Искусственный интеллект в финансах: не вместо, а вместе

Машинное обучение является одной из самых перспективных областей Искусственного Интеллекта. Именно на развитие когнитивных сервисов делают ставку аналитики Deloitte: за текущий год, по сравнению с 2017-ым, количество внедряемых технологий и пилотных проектов в области МО должно вырасти в два раза и еще раз удвоиться к 2020 году.

Мнение ИТ-директоров подтверждает прогнозы аналитиков: согласно опросу, проведенному компанией ServiceNow совместно с исследовательским центром Oxford Economics, 89% компаний уже пользуются механизмами машинного обучения. 40% исследуют возможности и планируют внедрение подобных технологий. 26% ведут пилотные проекты, 20% — применяют МО для отдельных бизнес-процессов, а 3% — строят весь бизнес на когнитивных сервисах.

Пора признать: наступление эпохи искусственного интеллекта неизбежно. Люди самостоятельно уже не могут справиться с обработкой возрастающих массивов данных, которые меняют экономическую среду. В то же время технологии машинного обучения позволяют системам учиться и совершенствоваться на основе имеющегося опыта и анализа данных без специального программирования.

Уже сегодня технологии ИИ находят применения в сфере финансов. Многие банки говорят о том, что заявки на кредит теперь обрабатываются за 10 секунд: робот анализирует около 2 тыс. параметров потенциального заемщика, используя как собственные сведения, так и информацию крупнейших бюро кредитных историй, вплоть до сведений о платежах за услуги ЖКХ.

Дальше – больше: в 2016 году Герман Греф заявил, что в Сбербанке через 5 лет 80% всех решений будут приниматься с помощью искусственного интеллекта».

Альфа-Банк также ожидает активного перехода отрасли на «безлюдные» технологии: по мнению его специалистов, уже через 3 года клиенты начнут общаться с ботами при каждом втором обращении за услугой.

Анализировать

ИИ может быть лучшим советчиком в принятии стратегических решений, когда нужно опираться только на факты, не обращая внимания на эмоциональную составляющую.

Так, управление ликвидностью – одна из ключевых задач любой финансовой структуры реального сектора экономики. Продвинутый прогноз составляется с учетом различных факторов: платежной дисциплины партнера, будущих платежей, рыночной ситуации. На точность также влияют курсы валют, биржевые показатели, рейтинг кредитоспособности клиента, период налоговых выплат, день недели, объем покупок за последние месяцы. При этом в транзакционной учетной системе содержится далеко не вся информация. Технологии машинного обучения могут объединить разрозненные данные, проанализировать их и спрогнозировать сумму денежного потока с максимальной точностью.

Например, при использовании системы SAP S/4HANA, из которой можно получить информацию о заказах, счетах-фактурах, финансовых сделках и другом, данные «обогащаются» дополнительной информацией из внешних систем (логистика, потребление долгосрочных контрактов, смарт-контракты на blockchain, платежная дисциплина партнеров). После принятия решения в системе отображается казначейская операция. Далее руководство может скорректировать прогноз, учитывая предложения искусственного интеллекта.

Похожим способом можно осуществлять прогноз потребления с помощью смарт-контракта. Он самостоятельно «отслеживает» исполнение или нарушение пунктов договора и принимает решения – оплатить сейчас или позже, или же оштрафовать, что существенно снимает нагрузку с казначейства.

Искусственный интеллект можно научить управлять банковскими выписками. Машина анализирует действия бухгалтеров, а затем использует полученные знания для формирования документов, которые передаются специалисту для принятия решения. При этом «умная» выписка автоматически изменяется вместе с корректировкой бизнес-процессов. Потенциальные результаты впечатляют: 90% платежей «разносятся» автоматически (автоматическими правилами – в среднем до 40% платежей), cокращается оборачиваемость дебиторской задолженности (DSO, увеличивается скорость обработки входящих платежей.

Предугадывать

ИИ можно использовать как ключевой инструмент в разработке финансовых стратегий: человек просто не может конкурировать с роботом, способным перерабатывать огромные массивы данных и постоянно совершенствовать свои прогнозы.

Речь идет о прогнозировании, построенном на гибком моделировании и полной интеграции в корпоративные процессы. Анализ результатов, корректировка стратегий и подготовка отчетности происходят на основе данных ИИ.

Рассмотрим ситуацию с так называемым «прогнозным закрытием». Знания об операциях, которые влияют на результат, можно как минимум снизить влияние негативных факторов. С помощью технологий ИИ формируется прогноз на базе предиктивных моделей. Полученные данные можно проанализировать и принять меры по улучшению показателей.

Контролировать

Одна из важнейших сфер деятельности любой компании – решение проблем контроля и безопасности.

Анализ накопленной информации и определение, какие хозяйственные операции и транзакции являются нетипичными, а какие – мошенничеством, должен быть максимально достоверным. При помощи технологий искусственного интеллекта гораздо проще выявить операции, которые выбиваются из массива накопленных исторических данных, выявить закономерности, понять финансовые последствия и предотвратить их.

В SAP S/4HANA система автоматически блокирует сомнительные операции и «сообщает» службе безопасности об инциденте. Таким образом, можно добиться практически полного контроля операций в компании в рамках всех бизнес-процессов, а, значит, существенно сократить риск потенциальных финансовых потерь.

Однако не стоит утверждать, что ИИ заменит реальных финансистов. Во всех сценариях, которые мы рассматривали выше, финальное решение принимает «живой» сотрудник. Я ожидаю, что в результате произойдет перераспределение обязанностей: искусственный интеллект будет отвечать за автоматизацию привычных задач, а естественный — за стратегию и инновации.