Как банки приручают роботов

Александр Азнавур, менеджер по развитию цифровых каналов Промсвязьбанка, в колонке для FutureBanking разбирает типы искусственного интеллекта и рассматривает его применимость в различных областях банковского бизнеса.

По данным отчета Artificial Intelligence Report за 2017 год, возможности искусственного интеллекта (ИИ) почти сравнялись с возможностями человека – например, в способности проводить точный синтаксический анализ сложных (более 40 слов) предложений: технологии справляются с этим уже как минимум на 94%. А по способности распознавания объектов на изображениях искусственный интеллект уже обогнал человека.

Вопрос, кто победит, остается открытым. Вместе с тем, представить современный банк без передовых цифровых технологий сложно. Чтобы разобраться, зачем банкам искусственный интеллект, будет правильным для начала определить его типы.

Принято выделять «сильный» и «слабый» искусственный интеллект. «Сильный», или general AI, – такой ИИ мы видим в фильмах и сериалах, читаем о нем в фантастических книгах – он «мыслит» осознанно и способен принимать интуитивные решения, планировать и общаться естественно. Такой идеальный «сверх»-ИИ пока еще не создан, и это точно не произойдет в ближайший год. И вопрос «зачем банку такой ИИ?» будет не совсем уместен, тут скорее подойдет «зачем такому ИИ нужен банк?»

«Слабый» ИИ (его еще называют narrow) не означает «неэффективный», это то, с чем уже успешно работают различные организации, в том числе, финансовые. Его технологии позволяют решать конкретные задачи, по сути, являясь обычной автоматизацией. Он имеет широкое применение, потому что бизнесу всегда интересно решить прикладную задачу на коротком временном горизонте, всех всегда интересует эффективность ее выполнения и быстрый результат.

ИИ «слабого» типа также разделяют на алгоритмический и основанный на машинном обучении (ML).

Например, чат-бот, который спрашивает: «Какого вы пола?», «Какой у вас рост?» и «Какой вес?», и после этого сообщает, какой у вас индекс массы тела и нужно ли вам набрать вес или сбросить или у вас все идеально. Возникает вопрос – это уже искусственный интеллект, или нет? С ним ведь можно говорить. Кажется, что больше да, чем нет. Но за таким «ИИ» уже кроется простой алгоритм, который сможет написать даже школьник. Теперь представим себе веб-страницу, на которой вы сами выбираете свои параметры,  нажимаете «Посчитать», и получаете такой же результат – сколько из нас назовет такое решение искусственным интеллектом? Далее, допустим, есть табличка в Excel, где вы вводите в три стоящих рядом поля нужные значения и получаете ответ в отдельной ячейке. Конечно, всем понятно, что это не искусственный интеллект, а обычный алгоритм.

Этот пример хорошо иллюстрирует размытую грань между чем, что можно считать искусственным интеллектом, а что – нет.  Но уже сейчас бизнес-сообщество негласно договорилось называть ИИ машинное обучение.

Роботизация сегодня – уже обычная часть рабочего процесса. Вопрос лишь в том, какие инструменты используются.

Например, классические продукты для автоматизации банковского скоринга. Ведь что такое кредитный скоринг? По сути, алгоритм, который на входе анализирует какое-то количество параметров по клиенту и выдает на основании их значений скорбалл. Именно он помогает решить – можно ли давать этому человеку кредит. Это тоже искусственный интеллект – раньше он был чисто алгоритмический, а сейчас и в небольших банках, и в крупных применяется машинное обучение (ML).

Логистическая регрессия или альтернативные методы ML (random forest, gradient boosting, нейросети) – что лучше работает в скоринге? Как быть с эффектом «чёрного ящика» при использовании моделей с ML? Узнаем 18-19 апреля на конференции Scoring Days 2018 в рамках Баттл-сессии «Итоги 5 лет применения машинного обучения в скоринге». Участвуют Альфа-Банк, Бинбанк, Росбанк, «Ренессанс Кредит», «Сколково», «Поток» и KPMG.

Нейронная сеть, в отличие от алгоритмов, не программируется в привычном смысле этого слова – она обучается, но делает это не так, как человек. Простой пример – дайте джойстик от игровой приставки обычному пятилетнему ребенку и через пять минут вы увидите, что он играет и даже выигрывает: он понял игру, на которую него уйдет несколько попыток. А теперь возьмем самый совершенный алгоритм от DeepMind, который обыгрывает человека в сложные игры. Как его обучить? Ему потребуется десятки тысяч ходов, чтобы освоить игру.

Ценность нейросетей заключается в том, что они отлично справляются с решением задач, которые не под силу обычным алгоритмам, и не могут быть описаны большим набором правил. Это инертная система: чтобы ее обучить, потребуется много данных, но если это удалось – пределы возможностей будут шире, чем у человека.

Почему тогда не сделать весь банк на нейросетях, если они лучше человека справляются со сложными вещами? На 100% этого не получится, да и не требуется. Наилучший результат дает сочетание нейросетей и алгоритмов.

Кейсов использования ИИ в банках сегодня десятки. Например: предиктивная аналитика, кредитный скоринг, фрод-мониторинг, биометрическая идентификация. Мы используем машинное обучение для определения подходящих продуктов из линейки, и не делим клиентов на сегменты «вкладчик», «заемщик» и т.д., это по-настоящему персонализированный банкинг.

Самый популярный вопрос про ИИ – когда робот отберет мою работу? Результаты Artificial Intelligence Report говорят о том, что за последние пять лет количество вакансий в сфере искусственного интеллекта выросло в 4,5 раза в США, в 8 раз в Великобритании и более чем в 12 раз в Канаде. Но что касается банков, здесь нет универсального ответа. Просто донастроить ставку по вкладу или кредиту сможет и робот, а добавить что-то принципиально новое – уже нет.

С внедрением в банкинг новых технологий кредитные организации не только получат возможность персонализированных коммуникаций с любыми клиентами, но и могут снижать издержки на их обслуживание. Чего не может машинное обучение, так это быть креативным. Конечно, бывают генеративные нейронные сети, которые выдают то, что мы можем считать творчеством – например, музыку, изображения или даже сценарии, но придумывать новые механики работы финансовых продуктов они не могут.

Кстати, настоящее живое общение в клиентской поддержке – то, что роботам удается освоить пока чуть хуже, чем людям. Понятно, что если в самой поддержке изначально используются слишком формальные и шаблонные ответы, человеку уже кажется, что с ним разговаривает робот. Хорошо, когда от этого стараются уходить.

Многие банки предлагают в чате только живое общение с менеджером, а ИИ используют для внутренних целей: рекомендаций сотруднику поддержки. Сотовые операторы наоборот, предпочитают чат-ботов. Здесь нет правильного и неправильного подхода, ведь главное – решен ли вопрос клиента и как быстро.

Хороший робот в чате – тот, которому можно задать любой вопрос. Тут ИИ очень востребован, и на самом деле, чат – отличная площадка для экспериментов, главное – не заиграться. Иногда роботы неправильно интерпретируют запрос: речь идет о ложно-положительных срабатываниях, когда бот предлагает нерелевантный вопросу ответ. Людям это не нравится. Есть еще ложно-отрицательные, когда на вопрос робот отвечает «Простите, я не понимаю вас». Такие несовершенства ИИ сегодня – вынужденная реальность, и помимо самого процесса машинного обучения, с ними можно бороться только двумя способами:

Во-первых – трезво оценивать возможности технологии и ограничивать использование ИИ в импровизированном диалоге. Например, прописывать больше закрытых (предполагающих выбор из предложенных вариантов ответа) сценариев для диалога. Ошибиться при такой схеме будет невозможно.
Второй способ: имитация, где объект – не человеческий интеллект, а человеческое несовершенство, упакованное в дружелюбную и обезоруживающую формулировку. Пару лет назад был конкурс с тестом Тьюринга, где победил робот, маскирующийся под ребенка, потому что перепутать несмышленость ребенка и робота – легче, чем отличить интеллект взрослого человека от интеллекта машины, плюс робот «удачно» совершал грамматические ошибки – все купились но это.

Дружелюбные формулировки очень важны, они помогают сгладить раздражение, но все же наша главная цель здесь – решить вопрос клиента, а не просто подарить ему положительную эмоцию, хотя на этом нужно строить любую коммуникацию.

В ПСБ мы экспериментируем с автоматизацией поддержки, стараясь не допустить негативных эмоций в ответ на действия робота-помощника. Поэтому добавили кнопку «Вызов оператора», чтобы исключить ситуацию, когда клиент «застрял» в диалоге с не до конца понимающем его ИИ и не может продвинуться в решении проблемы. Мы даже пошли чуть дальше – в случае, когда робот не знает, что ответить, – он сам автоматически подключит оператора, коротко предупредив клиента.

Последний, но важный вопрос – нужен ли ИИ в каждом продукте или сервисе? Как ни заманчиво это звучит, надо помнить, что все, что очень удобно одному клиенту, может вызывать беспокойство у другого. Простой пример – автоплатеж. Это отличное решение, но для кого-то тревожное: ведь, по сути, в какой-то момент деньги просто списываются автоматически, ты не контролируешь этот процесс в моменте, несмотря на то, что лично задал все параметры, срок списания заранее и т.д., и т.п.

Идеальный автоплатеж – это тот, который вовремя сообщает: «Вам пора за электричество платить, требуется 1000 рублей», но последнее слово всегда должно оставаться за человеком, мы пока еще самый совершенный вид на этой планете.