Várnak még feladatok a bankokra, mielőtt a mesterséges intelligencia megoldja minden problémájukat. Nem lehet csak úgy hátradőlni és számolgatni a pénzt.
Jó néha olvasni olyasmit, ami szembe megy a bevett bölcsességekkel. A The Financial Brand a héten szállított is egy ilyen cikket. Azt feszegetik, hogy a bankok által adatelemzésre és mesterséges intelligencia megoldásokra költött pénz megtérülhet-e valaha.
A költések volumenje lenyűgöző: mesterséges intelligencia kutatásra világszerte 19 milliárd dollárt költenek az előrejelzések szerint idén. Ez 54 százalékos növekedést jelent a megelőző évhez képest. Az IDC becslése szerint 2021-re az összeg 52,2 milliárd dollárra ugrik fel. Ennyi pénzért már igazán szép dolgokat is adnak a boltban.
Lisa Joyce újságíró szerint két elvet kell észben tartani mielőtt a bankok és egyéb pénzintézetek túlzottan optimisták kezdenének lenni. Az egyik a Szemét Be, Szemét Ki (GIGO, Garbage In, Garbage Out) alapelv, amely az élet sok területén igaz, többek között az adattudományban is. Eszerint vacak adatokból nem lehet nagy varázslatot csinálni: az adatsilókból ki kell szabadítani az adatokat, össze kell őket fésülni, megtisztítani és ha ezek megvannak, akkor érhetnek valamit.
A másik elv pedig a Garbage In, Gospel Out, azaz a Szemét Be, Evangélium Ki. Eszerint van hajlandósága arra az iparnak, hogy amúgy durván pontatlan, de adatalapú módszereknek túl nagy jelentőséget tulajdonítani. A Gartner hypeciklus ábrája ezt általánosabban ábrázolja, de az általa leírt jelenség ugyanez. Amikor mindenki egy módszerről beszél, akkor a pezsgés miatt úgy tűnik, hogy az az egyetlen működő jövő.
Vannak dolgok, amiket nem lehet megúszni
Joyce szerint azonban azelőtt, hogy a bankok fejest ugranának a gépi tanulásos, mesterséges intelligenciás jövőbe, nagy befektetésekre van szükség. Ilyen például a mostani rendszerek és folyamatok lecserélésével – ide értve az adatfeldolgozási platformot is – illetve az adatos csapat lassú kiépítésének elkezdése is. Valójában az adattudomány nem dobozos termék, amit meg lehet venni, implementálni is időbe kerül.
Azt viszont már korábbi példákból tudjuk, hogy a banki rendszerek lecserélése, modernizálása költséges és kockázatos feladat. A brit TSB bankon az egész világ nevetett, amikor az új banki alaprendszerük bevezetése után egy hétig nem sikerült visszanyerni az uralmat a rendszer felett. Szolgáltatások kiestek, ügyfelek kiszolgálatlanok maradtak, más ügyfelek pedig a saját számlájuk helyett idegenekéhez fértek hozzá. Tökéletes káosz volt.
Tudjon mindent. Is!
A fejlődést vissza fogja vetni az is, hogy túl sokat várnak a mesterséges intelligencia alapú megoldásoktól. A cikk Foteini Agrafiotit, a Royal Bank of Canada MI kutatólaborjának vezetőjét idézi, aki szerint
a [mesterséges intelligenciával] megoldott problémák köre nagyon szűk.
Sok munka van még addig, hogy a gépek tényleg veszélybe sodorhassák az emberek munkahelyét a kutató szerint. A Santander digitális innovációért felelős vezetője, Lindsey Argalas szerint pedig számos MI-s megoldás jól néz ki bejelentésként, de valójában csak elenyésző előnyökkel jár. Új hibalehetőségeket – például az öntanuló rendszerek nehezebb ellenőrizhetőségét – pedig hoznak magukkal.
A megfontolandó kételyeket legjobban Dave Curran, a Westpac informatikai igazgatója foglalta össze. Szerinte az MI most olyan, mint egy 17 éves. Nem a gondolkodás szintjéről vagy más emberi tulajdonságáról beszélt, hanem pusztán HR szempontokról. Egy bank nem tesz meg vezérigazgatónak egy 17 évest, legyen az bármennyire is zseniális. Időre van szükség, hogy a tinédzser beletanuljon egy ilyen bonyolultságú munkába.
Szólj hozzá