Уравнение искусственного интеллекта

Если вы директор по управлению рисками (CRO – chief risk officer), ваш мир становится более сложным и в то же время более простым. Более сложным, потому что процесс обслуживания клиентов становится все быстрее и с наименьшими задержками, а это тоже риски. Проще – потому что новые технологии, основанные на искусственном интеллекте и платформах машинного обучения, помогают вам справляться с поставленными задачами.

Одним словом, эта сложность связана с данными. Люди ежедневно создают больше данных, чем мы производили в первые 100 тыс. лет нашего существования, и скорость распространения данных продолжает расти. Представьте себе, что гигабайт это размер кирпича. Десять лет назад, мы ежедневно создавали достаточное количество данных для строительства целого дома. Теперь, день за днем мы производим такое количество данных, что хватило бы на постройку двух с половиной Великих китайский стен.

Данные растут не только по объему, но и по формату и каналу передачи. Помимо увеличивающихся объемов данных, CRO также сталкиваются с растущими требованиями современных клиентов. Они всегда online и всегда ожидают беспрерывного, быстрого обслуживания. Перед CRO стоят задачи по созданию процессов для управления рисками, которые могут идти в ногу с этими требованиями в отношении скорости и простоты использования.

В результате организации меняются, начиная с верхушки управления. Там где раньше существовало разделение между CRO и CIO (IT-директор), сейчас существует четкая связь. Раньше информация была вотчиной сугубо директора по IT, теперь уже нет.

Директорам по IT поручено управлять и контролировать данные, но это невозможно без понимания значения и сути, которая стоит за этими данными. А CRO, которым поручено понимать эту информацию, не могут выполнять свою работу, если они не осознают, как управлять и хранить в безопасности данные.

Прошли те времена, когда эти проблемы были четко разделены: инфраструктура передающая данные внутри организации и информация, проходящая через эту инфраструктуру. Сегодня CRO должен помогать управлять инфраструктурой, а ИТ-директор должен понимать содержание и суть информации, которая циркулирует в этой инфраструктуре. В этом партнерстве CRO фактически становится CIO. В результате чего возникает резонный вопрос: а должен ли CIO становиться CRO?

В современных финансовых организациях, основанных на цифровых технологиях, разграничение между управлением информацией и рисками размывается должностью директора по IT.

Эпидемия утечки данных

Это партнерство между CRO и CIO пришло как раз вовремя, потому что сложность лежащая в основе нашей глобальной инфраструктуры весьма ненадежна. Как результат, эпидемия утечек данных по всему миру. Эти утечки столь частые и массовые, что они наглядно демонстрируют всю ненадежность полуразрушенной инфраструктуры.

В одном из исследований, Ассоциация сертифицированных экспертов по мошенничеству обнаружила, что глобальные убытки от мошенничества составляют $2,8 трлн. ежегодно. Если бы мошенничество имело ВВП, оно приблизилось бы к размеру ВВП Германии.

Сегодняшние мошенники настолько изобретательны, что в одном опросе британских банкиров, одним из популярных ответов на вопрос о самом большом финансовом риске для бизнеса оказался “развивающиеся криминальные методологии”.

Чтобы ориентироваться в сложном процессе обнаружения мошенничества в таких огромных объемах разнообразных данных, финансовые учреждения все чаще внедряют системы машинного обучения, которые могут определять паттерны с такой точностью, которая была невозможна раньше. Аналитическая сила искусственного интеллекта настолько велика, что развертывание платформ машинного обучения становится необходимым требованием для крупных и малых организаций.

В результате появляется другое партнерство. Также как CRO и CIO собираются вместе, так и люди и машины, объединяют свой интеллект и процессы обучения, чтобы создать что-то общее и более эффективное. Однако партнерство между человеком и машиной не лишено трудностей.

По словам Крэйга Мураскина, управляющего директора по инновациям Deloitte, самая большая проблема для риска, это понимание и определение того, на что следует обратить внимание, будучи внутренним аудитором или CRO.

Есть четкие ограничения в том, что люди могут делать и что они могут найти. Люди так увлечены технологиями, потому что считают, что они дадут прекрасную возможность выделить уровни понимания, которые ранее не были доступны при работе с огромными объемами данных.

Чтобы удовлетворить оперативность, которую требуют клиенты, поставщики финансовых услуг имеют в своем распоряжении доли секунды, на принятие решения. Решения, которое, вероятно, в будущем повлияет на дальнейшие взаимоотношения с этими клиентами. Одной из основных проблем является сокращение ложных срабатываний, когда легитимные клиенты блокируются из-за ошибочного красного флага.

Эффективное принятие решений должно быть в состоянии сократить количество ложных срабатываний, а также предотвратить преступное поведение. Другими словами, управление рисками – это больше, чем борьба с плохими парнями. Речь идет о развитии бизнеса.

Влияние цифровизации

Когда в 10 веке древние китайцы начали использовать бумажные деньги, они применяли бумагу из тутовых деревьев. Чтобы предотвратить мошенничество, охранники вели наблюдение за тутовыми лесами.

Спустя тысячу лет коммерция стала более сложной. И так, наши деньги. Валюта стала неосязаемой. Вооруженные охранники больше не помогут в улучшении стратегии безопасности, потому что теперь деньги существуют как нули и единицы, передающиеся мобильными телефонами через антенны и спутники. Мы перевели нашу экономику в цифровую инфраструктуру и эта инфраструктура уязвима.

Через уязвимые места преступники пытаются найти способы проникнуть в крупнейшие в мире учреждения. И часто они преуспевают в этом, на удивление простыми способами. Рассмотрим утечку, произошедшую 2 года назад в крупной американской розничной сети Target, где были украдены данные 110 млн. человек. Потери от этой утечки обошлись компании $116 млн., а генеральный директор и вовсе лишился своей должности.

Как же мошенники проникли в систему? Через кондиционер. Fazio Mechanical, поставляющая для Target оборудование для кондиционирования и вентиляции воздуха, чтобы продукты и напитки оставались холодными. Однажды сотрудник этого небольшого поставщика открыл фишинговое письмо, тем самым позволив хакерам заполучить свой логин. После этого им не составило труда через сервера Target проникнуть в систему продаж компании, где хранились огромные объемы данных.

Украденные данные, такие как эти, помогают процветать черному рынку, где мошенники продают похищенную информацию о человеке за стоимость сэндвича.

Новые навыки, для нового мира

Широко распространяющиеся уязвимости в нашей цифровой инфраструктуре, и связанные с этим риски, говорят о том, что CRO и CIO будут обязаны расширить свои соответствующие навыки, чтобы выжить в этом новом мировом порядке. Риски является цифровыми, поэтому и решения о предупреждении рисков также должны быть цифровыми. Преступники внимательно следят за компаниями и их системами предупреждения рисков, пытаясь найти в этих организациях слабые звенья. И как демонстрирует серия цифровых утечек, системы, основанные на строгих правилах, совсем не сокращают количество преступлений.

Машинное обучение, как спасительное решение

Традиционные подходы к принятию решений полагаются на определение моделей риска, с использованием созданных человеком правил. Проблема с этим подходом заключается в том, что финансовые учреждения постоянно обращаются к вчерашней угрозе, оставляя уязвимые точки входа открытыми для следующей волны атак.

В то время, как преступники могут адаптировать свою тактику каждый день, у стандартных систем обнаружения мошенничества это может занять от трех до шести месяцев. Напротив, системы обнаружения мошенничества, основанные на машинном обучении, могут распознать подозрительные модели поведения мгновенно, даже когда изменен контекст.

Традиционные подходы обнаружения мошенничества сталкиваются с еще одной угрозой: несмотря на высокие финансовые и репутационные последствия, его количественные показатели весьма низкие. Распространенность мошенничества имеет случайные и весьма непредсказуемые вариации.

Кроме того, каждый индивидуальный случай мошенничества может не совпасть с согласованным набором характеристик, используемых при традиционном подходе, результатом чего становится либо неудачная идентификация, либо чрезмерное маркирование, что ложится тяжким бременем на любую организацию.

Давайте сравним этот подход с машинным обучением. Платформы, которые используют возможности искусственного интеллекта, могут усваивать огромное количество информации в любом формате и через множество каналов. Это позволяет им оценивать стандартные профили поведения для отдельных объектов, таких как человек, устройство или банкомат. Затем эти платформы отслеживают аномальное поведение в режиме реального времени, мгновенно проверяя историю транзакций за четыре года, чтобы предупредить лиц, принимающих решения о подозрительной деятельности.

Что станет с учеными в области данных?

Поскольку анализ данных становится все более и более важным для финансовых услуг, количество доступных талантливых ученых-исследователей постепенно сокращается. В то же время наблюдается бум в инновациях новых инструментов и программного обеспечения, которые изменят способы работы ученых в области данных. В старом мире этим ученым, даже самым опытным и творческим, пришлось потратить большую часть времени на выполнение скучных, но важных задач, разработку ручной стратегии гигиены данных, извлечение функций и обновление моделей. Но появились новые инструменты и программное обеспечение, которые могут автоматизировать эти обыденные задачи и сохранить ученым их ценное время.

Раньше только топ-аналитики могли выполнять определенный уровень продвинутой аналитической работы, используя исключительно умственные способности и творческое мышление, чтобы вырвать определенный смысл из необработанных данных. Но для исследователя в области данных завтрашнего дня, продвинутая аналитика станет доступной для гораздо большего количества людей, благодаря достигаемым знаниям, которые начинает обеспечивать машинное обучение. С помощью человека, для обучения и обеспечения обратной связи с машиной, системы, использующие искусственный интеллект, моделируют вселенную с помощью нового взгляда. Они предоставляют новые перспективы и идеи исследователям в области данных в партнерстве, которое строится на их собственном развитии и улучшается с течением времени.

Недостатком является то, что иногда невозможно выяснить, почему система машинного обучения пришла к определенному выводу. Скрытое мышление этих систем создает головоломку для CRO, которые связаны с регулированием документирования тех, кто стоит за их решениями. Недостатки искусственного интеллекта, которые происходят внутри черного ящика, требуют нового вида машинного обучения: искусственный интеллект “whitebox”. Этот более прозрачный тип искусственного интеллекта дает объяснения самых главных факторов, ведущих к его решению, используя язык, который человек может понять.

Как CRO выделяют этот вопрос: что такое кибер-риск? В основе этого вопроса лежит наиболее обсуждаемая тема в корпоративных залах заседаний. Хакерские атаки, исполнение роли реальных людей, кибер преступления … список угроз продолжает расти.

Как мы можем управлять этим риском? Совет такой – будьте практичны. Используйте многоуровневый подход и убедитесь, что все элементы управления, о которых вы думаете, будут учитывать происходящие в данный момент риски.

CRO должны сделать все возможное, чтобы подтвердить, что клиент действительно является клиентом. Затем посмотреть на следующий уровень. Как себя ведет клиент? Выдает ли его соответствующее поведение?

Некоторые уровни касаются использования украденных данных, в то время как другие уровни создаются для предотвращения потери данных. Теперь наступает время CIO. Эта роль ставится перед тем, кто должен убедиться, что брандмауэр и системы сканирования обновлены, чтобы избежать входа через неавторизованных поставщиков. Ежедневное взаимодействие между этими двумя силами происходит в частичном пересечении, которое можно описать одним словом: риск.

Организации с более сложной структурой наймут компании для противодействия незаконному проникновению, на которые работают “правильные” хакеры, чтобы организовать атаки на системы, занимающиеся поиском их уязвимостей. Другие организации проведут учения и смоделируют фиктивное проникновение, чтобы протестировать свою готовность на такие случаи.

В этом есть возможность узнать больше о поведении вашего должностного лица, отвечающего за эти вопросы, а также удовлетворить растущие ожидания регуляторов финансовой индустрии, чтобы знать своих клиентов, лучше прогнозировать риск и улучшать качество обслуживания.

У многих финансовых учреждений есть проблемы с рисками, и на сегодняшний день преобладающим решением этой проблемы, является привлечение большего количества персонала. Люди осуществляют контроль качества, проверяют контролеров и проверяют сам процесс контроля. Это, мягко говоря, не эффективно, а также чрезвычайно дорого.

Настало время применить искусственный интеллект для решения этих проблем. Его эффективность и способность противодействовать мошенничеству, принимать более качественные кредитные решения и улучшать опыт работы с клиентами, намного более продвинуты, чем способности любого человека. Регуляторам это тоже понравится.

CRO долго ждали перемен, которые поставят их на порог открытия, которое позволит увидеть искусственный интеллект в действии. Чтобы ускорить изменения и принести технологии искусственного интеллекта в вашу организацию, спросите себя, что удерживает вас от этого. Это инерция – побуждение продолжать то, что вы делаете, и не останавливаться на этом, чтобы изменить то, что кажется работает? Или это бюрократия – известная проблема в процессе изменения людей и систем?

Машинное обучение уже начинает “заменять ручную обработку данных и “грязную работу” по управлению данным”, что приводит к внедрению встроенного программного обеспечения для анализа данных, предоставляющего американским компаниям экономию более $60 млрд. к 2020 году.

Ожидается, что к 2035 году искусственный интеллект в целом добавит еще 4,6 % к валовой добавленной стоимости (GVA) США, что составит около $8,3 трлн. экономической деятельности.

Но стоит иметь в виду, что регуляторы не хотят, чтобы непроверенная технология была опробована на клиентах. Таким образом, лучший способ добиться изменений, это найти инновационную прослойку в вашей организации, которая поможет вам развернуть и протестировать процесс, чтобы продемонстрировать уверенный бизнес пример. Согласовать этот процесс с потенциальными финансовыми компаниями-разработчиками, которые предлагают лучший опыт обслуживания клиента, и остальное последует уже само собой.

Никто не любит мошенничество. Самый полезный совет – попытайтесь раскрыть свой разум и испытать некоторые из новых технологий. Может ли искусственный интеллект и машинное обучение быть мостом между CIO и CRO? Хочется верить, что это так.

Пять причин, по которым машинное обучение является ключевым фактором в обнаружении мошенничества

В прошлом искусственный интеллект был доступен только крупным правительствам или крупнейшим мировым корпорациям. Теперь искусственный интеллект становится таким важным инструментом и таким образом распределяется, что он объединяет список основных коммунальных услуг, таких как электричество и газ. С искусственным интеллектом в роли проточной воды, все предприятия хотят пить из крана.

Вот пять причин, по которым искусственный интеллект и машинное обучение являются такими мощными инструментами принятия решений:

1. Обнаружение паттернов
Преступники люди с деньгами, которые они заработали потому что, что-то делали. Они работают в лихорадочном темпе для того, чтобы идти в ногу с новейшими технологиями. Таким образом, преступники меняют свои методы, пока не найдут те, которые работают. Постройте стену, и они выкопают туннель. Машинное обучение подрывает эту основанную на правилах парадигму, используя идеи, собранные из множества точек измерения, до поверхностных моделей, которые ранее были невидимыми.

2. Омниканальное поглощение
Хорошая платформа машинного обучения не привередлива к информации, которой ее “кормят”. Она будет принимать всю информацию, которую вы ее предоставите, независимо от формата или канала. Например, в политике противодействия мошенничеству необходимо составить полное представление о транзакции, взяв данные с различных каналов, включая онлайн и мобильные каналы, контактные центры и внутри магазинные маршруты.

3. Долгосрочное направление – долгосрочный риск
Мошенники упорно трудятся, чтобы не попасться, поэтому не может быть ни единой промашки в борьбе с их преступлениями. Идентификация потенциальных преступников требует сложного подсчета и анализа большого количества моделей поведения. Это масштабная задача, с решением которой может помочь только машинное обучение, используя платформу, которая обеспечивает прозрачность в своих разработках, с применением искусственного интеллекта “whitebox”.

4. Скорость
Девиз любой системы защиты – не препятствуйте продажам! Клиенты начинают сердиться в течение доли секунды. Они хотят беспрепятственный, быстрый опыт покупки. Машинное обучение соответствует этим высоким запросам, предлагая защиту в режиме реального времени, которая работает быстро и эффективно, оставаясь незамеченной.

5. Самосовершенствование
Отличительной чертой машинного обучения является то, что со временем оно становится лучше. В знак партнерства между человеком и машиной, взаимодействие ученых в области данных и моделей машинного обучения основывается на понимании друг друга в совокупности с положительной обратной связью. Хорошая платформа для машинного обучения автоматизирует части этого цикла обратной связи путем автоматического самосовершенствования на основе экспериментальных данных.

Искусственный интеллект, как проточная вода

На протяжении десятилетий искусственный интеллект находился в ожидании своего взлета. И только сейчас настало время, чтобы привлечь всеобщее внимание.

Риски в наших финансовых системах носят систематический характер. Так что хорошо, что мы здесь, чтобы засвидетельствовать начало революционного прорыва искусственного интеллекта, прорыва, которого могло и не быть.

Термин «машинное обучение» был придуман американцем по имени Артур Самуил. В 1962 году он научил компьютер играть в шашки. Он работал с использованием функции подсчета очков, которая измеряла шансы на выигрыш для каждой стороны в любой заданной позиции, принимая во внимание несколько сигналов.

Создание подобного впервые в своем роде, заключалось в том, что программа использовала «зубрежку», что означало, что она запоминала прошлое и переоценивала свои принятия решений на основе того, что она уже знала до настоящего момента. Потребовалось более десяти лет, чтобы развить достаточно умений, чтобы бросить вызов хорошему реальному игроку. У Самуила было убеждение, что обучение компьютеров играм было отправной точкой для решения больших задач. Но по эту сторону Атлантики был человек, который не согласился с этим мнением.

Сэр Джеймс Лайтхилл был британским математиком, который специализировался на динамике жидкостей. В то время как компьютерная программа Сэмюэля улучшала свои результаты, Лайтхилл писал доклад для парламента, объявляющий искусственный интеллект провалом. Он заявил, что алгоритмы искусственного интеллекта не будут работать на реальных проблемах, их максимум это решение игровых задач.

Доклад привел к полной остановке исследований искусственного интеллекта в Англии. Реакция последовала по всему миру. Государственное финансирование изучения искусственного интеллекта было урезано в исследовательских программах от Америки до Японии.

Начался период застоя в исследованиях искусственного интеллекта, который продолжался вплоть до 90-х годов. Однако теперь, все возродилось с новой силой, и интерес к технологии и финансирование. Почему это случилось именно сейчас? Существует пять отдельных технологических направлений, которые объединились вместе в удивительный момент конвергенции…

Конвергенция искусственного интеллекта

1. Доступные параллельные вычисления.
Примерно десять лет назад компания Google внедрила метод параллельной работы компьютеров, который представил нам новый порядок величины мощности обработки.

2. Быстрые процессоры
Раньше у нас был только один вид процессора: центральный процессор или CPU. Теперь у нас есть другой: графический процессор или GPU. Это аппаратный ренессанс, и он открывает новые величины вычислений для машинного обучения.

3. Более дешевые и умные способы хранения данных
Вы знаете закон Мура. Он описывает экспоненциальный рост нашей способности для хранения памяти. Эксперты продолжают предсказывать, что закон Мура в какой-то момент должен замедлиться. Однако, не предвидеться никакого конца.

На самом деле, имя будет, говоря более точно “очень, очень, очень большими данными”.

Возможно, вы помните программное обеспечение для распознавания голоса 15 лет назад. Прошло три месяца обучения, прежде чем он смог распознать ваш голос. Теперь это программное обеспечение может распознавать любой голос мгновенно. Причина? Мы изобрели лучший алгоритм. Каждый раз, когда мы это делаем, у нас есть возможность моделировать вселенную с еще большей точностью.

Добавьте все это, и вы получите революцию. Тихую революцию. Конечным результатом, которой является полная реструктуризация цифровой инфраструктуры в мире.

Каково решение для эффективного внедрения искусственного интеллекта? Как необходимо внедрять искусственный интеллект, чтобы никому не навредить? Следующие несколько лет будут очень интересными, когда мы получим ответы на эти вопросы, а CRO рассмотрят практический вопрос о том, как эффективно использовать технологии искусственного интеллекта в своих организациях.

Когда мы приблизимся к моменту эффективного использования искусственного интеллекта, в конце концов, может оказаться, что машинное обучение – это процесс обучения людей в том числе.