Банк 4.0: Новая финансовая реальность

Преимущество технологических лидеров состоит в том, что у них есть и средства, и специалисты, способные обеспечить прорыв в применении искусственного интеллекта. Финтех-компании изначально ориентированы на развитие технологий, их сотрудники готовы погружаться в исследования и разработки в области искусственного интеллекта, и у них нет процессов, процедур и иного наследия прошлого, которые замедляли бы работу. Всё это говорит о вероятности увеличения отставания банков в части применения искусственного интеллекта. Следовательно, вполне возможно, что, когда искусственный интеллект начнет играть заметную роль в финансовых услугах, влияние традиционных банков на развитие AI-сервисов окажется намного менее значительным, чем, скажем, влияние изменений в нормативной базе или потребительском поведении.

Говоря о роли искусственного интеллекта в банкинге или финансовых услугах, важно дать точное определение предмету обсуждения. Многие банкиры ошибочно считают искусственный интеллект явлением далекого будущего, которое не будет связано с банковским обслуживанием. Алгоритмы, делающие возможным машинное мышление, появились только в последние годы благодаря широкому применению систем обработки массивов данных и росту вычислительных мощностей.

Сегодня говорить об искусственном интеллекте, не уточняя детали, – всё равно что говорить о Токио, имея в виду всю Азию. Такой подход создает неверное представление о разных типах искусственного интеллекта, а также о том, как они повлияют на развитие банковских услуг. Например, чтобы упразднить множество должностных позиций в банках, не нужен передвигающийся на двух ногах робот-андроид, обладающий общим искусственным интеллектом (artificial general intelligence, AGI). Даже сегодня, с учетом первых достижений в области искусственного интеллекта, мы уже видим основания для значительных изменений в подборе персонала для сферы финансовых услуг в ближайшее десятилетие.

В 2000-х годах банк UBS перенес свой торговый зал в штаб-квартиру в городе Стамфорд, штат Коннектикут. Торговая площадка вмещала более 5000 трейдеров, гордых возможностью трудиться в здании площадью 700000 кв. футов (65000 кв. м). Сегодня торговый зал пуст; причина – автоматизация всего направления биржевой торговли в UBS. В банке Goldman Sachs решили количественно выразить происходящие изменения: оказалось, один инженер по вычислительной технике может заменить четверых или пятерых трейдеров. Сегодня Goldman Sachs активно автоматизирует внутренние операции, и треть сотрудников уже составляют компьютерные инженеры.

Банки Goldman Sachs и UBS используют сложные алгоритмы, повторяющие порядок действий трейдера-человека, – простой машинный интеллект (machine intelligence) с эквивалентным человеческому алгоритмом принятия решений для конкретной задачи. Хороший пример – проект, запущенный UBS и компанией Deloitte в 2016 году: простая программа для обработки посттрейдинговых запросов клиентов на размещение средств. Система без участия человека проверяет электронные письма клиентов, в которых те указывают, как распределять крупные блочные сделки между фондами, а затем обрабатывает эти запросы и осуществляет переводы. Автоматизированная система за несколько секунд выполняет задачу, на решение которой инвестиционный банкир – человек раньше тратил около часа. Мы просто программируем алгоритм, повторяющий действия трейдера-человека.

Путь к новым возможностям открывается при отказе от программирования заданного набора правил через синтаксис вида «if— then»[185]. Мы создаем алгоритмы, базы данных и обучающиеся системы, которые могут следить за действиями участников и усваивать полученную информацию. Мы создаем компьютеры, которые учатся. Все, что нужно, – обеспечить алгоритм необходимым объемом данных, а уж данных у нас предостаточно. Просто загляните на Facebook.

В своем развитии искусственный интеллект неизбежно пройдет три фазы[186].

● Алгоритмы и машинный интеллект – зачаточный машинный интеллект на основе алгоритмов, замещающий некоторую часть умственной работы человека при принятии решений или выполнении конкретных операций. Это будут нейронные сети или алгоритмы, которые смогут принимать эквивалентные человеческим решения в условиях узкой специализации и делать это эффективнее человека. Вместе с тем система может «учиться» решать новые задач или обрабатывать новую информацию за рамками заложенного в исходной программе функционала. На самом деле такие системы работают уже сейчас. Примеры: самоуправляемый автомобиль от Google, алгоритмы высокочастотной торговли (high-frequency trading, HFT), программное обеспечение для распознавания лиц, приложения для оценки размера страховых выплат на базе технологии распознавания изображений, алгоритмы оценки кредитного риска (например, инструмент от Sesame Credit).