Počítače místo poradců? Jak machine learning mění svět financí

Koudela Jan
Manager

Který produkt mám zákazníkovi doporučit? Je jeho chování podezřelé, nebo standardní? Kolik mu mám půjčit a za jakých podmínek? Na tyto otázky se často hledají odpovědi celé dny nebo i týdny. Může to však trvat jen několik sekund. Rozvoj umělé inteligence ve spojení s nástupem big data umožnil nebývalý rozmach strojového učení, jednoho z nejsilnějších technologických trendů současnosti.

Každá velká společnost dnes má k dispozici obrovské množství dat. Takzvaná big data zahrnují komplexní informace o zákaznících a jejich chování, o produktech, ze zákaznické podpory, o situaci na trhu, o konkurentech, o dění na sociálních sítích nebo v médiích. Jenže když už je máme, co si s nimi počít? Jak název napovídá, big data jsou velká. Ve skutečnosti bývají natolik rozsáhlá, že není v možnostech žádného člověka, aby se jimi probral. A i nejrůznější analytické nástroje zpravidla najdou jen to, co je více či méně zjevné. Na plné využití big data by byl potřeba superčlověk. Nebo umělá inteligence.

Učení místo programování

Odpovědí je právě machine learning, který přináší vhled a dokáže data tramsformovat do znalostí. Jde o stále rozšířenější a dnes již relativně snadno dostupný typ umělé inteligence, která se podobně jako lidský mozek učí s tím, jak získává nová data. Na základě naučených faktů a znalostí pak umí generovat vlastní nové myšlenky a nápady. Jen si představte, co všechno byste dokázali vymyslet, kdyby váš mozek zvládl pojmout veškerá data o vašich zákaznících i businessu a mohli jste mezi nimi bleskově nacházet vazby a souvislosti.

Právě to umožňuje machine learning, jen rychleji a ve větším měřítku. Namísto prostého plnění příkazů se počítač osamostatňuje a jeho programovacím jazykem jsou data samotná. S pomocí kvalitních dat a správně kladených otázek umí poskytovat odpovědi na pět základních typů dotazů:

  • Mám si vybrat A, nebo B, nebo něco jiného? (volba ideálního produktu)
  • Jak jsou data organizovaná? (hledání vzorců chování různých skupin uživatelů)
  • Je to, na co se dívám, anomálie, nebo ne? (detekce podvodů a rizikového chování)
  • Kolik je v daném kontextu přiměřené množství? (bezpečná výše půjčky)
  • Co mám dělat dál? (plánování dalších kroků)

Reálné využití v bankovnictví

V některých oblastech nachází machine learning uplatnění už dnes, nebo alespoň jeho části, do jiných se podle všech předpokladů masověji rozšíří v nejbližších letech. Je to i díky snadné dostupnosti velkých výpočetních kapacit, které jsou k tomu nezbytné. Podívejme se na ryze praktické způsoby jeho využití, které se světě finančních produktů v současnosti nabízejí. Byť to zatím není vždy ve vztahu k běžnému uživateli – mezi průkopníky v tomto sektoru ostatně patří například velké finanční fondy.

Správa porfolia
Takzvaní robotičtí poradci (ačkoliv nejde doopravdy o roboty, ale spíše o sady algoritmů) mohou automaticky a cílevědomě spravovat finance klientů s ohledem na co nejefektivnější dosažení stanovených cílů. Takovým cílem může například být odchod do důchodu s určitou částkou.

Schvalování půjček
Na dostatečně velkém vzorku kvalitních dat o klientech (ideálně miliony uživatelů), která zahrnují třeba věk, povolání a další okolnosti, se mohou algoritmy naučit předpovídat úspěšnost půjček v různé výši rozličným skupinám lidí i na základě souvislostí, které nejsou na první pohled zřejmé. Podobně lze řešit také nastavení pojištění.

Odhalování rizik
Využití machine learningu umožňuje povýšit odhalování podvodů nad rámec prostého odškrtávání jednotlivých rizikových faktorů. Chytrý software se aktivně učí rozpoznávat nové typy bezpečnostních hrozeb, ať už z hlediska finančních podvodů nebo třeba kybernetických útoků.

Obchodování
Není žádným tajemstvím, že komplexní algoritmy zvládají provádět mimořádně rychlé transakce, řádově třeba i v milionech denně. Takzvané hluboké učení proto bude hrát stále významnější roli při rozhodování o investicích v reálném čase.

Co přinese blízká budoucnost?

Je pravděpodobné, že se umělá inteligence bude postupně čím dál více přibližovat konečným uživatelům, až s nimi nakonec naváže přímý vztah. Lze očekávat, že její nezávislé uvažování bude zejména mladšími ročníky z přelomu tisíciletí přijímáno jako věrohodnější a výrazně se zlepší také dostupnost služeb – ta bude prakticky bez omezení z hlediska místa i času.

Rychlejší podpora
Takzvaná konverzační rozhraní, kdy je počítač schopen sofistikovaně odbavit požadavky zákazníka a reagovat na jeho dotazy, se již dnes stávají realitou. Uživatelé si tak mohou například objednávat doplňkové služby nebo získávat informace o svých výdajích.

Osobní poradce
S rozvojem hlasových rozhraní, bankovních API a chytrých finančních algoritmů bude možné povýšit aplikace pro Personal Finance Management na skutečné virtuální poradce, kteří mají hluboký vhled do chování uživatelů. Lidé si s pomocí těchto nástrojů mohou již dnes organizovat finanční cíle, jejich výdaje jsou automaticky kategorizovány a dávány do kontextu, dostávají doporučení,  vyhodnocují  se jejich denní, měsíční i roční vzorce chování. Totéž je možné i pro firmy, se zvláštním důrazem na cash flow a plánování výdajů.

Personalizace nabídek
Machine learning umožňuje vytvářet modely, které se učí rozlišovat i relativně malé či okrajové skupiny uživatelů a jejich preference. A to na základě prakticky neomezeného spektra společných rysů. Lze proto vysledovat chování obvyklé pro lidi se stejnými preferencemi a nabízet jim přesně načasované služby na míru.

Analýza nálady
Nejen trh s akciemi, ale i chování firem a spotřebitelů ovlivňuje nespočet faktorů od počasí, přes aktuální informace v médiích až po celkovou náladu ve společnosti. Od machine learningu můžeme očekávat schopnost předvídat nové trendy, varovné signály a emoční změny v chování trhu.

Jak k machine learningu přistoupit

Prvním krokem je – jako obvykle v businessu – stanovení cíle. Chci znát určité odpovědi a k tomu potřebuji mít přesně formulované otázky. Také je třeba vědět, jaká všechna data potřebuji, abych mohl na otázku kvalifikovaně odpovědět. A následně důkladně ověřit, nakolik jsou tato data kompletní, a takzvaně je vyčistit. Platí totiž pravidlo označované jako GIGO, neboli „garbage in, garbage out“. Po výběru vhodných algoritmů nakonec přichází na řadu validace výsledného modelu. Pokud je pozitivní, lze ve firmě nahradit rozsáhlé schvalovací procesy operacemi, které probíhají v řádu sekund.

V praxi na začátku vždy stojí člověk z businessu, který má nějaký záměr (třeba urychlit schvalování půjček), a po jeho boku datový analytik. Ten pomůže vytvořit model, najít potřebná data uvnitř i vně organizace a vybrat vhodné algoritmy. Samotná konzumace následně může probíhat přes API či přes webové stránky, skrze integrátory jako je Trask je nicméně také možné systém propojit s vlastním firemním prostředím. Ideální je nejprve vybrat zkušební projekt, nejlépe nějaký nepříjemný interní proces, a na něm si vše otestovat.

Nejde přitom o hudbu vzdálené budoucnosti. Gartner očekává, že do tří let již bude každá pátá korporace aktivně „učit a vychovávat“ své neuronové sítě. Velký zájem o tuto oblast ostatně potvrzují také zástupci předních společností působících v Česku. Na nedávné snídani iTea pořádané Trask solutions nadpoloviční většina zúčastněných potvrdila, že si reálné využití machine learningu ve svém businessu dokáže představit do dvou let a část na tom již pracuje. Mezi dotazovanými byli zástupci společností jako ČEZ, Škoda Auto, Česká spořitelna nebo ČSOB.