Business & Finance Παρασκευή 16/04/2021, 13:21
ΑΡΘΡΟ

Η τεχνητή νοημοσύνη στον χρηματοπιστωτικό κλάδο

Η τεχνητή νοημοσύνη έχει αλλάξει, και θα συνεχίζει να αλλάζει, τον χρηματοπιστωτικό κλάδο

φωτ.: AP

Του Εμμανουήλ Πυργιωτάκη 

Τεχνητή νοημοσύνη. Στο άκουσμα της λέξης αυτής, πολλοί θα φανταστούν ένα ρομπότ που ψήνει καφέ και ετοιμάζει πρωινό ή θα θυμηθούν σκηνές από την ταινία «εξολοθρευτής». Στον χρηματοπιστωτικό κλάδο, οι εφαρμογές της τεχνητής νοημοσύνης είναι λιγότερο φουτουριστικές, αλλά εξαιρετικά επιδραστικές στην ζωή μας, κάτι που ίσως δεν έχουμε αντιληφθεί ακόμα. Στην πραγματικότητα, η τεχνητή νοημοσύνη έχει αλλάξει, και θα συνεχίζει να αλλάζει, τον χρηματοπιστωτικό κλάδο, αφού όλο και περισσότερες τράπεζες και χρηματοπιστωτικοί όμιλοι υιοθετούν τέτοιες πρακτικές στα επιχειρηματικά τους μοντέλα. 

i-techniti-noimosyni-ston-chrimatopistotiko-klado0Πίστωση. Ο ακρογωνιαίος λίθος του χρηματοπιστωτικού συστήματος. Η πίστωση επιτρέπει σε καταναλωτές και επιχειρήσεις να έχουν πρόσβαση σε κεφάλαια τα οποία χρησιμοποιούν για κατανάλωση ή επενδύσεις. Τα κεφάλαια αυτά παρέχονται από τις τράπεζες αφού πρώτα αξιολογηθεί η πιστοληπτική ικανότητα των πιθανών δανειοληπτών. Οι παραδοσιακές μέθοδοι αξιολόγησης της πιστοληπτικής ικανότητας είναι αρκετά χρονοβόρες και δαπανηρές για την τράπεζα, αφού προϋποθέτουν την εξέταση πληθώρας εγγράφων από τους αρμόδιους υπαλλήλους. Αντιθέτως, η αξιολόγηση της πιστοληπτικής ικανότητας με την χρήση τεχνητής νοημοσύνης βασίζεται σε προηγμένα μοντέλα μηχανικής εκμάθησης, που παράγουν λιγότερο μεροληπτικές εκτιμήσεις (μιας και εξαλείφεται ο ανθρώπινος παράγοντας) σε χαμηλότερο κόστος. 

Στην Αμερική και το Ηνωμένο Βασίλειο, οι ψηφιακές τράπεζες αποχτούν όλο και μεγαλύτερο μερίδιο αγοράς. Οι ψηφιακές τράπεζες είναι στην ουσία εφαρμογές κινητού χωρίς κάποια φυσική παρουσία. Έχουν πολύ χαμηλότερα πάγια έξοδα από τις συμβατικές τράπεζες και ως εκ τούτου, μπορούν να προσφέρουν πιο ελκυστικές χρεώσεις και χαμηλότερα επιτόκια δανεισμού. Πως αυτές οι τράπεζες αξιολογούν την πιστοληπτική ικανότητα των δανειοληπτών τους, αφού δεν έχουν υποκαταστήματα λοιπόν; Με την εφαρμογή της τεχνητής νοημοσύνης. Πιο συγκεκριμένα, χρησιμοποιούν δεδομένα από το δορυφόρο του κινητού του πιθανού δανειολήπτη καθώς και από τα μέσα κοινωνικής δικτύωσης. Για παράδειγμα εξετάζουν πού βρισκόταν το κινητό στις ώρες ανάπαυσης (όσο καλύτερη η περιοχή τόσο καλύτερη η πιστοληπτική ικανότητα), πού βρισκόταν στις ώρες γραφείου (για να έχουν μια εκτίμηση για την πιθανή απασχόληση), καθώς και σε ποια εστιατόρια πάει ο δανειολήπτης με βάση το ιστορικό του στα μέσα κοινωνικής δικτύωσης. Τα δεδομένα αυτά εισάγονται σε μοντέλα μηχανικές εκμάθησης που έχουν εκπαιδευτεί σε δεδομένα χιλιάδων άλλων χρηστών, και κατ’ επέκταση δίνουν μια εκτίμηση για την ικανότητα αποπληρωμής που έχει ο δανειολήπτης. Η διαδικασία αυτή έχει οφέλη και για τις δύο πλευρές της συναλλαγής. Αφενός, ο δανειολήπτης γλυτώνει και χρόνο από το να επισκεφτεί ένα τραπεζικό υποκατάστημα αλλά και επωφελείται από τα χαμηλότερα επιτόκια δανεισμού. Αφετέρου, η ψηφιακή τράπεζα μειώνει δραστικά τα πάγια έξοδα της. Είναι χαρακτηριστικό ότι στην Αμερική, εταιρίες που δανείζουν κεφάλαια για αγορά αυτοκινήτων μείωσαν τα έξοδα τους κατά 23% σε ετήσια βάση μετά την υιοθέτηση ανάλογων πρακτικών. 

Διαχείριση ρίσκου. Ίσως ένα από τα πιο σημαντικά τμήματα στην δομή ενός πιστωτικού ιδρύματος ή ενός χρηματοπιστωτικού ομίλου. Η διαχείριση ρίσκου αναφέρεται στην αναγνώριση, αξιολόγηση, και έλεγχο πιθανών κινδύνων για την βιωσιμότητα και κερδοφορία των ανωτέρω εταιριών. Η πολυπλοκότητα της εκτίμησης τέτοιων κινδύνων έχει στρέψει τον χρηματοπιστωτικό κλάδο στην εφαρμογή μοντέλων μηχανικής εκμάθησης, τα οποία έχουν σχεδιαστεί για να δίνουν έγκυρες εκτιμήσεις για τυχόν δυσμενείς μεταβολές χρηματοοικονομικών μεγεθών όπως επιτόκια, συναλλαγματικές ισοτιμίες, ή χρηματιστηριακοί δείκτες. Ένα παράδειγμα τέτοιας εταιρίας είναι η Kensho. Το λογισμικό της εταιρίας αυτής βασίζεται σε μοντέλα τεχνητής νοημοσύνης που επεξεργάζονται την φυσική γλώσσα. Τα μοντέλα αυτά εκπαιδεύονται πάνω σε κείμενα, όπως άρθρα από εφημερίδες, για να εκτιμήσουν πιθανές μεταβολές των υπό εξέταση μεγεθών. Με βάση τα στοιχεία του Forbes, οι επενδυτές που χρησιμοποίησαν αυτό το λογισμικό κατάφεραν να προβλέψουν με ακρίβεια την παρατεταμένη υποτίμηση της στερλίνας μετά το δημοψήφισμα για το Brexit to 2016.

Αυτές είναι μερικές από τις πολλές εφαρμογές της τεχνητής νοημοσύνης στον χρηματοπιστωτικό κλάδο. Όμως, εκτός από τις εταιρίες, ιδιαίτερο ενδιαφέρον για την επίδρασης της τεχνητής νοημοσύνης στην οικονομία δείχνουν τόσο η ακαδημαϊκή κοινότητα όσο και τα ερευνητικά τμήματα των κεντρικών τραπεζών. Υπάρχει μια αναδυόμενη βιβλιογραφία που χρησιμοποιεί μοντέλα μηχανικής εκμάθησης για να προβλέψει την πιθανότητα τραπεζικής χρεοκοπίας ή τις πιθανές συγχωνεύσεις και εξαγορές μεταξύ χρηματοπιστωτικών ιδρυμάτων. Αυτά τα ευρήματα έχουν αναμφισβήτητα θετικό αντίκτυπο στην κοινωνία, αφού αποτελούν ένα αξιόπιστο εργαλείο για τις αρμόδιες αρχές σχετικά με την έγκαιρη αναγνώριση και αντιμετώπιση πιθανών κινδύνων αποσταθεροποίησης του χρηματοπιστωτικού συστήματος.

Η σημασία της τεχνητής νοημοσύνης για την κοινωνία δεν φαίνεται μόνο από την οικονομία, αλλά και από άλλους κλάδους πιο σημαντικούς για την ανθρώπινη ζωή, όπως η Ιατρική. Μοντέλα μηχανικής εκμάθησης χρησιμοποιούνται όλο και περισσότερο στην διάγνωση και θεραπεία ασθενειών, καθώς και στην παρασκευή φαρμάκων. Ενδεικτικά, το 2018, ερευνητές του πανεπιστήμιού της Σεούλ εκπαίδευσαν ένα μοντέλο στο να ανιχνεύει σε ακτινογραφίες θώρακος μη φυσιολογικές αυξήσεις στο μέγεθος των κυττάρων. Είναι αξιοσημείωτο ότι το μοντέλο αυτό έδωσε πιο ακριβείς εκτιμήσεις από όλους τους γιατρούς που συμμετείχαν στην μελέτη.

Εν κατακλείδι, η τεχνητή νοημοσύνη είναι ένα πανίσχυρο εργαλείο με εξαιρετικά χρήσιμες εφαρμογές στην οικονομία και την κοινωνία. Το ερώτημα που γεννάται είναι εάν οι άνθρωποι είναι αρκετά ώριμοι για να αξιοποιήσουν σωστά αυτό το πανίσχυρο εργαλείο.  Όπως η πυρηνική ενέργεια είναι ο πιο ασφαλής και καθαρός τρόπος για την παραγωγή ηλεκτρικής ενέργειας αλλά χρησιμοποιήθηκε κυρίως στην παραγωγή όπλων μαζικής καταστροφής, έτσι και η τεχνητή νοημοσύνη θα μπορούσε να χρησιμοποιηθεί για λάθος σκοπούς. Ελπίζω αυτή την φορά, η ανθρώπινη ηλιθιότητα να μην αποδειχθεί το ίδιο άπειρη με το σύμπαν.

* Ο Εμμανουήλ Πυργιωτάκης είναι Επίκουρος Καθηγητής Χρηματοοικονομικών στο Πανεπιστήμιο του Έσσεξ. 

Money Review