя бы элементарными «интеллектуальными способностями», достаточными для распознавания смысла написанного и/ или сказанного в первом приближении. Голосовые боты ещё и должны уметь «написать» текст исходя из набора звуков, которые произносит клиент. К настоящему времени это задача, уже имеющая довольно типовое решение, поскольку относится к классу задач распознавания образов, уверенно решаемых имеющимися эвристическими алгоритмами. Выявление семантики текста в определённом смысле сложнее. Но и здесь процесс распознавания «смыслов» алгоритмами быстро продвигается, поскольку общество весьма заинтересовано в решении данной проблемы и производит объёмное финансирование этих разработок.
Такого рода «роботы общения» в нашей стране чаще всего используются крупными банками и телекоммуникационными компаниями.
В колл-центре СберБанка используется Сбер-БизнесБот [1]. Банк «Хоум Кредит» также использует основанных на ИИ чат-ботов и голосовых помощников. Выяснилось, что благодаря их применению более 90% клиентов ограничиваются ответом робота и более суток после полученной «консультации» в колл-центр не обращаются [2, 6]. За счёт использования чат-бота Тинькофф-банк экономит от 30 до 200 млн руб в месяц. При этом ответом робота удовлетворяются более 40% клиентов [5], а сама консультация в среднем проводится быстрее на 40 секунд. Голосовой помощник банка «Тинькофф» обрабатывает не только стандартные запросы, но и может производить перевод денег и покупку ценных бумаг.
Очень успешной реализацией интеллектуальных речевых технологий стал бот, разработанный Альфа-банком [9]. Он был создан в 2018 году с ориентацией на зарплатные проекты банка. До внедрения бота специалисты банка каждый день при-
нимали большое число типовых вопросов об условиях открытия и ведения зарплатных расчётных счетов. Интеллектуальная система быстро позволила решить проблему такого рода типовых обращений. В результате операционисты колл-центра смогли внимательнее относиться к более содержательным вопросам.
Особенно важно то, что роботы могут без устали и без потери качества работать круглосуточно сразу с множеством клиентов. По данным, приведённым в [6], уже применяются решения, позволяющие проверять деятельность операционистов, осуществляя анализ их диалогов с клиентами. За счёт этого оптимизируются методики проведения консультаций, что даёт возможность предоставлять услуги более качественно и оперативно. Основанные на технологиях ИИ аналитические инструменты такого рода применяются ВТБ для оптимизации взаимодействия специалистов колл-центра с клиентами. В настоящее время чат-боты и голосовые помощники уже хорошо умеют взаимодействовать с CRM-системами, накапливая в них дополнительную информацию, в дальнейшем применяемую для составления профилей пользователей.
Модным трендом становится создание средств речевой аналитики, способной распознавать эмоциональный фон диалогов. За счёт этого становится возможным контролировать речевое взаимодействие операторов с клиентами. Речевая аналитика открывает путь к биометрии голоса. За счёт этого становится возможным определять клиентов банка по их голосам. Это создаёт платформу для решения важных проблем, требующих идентификации личности звонящего на линию поддержки пользователя. В HSBC такие технологии используются для решения важных оперативных проблем взаимодействия с клиентами. В частности, это касается потребности многих клиентов заблокировать карту в случае её пропажи. Если клиент устойчиво может быть идентифицирован по голосу, то ему не нужно ждать ответа оператора и проговаривать ему идентификационные данные вроде кодового слова, которое к тому же многие ещё и не помнят.
Особый всплеск интереса к голосовым системам личностной идентификации возник в период карантинных ограничений эпидемии COVID-19. Однако важно отметить, что речевые технологии подобного рода пока ещё весьма несовершенны. Многие пользователи остаются очень недовольными «общением» с голосовыми роботами, которые часто ставят почти непреодолимые преграды между клиентом и живым оператором. Проблема в ограниченности возможностей искусственного интеллекта. Ведь это пока ещё весьма ограниченный искусственный интеллект (Narrow AI), способный более-менее эффективно решать только задачи узкой специализации [11].
Однако уже проводятся эксперименты по реализации полной автоматизации банковской деятельности. В частности, в США вполне успешно работают Ally и Discover Bank. Они полностью ориен-
тированы на онлайн-функционирование и вообще не имеют физических офисов [1]. При этом здесь реализована не только поддержка типовых операций, но и выдача ссуд на приобретение жилья, купли/продажи ценных бумаг, обслуживания инвестиционных портфелей.
Другие направления применения искусственного интеллекта в банковской деятельности
Одним из важных направлений применения технологий ИИ в банках является противодействие мошенничеству [5, 9]. Проведение банком сомнительных транзакций может привести к серьёзным санкциям со стороны Росфинмониторинга и ЦБ. Для выявления таковых ИИ определяет отправителя и получателя перевода, оценивает объём и частоту подобных транзакций в отношении отправителя. Если возникают подозрения, то операция блокируется. При этом отправляется сообщение сотруднику службы безопасности, который лично исследует параметры затребованной операции и может запросить у клиента пояснения к ней.
На текущий момент важнейший способ противостояния мошенничеству состоит в автоматизации выявления нетипичных для данного клиента действий. Следующим шагом является применение биометрии. «Почта Банк» начал применять такие технологии ещё в 2015 году. К текущему моменту порядка 4000 отделений банка оснащены продвинутой системой распознавания лиц. Эти технологии также переданы и 50 тысячам его партнёров по ведению POS-бизнеса. Доступ к значительному числу бизнес-приложений банка регулируется аутентификацией не только по логину/паролю, но и по фотографии. За счёт применения указанных решений только в 2016 году банк сумел выявить более 9200 мошеннических кредитных заявок на общую сумму около 1,5 млрд руб. В 2017 году указанные технологии помогли опознать порядка 10000 мошеннических заявок примерно на аналогичную сумму [9].
Ранее в статье уже рассматривалась проблематика применения ИИ для оценки кредитоспособности заёмщика. Однако выполнение связанных с кредитованием процедур этим не ограничивается. Отдельные отечественные банки применяют ИИ ещё и как инструмент автоматизации коллектор-ской деятельности. Прежде всего, это реализуется за счёт автоматизации оповещений клиентов, когда они нарушают условия и сроки выплат по займам [9]. К примеру, Сбербанк с 2016 года применяет разработку компании «Актив БК». Уже после года её эксплуатации было установлено, что должники, которым звонили роботы, на 25% чаще в срок до двух недель устраняли просрочки, чем после напоминаний живых операторов.
Впоследствии система «Актив БК» стала использоваться и другими банками. Разработку с аналогичным функционалом с осени 2018 года стал применять ВТБ. В Альфа-Банке автоматизированная система напоминаний клиентам о про-
срочках выплат по кредитам только за полгода использования позволила вернуть около 20 млн руб.
Однако применение роботов-коллекторов нельзя переоценивать, поскольку, как показала практика, они эффективны только при небольших просрочках. В то же время нельзя не отметить основное преимущество подобных систем - их круглосуточную работоспособность. Обычно живой сотрудник может сделать за рабочий день не более 200 оповещений, в то время как у робота подобных ограничений не существует.
Банки применяют ИИ также при осуществлении операций, требующих точной идентификации личности. По данным, приведённым [2, 10], в Росбанке широко используется базирующаяся на ИИ автоматизированная система, позволяющая мгновенно распознать около 70 реквизитов и фотографий документальных сканов, осуществляя при этом полтора десятка проверок.
ИИ применяется также как инструмент выстраивания банковской «логистики». На основе автоматизированных систем подобного рода в Альфа-банке принимаются решения о конкретных локациях размещения новых отделений. Более всего активен в этом отношении Росбанк, использующий технологию location intelligence, позволяющую давать обобщения данных об имеющейся нагрузке существующих отделений, а также оценивать потенциальную эффективность офисов, предполагаемых к размещению в новых местах. Для моделирования применяются сведения об активности клиентов, конкуренции со стороны других банков, населённости исследуемой локации, направлениях перемещения людей и другие характеристики. Всего модель оперирует 250 переменными разного содержания.
Системы ИИ используются также и для повышения эффективности внутреннего аудита. Существует даже технологическая платформа «ИИ в решениях для аудита» (AI in Auditing Solutions) [1]. Она содержит интеллектуальные блоки поддержки задач планирования аудита, ведения его документации, составления и проверки аудиторской отчётности. Одним из направлений использования технологий ИИ выступает планирование распорядка работы сотрудников. Например, в МКБ на основе систем ИИ делается попытка определить лучшее время для осуществления взаимодействий сотрудников с клиентами. Банк «Открытие» применяет инструменты ИИ для формирования расписания сотрудников на основании данных о продажах ими банковских продуктов клиентам в разное время суток.
Минимизация затрат
Основной целью использования технологий ИИ в банках выступает повышение прибыльности их деятельности за счёт минимизации операционных затрат. Здесь основным резервом является замена живого труда овеществлённым. В 2020 году использование технологий ИИ в Сбербанке дало эффект,
сз о со от m Р от
от А
=Е
Q. в
OJ
ou
оцениваемый величиной в 100 млрд руб., полученных как за счёт экономии затрат, так и благодаря приросту продаж. В 2021 году экономический эффект применения систем ИИ Сбербанком уже оценивался в 200 млрд руб. Альфа-банк в 2018 году начал реализацию программы замены живого труда автоматизированными системами в 30 своих бизнес-процессах. Уже на начальном этапе её реализации только на 7 из них была достигнута экономия в 20 млн руб. в год. Согласно неофициальным данным продолжение реализации программы стало давать годовую выгоду порядка 85 млн руб.
В своё время Герман Греф высказал соображение о том, что ИИ имеет потенциал заменить практически всех менеджеров среднего звена. Возможно, это слишком оптимистичное утверждение. Как было показано в данной статье, банкам пока нельзя в столь существенных объёмах отказаться от живого труда квалифицированных сотрудников. Однако совершенно ясно, что в ближайшем будущем интеллектуальные системы автоматизации неизбежно приведут к передаче компьютерным системам большого числа функций, ныне выполняемых живыми людьми. В особенности это касается клерков, кассиров, контролёров, персонала кредитных отделов, сотрудников отделов обслуживания клиентов и т.д. В соответствии с представленными в [2, 19, 20, 21 ] оценками, применение технологий ИИ позволит банкам сократить десятки миллионов рабочих мест в мировой финансовой индустрии. Например, в [2] делается прогноз о том, что к 2030 году в США в этой отрасли сокращения коснутся 1,3 млн человек, а в Великобритании - порядка 500 тыс.
Выводы
1. Приведённые в статье данные свидетельствуют о широком применении российскими банками систем ИИ, находящих приложение в самых разных направлениях банковской деятельности.
2. Имплементация ИИ-приложений требует осуществления весьма значительных капитальных затрат, а также привлечения большого числа специалистов по ИИ высокой квалификации. Это может ограничивать распространение технологий ИИ в банках.
3. Дальнейшее распространение приложений ИИ в банках может привести к немалым социальным проблемам из-за потери большого числа рабочих мест банковских сотрудников в связи с замещением живого труда овеществлённым в компьютерных системах.
4. Применяемые технологии ИИ нередко реализуются разнородными программно-аппаратными комплексами, не поддерживающими должного уровня их комплексного взаимодействия. В этой связи научный и практический интерес представляет изучение проблем организации взаимодействия интеллектуальных компьютерных систем со сложившейся банковской инфраструктурой.
Литература
1. 3 примера использования искусственного интеллекта в банковской сфере. // [Электронный ресурс] URL: https://python - school-ru.turbopag-es.org/python-school.ru/s/blog/ai-in-banking/ [Дата доступа: 25.11.2022].
2. Васильев, А. Банки все активнее подключают к своим процессам искусственный интеллект. Как, зачем и куда все это нас приведет? / Артём Васильев. // [Электронный ресурс] URL: https:// data.korusconsulting.ru/press-center/blog/banki-vse-aktivnee-podklyuchayut-k-svoim-protsessam-iskusstvennyy-intellekt-kak-zachem-i-kuda-vse-et/ [Дата доступа: 25.11.2022].
3. Искусственный интеллект в банках // [Электронный ресурс] URL: https://www.tadviser.ru/in-dex.php/Статья: Искусственный_интеллект_в_ банках [Дата доступа: 25.11.2022].
4. Искусственный интеллект в банковской сфере // [Электронный ресурс] URL: https://dzen. ru/media/kuchavsego/iskusstvennyi-intellekt-v-bankovskoi-sfere-5e2fac11 e6cb9b00ae745d1a [Дата доступа: 25.11.2022].
5. Искусственный интеллект в банковском секторе // [Электронный ресурс] URL: https://raexpert. ru/researches/banks/bank_ai2018/ [Дата доступа: 25.11.2022].
6. Калганов, И. Искусственный интеллект в банках что это дает клиенту и почему его не нужно бояться / Игорь Калганов // [Электронный ресурс] URL: https://www.banki.ru/news/column-ists/?id=10942804 [Дата доступа: 25.11.2022].
7. Москалев, А. ИИ выдает кредиты, а клиенты платят частями: как будет работать банк будущего / Артем Москалев // [Электронный ресурс] URL: https://hightech.fm/2022/08/10/fintech-banks [Дата доступа: 25.11.2022].
8. Порохнавец, А. Как банку будущего использовать технологии ИИ для работы с клиентами / Анастасия Порохнавец // [Электронный ресурс] URL: https://just-ai.com/blog/kak-banku-budushhego-ispolzovat-tehnologii-ii-dlya-raboty-s-klientami [Дата доступа: 25.11.2022].
9. Салтыкова, М. Полцарства за ИИ: сколько банки экономят на машинном обучении, нейро-сетях и чат-ботах / Мария Салтыкова // [Электронный ресурс] URL: https://habr.com/ru/com-pany/binarydistrict/blog/440902/ [Дата доступа: 25.11.2022].
10. Чернышова, Е. Искусственный интеллект в финансах: как банки используют нейросети / Евгения Чернышова // [Электронный ресурс] URL: https://trends.rbc.ru/trends/industry/61e924349a-7947761 b46f2d8 [Дата доступа: 25.11.2022].
11. Шуремов, Е.Л. Искусственный интеллект и Большие Данные: Без хайпа и наукообразия / Евгений Шуремов. - [б.м]: Издательские решения, 2019. - 110 с. - ISBN978-5-0050-2072-7
12. Agarwal A., Singhal Ch., Thomas R. AI-pow-ered decision making for the bank of the future // McKinsey & Company. -2021. - March. - [Элек-
тронный ресурс] URL: https://www.mckinsey. com/~/media/mckinsey/industries/financial%20 services/our%20insights/ai%20powered%20de-cision%20making%20for%20the%20bank%20 of%20the%20future/ai-powered-decision-making-for-the-bank-of-the-future.pdf (дата доступа 25.11.2022).
13. AI in financial services: next steps to realising the potential // Waterloo (Ontario): OpenText. - 2018. -[Электронный ресурс] URL: https://www.open-text.com/info/ai-financial-services/ai-financial-services-report (дата доступа 25.11.2022).
14. AI-bank of the future: Can banks meet the AI challenge? / Biswas S., Carson B., Chung V., Singh Sh., Thomas R.; McKinsey & Company. - 2020. -19.09. - [Электронный ресурс] URL: https://www. mckinsey.com/industries/financial-services/our-in-sights/ai-bank-of-the-future-can-banks-meet-the-ai-challenge (дата доступа 25.11.2022).
15. Artificial Intelligence Index Report 2021. - Stanford, CA: Stanford University, 2021. - March. -221 р. - URL: https://aiindex.stanford.edu/ wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf; [Электронный ресурс] URL: https://www.sas.com/ content/dam/SAS/docu-ments/marketing-whitepapers-ebooks/third-party-whitepapers/en/artificial-intelligence-banking-risk-management-110277.pdf (дата доступа 25.11.2022).
16. Artificial intelligence in banking and risk management: Keeping pace and reaping benefits in a new age of analytics. - Cary: SAS, 2018. - 8 p. - [Электронный ресурс] URL: https://www.sas.com/con-tent/dam/SAS/documents/marketing-whitepapers-ebooks/third-party-whitepapers/en/artificial-intelligence-banking-risk-management-110277. pdf (дата доступа 25.11.2022).
17. Digalaki E. The impact of artificial intelligence in the banking sector & how AI is being used in 2021 // Business Insider. -2021. - 13.01. - [Электронный ресурс] URL: https://www.businessin-sider.com/ai-in-banking-report (дата доступа: 25.11.2022).
18. Magana G. AI in banking // Business insider intelligence. - 2020. - October. - [Электронный ресурс] URL: https://store.businessinsider.com/pro ducts/ai-in-banking-and-payments? IR=T&itm_ source=businessinsider&itm_medium=content_ marketing&itm_campaign= report_teaser&itm_ content=buy_button&itm_term=buy_button_link-ai-in-banking-report&vertical=banking# (дата доступа 25.11.2022).
19. The new physics of financial services: Understanding how artificial intelligence is transforming the financial ecosystem / World Economic Forum Report. - Deloitte, 2018. - 28 p. - [Электронный ресурс] URL: https://www2.deloitte.com/content/ dam/Deloitte/cz/ Documents/financial-services/ Deloitte_WEF_FS_AI_Summary_2018.pdf (дата доступа 25.11.2022).
20. Reimagining customer engagement for the AI bank of the future / Chung V., Gomes M., Rane S.,
Singh Sh., Thomas R // McKinsey & Company. -2020. - October. - [Электронный ресурс] URL: https://www.mckinsey.com/~7media/McKinsey/In-dustries/Financial% 20Services/0ur%20Insights/ Reimagining%20customer%20engagement%20 for%20the%20AI%20bank%20of%20the%20f uture/reimagining-customer-engagement-for-ai-bank-of-future.pdf?shouldIndex=false (дата доступа 25.11.2022). 21. Transforming paradigms: A global AI in financial services survey. - Cambridge, Cologny / Geneva: Cambridge Centre for Alternative Finance: World Economic Forum, 2020. - 128 p. - [Электронный ресурс] URL: http://www3.weforum.org/docs/ WEF_AI_in_ Financial_Services_Survey.pdf (дата доступа 25.11.2022).
KEY TRENDS IN THE APPLICATION OF ARTIFICIAL INTELLIGENCE IN THE BANKING SECTOR
Gorodetskaya O. Yu., Gobareva Ya.L.
Financial University under the Government of the Russian Federation
The article is devoted to the consideration of the problems of the use of artificial intelligence systems in banks. Provides information on the scale of use of intelligent technologies by world banks. The main directions of their application in the banks of the Russian Federation are considered. Features of the functioning of intelligent scoring models designed for automated assessment of the creditworthiness of borrowers have been identified. The methods used by banks to personalize recommendations to customers based on artificial intelligence systems are highlighted. Shows how banks use intelligent voice assistants and chatbots. Other private applications of artificial intelligence technologies in banking have been reviewed. Data are presented on the economic effect obtained by banks thanks to the use of artificial intelligence systems as a tool for optimizing costs and stimulating sales of banking products.
Keywords: banks, artificial intelligence, creditworthiness of borrowers, automated scoring, personalization of recommendations, chat-bots, voice assistants.
References
1. 3 examples of the use of artificial intelligence in the banking sector. //[Electronic resource] URL: https://python - school-ru. turbopages.org/python-school.ru/s/blog/ai-in-banking / [Access date: 25.11.2022].
2. Vasiliev, A. Banks are increasingly connecting artificial intelligence to their processes. How, why and where will all this lead us? / Artem Vasiliev. // [Electronic resource] URL: https://da-ta.korusconsulting.ru/press-center/blog/banki-vse-aktivnee-podklyuchayut-k-svoim-protsessam-iskusstvennyy-intellekt-kak-zachem-i-kuda-vse-et / [Access date: 25.11.2022].
3. Artificial intelligence in banks // [Electronic resource] URL: https://www.tadviser.ru/index.php/Статья: Artificial intelligence in banks [Access date: 25.11.2022].
4. Artificial intelligence in the banking sector // [Electronic resource] URL: https://dzen.ru/media/kuchavsego/iskusstvennyi-intellekt-v-bankovskoi-sfere-5e2fac11e6cb9b00ae745d1a [Access date: 25.11.2022].
5. Artificial intelligence in the banking sector // [Electronic resource] URL: https://raexpert.ru/researches/banks/bank_ai2018 / [Access date: 25.11.2022].
6. Kalganov, I. Artificial intelligence in banks what does it give the client and why he should not be afraid / Igor Kalganov // [Electronic resource] URL: https://www.banki.ru/news/column-ists/?id=10942804 [Access date: 25.11.2022].
7. Moskalev, A. AI issues loans, and customers pay in installments: how the bank of the future will work / Artem Moskalev // [Electronic resource] URL: https://hightech.fm/2022/08/10/ fintech-banks [Access date: 25.11.2022].
8. Porokhnavets, A. How the bank of the future can use AI technologies to work with clients / Anastasia Porokhnavets // [Electronic
C3
о
CO
от m Р от
от А
IE
resource] URL: https://just-ai.com/blog/kak-banku-budushhego-ispolzovat-tehnologii-ii-dlya-raboty-s-klientami [Access date: 25.11.2022].
9. Saltykova, M. Half the Kingdom for AI: how much banks save on machine learning, neural networks and chatbots / Maria Saltykova // [Electronic resource] URL: https://habr.com/ru/company/ binarydistrict/blog/440902 / [Access date: 25.11.2022].
10. Chernyshova, E. Artificial intelligence in finance: how banks use neural networks / Evgenia Chernyshova // [Electronic resource] URL: https://trends.rbc.ru/trends/industry/61e924349a-7947761b46f2d8 [Access date: 25.11.2022].
11. Shuremov, E.L. Artificial intelligence and Big Data: Without hype and science / Evgeny Shuremov. - [B.M.]: Publishing Solutions, 2019. - 110 p. - ISBN978-5-0050-2072-7
12. Agarwal A., Singhal Ch., Thomas R. Al-powered decision making for the bank of the future // McKinsey & Company. -2021. -March. - [Electronic resource] URL: https://www.mckinsey. com/~/media/mckinsey/industries/financial%20services/ our%20insights/ai%20powered%20decision%20making%20 for%20the%20bank%20of%20the%20future/ai-powered-decision-making-for-the-bank-of-the-future.pdf (Access date 25.11.2022).
13. AI in financial services: next steps to realising the potential // Waterloo (Ontario): OpenText. - 2018. - [Electronic resource] URL: https://www.opentext.com/info/ai-financial-services/ai-financial-services-report (Access date 25.11.2022).
14. Al-bank of the future: Can banks meet the AI challenge? / Biswas S., Carson B., Chung V., Singh Sh., Thomas R.; McKinsey & Company. - 2020. - 19.09. - [Electronic resource] URL: https://www.mckinsey.com/industries/financial-services/our-in-sights/ai-bank-of-the-future-can-banks-meet-the-ai-challenge (Access date 25.11.2022).
15. Artificial Intelligence Index Report 2021. - Stanford, CA: Stanford University, 2021. - March. - 221 p. - URL: https://aiindex.stan-ford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_ Master.pdf; [Electronic resource] URL: https://www.sas.com/ content/dam/SAS/documents/marketing-whitepapers-ebooks/ third-party-whitepapers/en/artificial-intelligence-banking-risk-management-110277.pdf (Access date 25.11.2022).
16. Artificial intelligence in banking and risk management: Keeping pace and reaping benefits in a new age of analytics. - Cary: SAS, 2018. - 8 p. - [8 Electronic resource] URL: https://www.sas.com/ content/dam/SAS/documents/marketing-whitepapers-ebooks/ third-party-whitepapers/en/artificial-intelligence-banking-risk-management-110277.pdf (Access date 25.11.2022).
17. Digalaki E. The impact of artificial intelligence in the banking sector & how AI is being used in 2021 // Business Insider. -2021. -13.01. - [Electronic resource] URL: https://www.businessinsid-er.com/ai-in-banking-report (Access date: 25.11.2022).
18. Magana G. AI in banking // Business insider intelligence. -2020. - October. - [Electronic resource] URL: https://store. businessinsider.com/pro ducts/ai-in-banking-and-pay-ments? IR=T&itm_source=businessinsider&itm_medium=-content_marketing&itm_campaign= report_teaser&itm_con-tent=buy_button&itm_term=buy_button_link-ai-in-banking-report&vertical=banking# (Access date 25.11.2022).
19. The new physics of financial services: Understanding how artificial intelligence is transforming the financial ecosystem / World Economic Forum Report. - Deloitte, 2018. - 28 p. - [Electronic resource] URL: https://www2.deloitte.com/content/dam/ Deloitte/cz/ Documents/financial-services/Deloitte_WEF_FS_ AI_Summary_2018.pdf (Access date 25.11.2022).
20. Reimagining customer engagement for the AI bank of the future / Chung V., Gomes M., Rane S., Singh Sh., Thomas R // McKinsey & Company. - 2020. - October. - [Electronic resource] URL: https://www.mckinsey.com/~/media/McK-insey/Industries/Financial% 20Services/0ur%20Insights/Re-imagining%20customer%20engagement%20for%20the%20 AI%20bank%20of%20the%20f uture/reimagining-customer-engagement-for-ai-bank-of-future.pdf?shouldIndex=false (Access date 25.11.2022).
21. Transforming paradigms: A global AI in financial services survey. - Cambridge, Cologny / Geneva: Cambridge Centre for Alternative Finance: World Economic Forum, 2020. - 128 p. -[Electronic resource] URL: http://www3.weforum.org/docs/ WEF_AI_in_ Financial_Services_Survey.pdf (Access date 25.11.2022).
a.
e
CM CM
