Mesterséges intelligencia a bankokban
Madarász Tamás, a JP Morgan Chase mesterséges intelligencia kutatója nyitotta meg a 2/A mesterséges intelligencia szekciót, előadásában az AI fejlődéséről, bankszektorba történő megérkezéséről beszélt. Az elmúlt évtizedekben a számítógépek teljesítménye nagyon gyorsan nőtt, a ’80-as évek végén mér megjelentek a text-to-speach alkalmazások, de ezek még nem voltak túl hatékonyak. A 2010-es évek végén jelentek meg azok a nyelvi modellek, amelyek beindították az igazi forradalmat a szélesebb közönség előtt. Nagyon sok pénzbe, befektetésbe kerülő infrastruktúrával jöttek létre a mély tanulásra, elemzésre képes architektúrák, melyek képesek egy ügyfél adatai alapján előre jelezni, hogy hogyan fog viselkedni. A képek, chatek, telefonhívások elemzése révén új távlatok nyíltak meg, ma már léteznek olyan modellek gyakorlatilag minden banknál, amelyek a gazdasági helyzet elemzésére és előrejelzésére szolgálnak.
Az alapvető ötletek, ahogyan a neurális hálózatok működnek, nagyon egyszerűek. Az adatok, pl nem, életkor, születési év adatokból ezekből készülnek különböző műveletekkel középső rétegek, és ezek sokaságából lesz egy válasz. Ezeket a modelleket lehet tanítani olyan esetekkel, amelyek valósak, így tanulnak a modellek. Ha elég sok adattal tanítunk egy szövegmodellt, akkor ki tudja találni, mi az a szó, ami hiányzik egy mondatból vagy szövegből. A legnagyobb technológiai vállalatok, a Google, az Amazon out-of-the boksz elérhetővé teszik ezeket sok esetben ingyen, ezek a modellek válaszolnak a kérdésekre, szövegekre.
A különböző AI-modellek működése:
- A generatív mesterséges intelligencia úgy tanul, hogy megjósolja a rejtett (maszkolt) darabokat, például képpontokat, szavakat, hangokat, képekben, szövegekben vagy zenében.
- Az új feladatokra való általánosítás általában nehéz problémát jelent a mesterséges intelligencia számára, összehasonlítva a gyors alkalmazkodásban jeleskedő emberekkel.
- A nagy, alapozó modellek képesek megtanulni a nyelv általános használatát, megfelelő architektúra és nagy adatmennyiség igénybevételével.
- A nagy nyelvi modellek (LLM-ek), például a GPT4/BARD képesek fordítani, tömöríteni, kérdésekre válaszolni ‘out of the box’,vagy kis finomhangolással.
- Más speciális alkalmazásoknak általában sokkal kevesebb tanítási adatra van szükségük, ha rendelkezésre áll egy jó alapmodell (LLM, CV vagy multimodális modell).
Perszonalizált marketing
A marketing a pusztán költséghelynek tekintett funkcióból mára stratégiai hajtóerővé fejlődött, az elmúlt két-három évben jelentősen nőtt a marketing bevonása a felső szintű döntéshozatalba – mondta előadásában Szebellédy Balázs, a Capgemini pénzintézeti szektorvezetője. A marketing támogatása érdekében a szervezetek innovatív technológiákra támaszkodnak. A cég felmérése szerint a szervezetek 60%-a kísérletez vagy már használja a generatív mesterséges intelligenciát a marketingtevékenység során, és csak 4% nem tudja egyáltalán, mit is kezdjen vele.
A sikeres marketing felépítésének első nagy kihívása mindig az adatok összeállítása és elemzése, az ügyfelekről most már 720 fokos képet érdemes szerezni, vagyis nem pusztán egy statikus képet. Az ügyféladatokat tartalmazó customer data platform (CDP) használata nemzetközileg a szervezetek mintegy egyharmadára jellemző, Magyarországon mintegy 10% tud eredményeket felmutatni ezen a téren. Az AI-t széles körben kampányok létrehozására, ügyfélélmény javítására és adatelemzésre használják.
Nagy nyelvi modellek a bankokban
„Hype vagy realitás a nagy nyelvi modellek alkalmazása banki környezetben?” címmel tartott előadást Ignácz Péter, a KPMG managere. Az AI lényege az, hogy utánozza az emberi kognitív funkciókat, amit a piaci szereplők aktívan használnak – mondta. Az AI leggyakoribb felhasználási esetei a pénzügyi szolgáltatásokban (a Kínán kívüli piacokon) a 1. natural language processing (NLP), a 2. Recommender systems / next-best action és a 3. portfolio optimization. Az előadó által ismertetett felmérésben megkérdezett vezetők 77%- a a generative AI-tól várja a legtöbb üzleti értéket, az IT és operációs területek azok, ahol a leggyorsabb elterjedést jósolják, és 71% tervez implementálni hasonló, modelleken alapuló termékeket. Beszélt arról is Ignácz Péter, hogyan kell „feltanítani” egy GPT modellt, ha van valakinek néhány millió dollárja.
A nagy nyelvi modellek (LLM) sok mindenre jók, de ne tévesszen meg a folyékony szövegalkotás – hívta fel a figyelmet. Ezeket a technológiákat érdemes az adott pénzügyi funkció erősségeivel kombinálva bevezetni és velük együtt alkalmazni. A nagy nyelvi modelleket ajánlott becsomagolni abba az architektúrába, amire az üzleti környezetnek szüksége van, csak a hype kedvéért nem érdemes kísérletezni vele – mondta a KPMG szakértője. A tanácsadócég „client zeróként” először magán kísérletez, olyat nem akar kivinni a piacra, ami még náluk sem működik. Ilyen kezdeményezés a tudásbázis létrehozása és információkeresés nagyméretű szövegekből, az intelligens dokumentumkezelés, hatalmas mennyiségű dokumentum fordítása percek alatt, vagy éppen az érdeklődésre számot tartó záradékok azonosítása.
Mesterséges intelligencia - Mire ez a nagy felhajtás, és mire lesz jó az AI a bankoknak? - Kerekasztal
Jendrolovics Máté (Intuitech) szerint minden technológiának van egy hype ciklusa, amikor azt hisszük, hogy az mindent megold, utána rájövünk, hogy semmire nem jó, végül kiderül, hogy mégis mire lesz alkalmas. Ami most nagy változásokat hozott, az a generatív AI. Ez egy másik business case-t jelent, ez egy külön hype ciklust indított el, most kísérletezési fázisban vagyunk, de már valós use case-ekkel. Fontos, hogy a megkülönböztessük a technológiai problémákat és a nem technológiai problémákat, ugyanis a tapasztalatok szeirnt a data AI projektek 90 százaléka nem kerül élesbe. Nagy kérdés, hogy a technológia mennyire gyorsan fog fejlődni, hogy például egy automatizmus az emberi mukaerőt kiváltsa vagy segítse. A motsani, alapvetően beszéklgetsére alkalmas chatbotok helyett akciókat végrehajtó botok terjedhetnek el. A szakértő szerint várhatóan szine minden banki alkalmazott mellett ott lesz egy AI, amely segít helyette végrehajtani akciókat a banki rendszerekben, támogatja a munkáját.
Menyhárd Attila (VJT & Partners) a kerekasztal beszélgetésen kifejtette, hogy amikor ilyen jellegű változásokat látunk, azt kell eldönetni, mi az, ami új jelenség és mi az, ami csak egy régi köntösben megjelent, de már ismert probléma. A jog világában például az okosszerződések kapcsán az volt az első gondolat, hogy foradalom lesz, de most ott tartunk, hogy ezzel jogi értelemben nem is biztos hogy foglalkozni kell. "Az MI alkalmazások ránk estek az égből," ez egy technolóiai fejlődés egyik fázisa, ez valahol a 20. század elején kezedődött a tömegességgel. Attól, hogy egy jelenség tömeges, gyorsabb, társadalmi kockázatokat rejt, ám az már nem biztos, hogy ezt másképpen kel szabályozni is. A szakértő szerint jogi jelenségként a tanulási fázison végig kell menni. A jogászok elé a az automatikus döntéshozatallal kapcsolatos, és a kiberbiztonsággal. A banknak a felelőssége is egyre több helyzetben fog felmerülni.
A társadalomnak is van egy tanulási folyamata, ahogy akockázatok felmerülnek, úgy változunk mi is, és alkalmazkodni fogunk ehhez. Ahol technológiai változás van, ott jellemezően kellenek az adaptációs folyamatok. A jogalkotó sokszor nem tudja megjósolni, hogy mi lesz a nagy kockázat, ha a jogalkotóra bízzuk a szabályozást, ő túlszabályoz - vélte.
Mérő László (ELTE) elmondta, az elektromosság 200 éve nem létezett, az AI ugyanígy fog körülöttünk megjelenni, ahogy most az elektromosság vesz körül minket. Szerinte pont a fordítottja történik, mint amikor az angol pénzügyminiszter meglátogatta Michael Faraday laborját, és mekérdezte tőle, hogy mire lesz ez jó? Ő pedig azt válaszolta neki, talán valamikor ezt is meg lehet majd adóztatni. Az AI-nál nem kérdés, hogy meg lehet adóztatni. Mennyit változtatott a világ 200 évvel ezelőtt? Ez ugyanígy nem lehet megjósolni most, mint hogy az AI hogyan fogja megváltoztatni a világot. Le fog menni ez a hype, és látni fogjuk, hogy az AI tényleg fog-e tudni valami olyat, amitől megijedhetünk. Szerintem azért nem, mert úgy fogjuk szabályozni, hogy ne tudjon ártani nekünk.
Vadócz Zsolt (K&H Bank) kifejtette, hogy az AI nem most született, ami most változott, az a számítási kapacitás teljesítményének a durva megemelkedése, és az, hogy ma már mindenkinek a kezébe kerültek az AI megoldások. A banki szakembereknek most az a feladata, hogy kiválasszák, hogy a nagyvállalati környezetben mit veszne ki ebből, az igazi értékeket kell megkeresni. Az egyik jó példa erre a perszonalizált marketing, amely a bankszektorban már megvetette a lábát. A K&H Banknál az adattárház mellett viselkedési mintákat, és erről szóló adatokat is gyűjtenek, hogy mit miért tesz az ügyfél, hogyan viselkedik a digitális felületeken. Erre építenek deep learning modelleket, és elemzik az adatokat. A másik fontos bankszektori alkalmazása az AI-nak Kate, a bank magyar nyelvi modellel működő asszisztense, amely igyekszik felismerni az ügyfél szándékát, és segít az ügyfélnek a mindennapi bankolásban. Nemrégiben kapott egy új funkciót, már hang alapú utalást is el lehet vele végezni.
Madarász Tamás (JP Morgan Chase) szerint sok most még a vita arról, hogy a munkaerőpiacra hogyan fog hatni az AI-boom. Az új technológiák eddig mindig növekedésre, új munkahelyek megszületéséhez vezettek, a kezdeti kutatások azt mutatják, hogy rövidtávon több munkahelyt teremt az AI is, de hosszabb távon alááshatja a munka alapú társadalom működését. Ez a szakértő szerint 5-10 éven belül fontos kérdés lesz. A másik fontos változás, hogy az AI a valóságba vetett hitünket hogyan fogja megingatni. Az AI-szabályozásáról szólva elmondta, hogy szerinte ugyan az AI alkalmazását bizonyos esetekben meg lehet tiltani, de a fejlesztést nem lehet.
Címlapkép forrása: Portfolio