Практическое руководство по внедрению искусственного интеллекта в банкинг

Определите область применения

Чтобы внедрение GenAI в финансовый продукт было бесшовным, рекомендуем использовать подход «сверху вниз». То есть должны быть бизнес-лидеры (желательно не ниже уровня B-1), которые понимают технологию и хотят использовать ее у себя в домене. Без реального заказчика можно заиграться в модели и не получить работающий продукт.

Лучше начать с разработки двух-трех приоритетных юзкейсов, которые больше всего соответствуют стратегическим приоритетам компании или домена. Какие направления актуальны для банков в первую очередь и где GenAI раскрывается лучше всего:

• комплаенс, то есть соблюдение нормативных требований — анализ документов клиента при открытии и обслуживании счета;
• оценка кредитоспособности для компаний малого и среднего бизнеса по финансовой отчетности и другим документам; 
• чат поддержки: работа с клиентами как совместно с оператором, так и без него;
• голосовые боты для продаж: разговоры с клиентами по продаже простых продуктов на исходящих звонках;
• антифрод, то есть борьба с мошенничеством и другими финансовыми преступлениями;
• анализ рисков: в эту категорию можно отнести кредитные риски и риски, связанные с безопасностью данных, операционные риски и так далее;
• прогнозирование трендов: искусственный интеллект помогает в задачах, связанных со статистикой и прогнозированием, и способен анализировать и предсказывать наиболее вероятные тенденции с высокой точностью.

Выберите языковую модель (LLM) 

Когда вы определились с юзкейсами, дальше необходимо выбрать LLM модель. Здесь существует два основных варианта: создание своей LLM на базе одной из опенсорсных моделей или использование модели как сервиса (например, GigaChat или Yandex GPT).

Выбрав разработку собственной языковой модели, вы можете быть уверены в том, что она заточена именно под ваши нужды и стандарты. Однако у этого подхода есть пара существенных минусов. 

Во-первых, это дороговизна. Обучение моделей стоит больших денег, например, обучение GPT-3 стоило $5 млрд. Во-вторых, большие траты времени на разработку. В-третьих, желательно иметь внушительный объем данных для тренировки модели.

Выбрав второй вариант, то есть создание своего решения на базе LLM модели как сервиса, можно подобрать модель, исходя из своих критериев. Например, набора поддерживаемых языков, скорости генерации или размера окна для промпта. 

Я бы рекомендовал попробовать реализовать MVP ваших юзкейсов в открытой версии модели и затем делать выбор с учетом результатов и остальных критериев. 

По теме. Эволюция ML-сервисов в микрофинансовых организациях и советы по внедрению

Постройте пилотную команду

Все инновации отходят на второй план в ежедневной рутине. Если доверить реализацию юзкейсов текущим продуктовым командам, то проекты быстро потеряются. Если вы хотите успеха, нужно выделить отдельную кросс-функциональную команду на реализацию кейсов, у которой единственной целью будет прибыль от запуска GenAI проектов.

Ключевые роли в кросс-функциональных командах: 

1. Data Scientists. Даже если вы не будете тренировать свою модель, вам нужна экспертиза в компьютерном зрении, промпт-инжиниринге и системный подход к экспериментам.
2. Бэкенд-разработчики.
3. QA-инженеры с опытом промпт-инжиниринга и автоматизации тестирования результатов выдачи LLM.
4. DevOps с пониманием как работать с облачными сервисами и моделями. 
5. Фронтэнд-разработчики.
6. Системные аналитики. 
7. Руководители продуктов AI.
8. Эксперты по правовым и нормативным вопросам.

Важный нюанс: помимо подбора специализированной команды при внедрении ИИ-инструментов потребуется обучить остальных сотрудников работе с ними. Особенно важно рассказать про ограничения и преимущества этих инструментов. Для этого нужно сделать искусственный интеллект частью культуры компании и интегрировать его в привычные бизнес-процессы. Такой подход может в дальнейшем значительно облегчить работу над развитием и масштабированием этой новой технологии внутри организации.

Разработайте PoC

Реализуйте proof of concept (PoC) — это метод проверки концепции, позволяющий на начальном этапе просчитать полезность решения с помощью тестирования и анализа. 

Основная задача — доказать, что ваше решение способно решать целевую задачу на приемлемом уровне уже на ранней стадии и при улучшении качества задача будет решаться в разы лучше старого процесса.

Рассмотрим процесс онбординга новых клиентов юридических лиц. PoC-проверкой здесь будут прочтение и анализ документов клиента и подготовка отчета для принятия решения об открытии счета. Отчет будет смотреть человек и принимать решение. Критерием успеха PoC будет доказательство того, что ваше решение вообще может читать клиентские документы с достаточно высокой точностью, скажем, 95%.

Proof of concept позволяет минимизировать риски и избежать финансовых и репутационных потерь. Результаты проверки помогут выявить потенциальные проблемы при запуске и масштабировании проекта и тем самым повысить вероятность успеха проекта и улучшить конечные показатели.

По теме. Покупай сейчас, плати потом: чем отличаются сервисы BNPL и SNPL от рассрочек и кредитов

Проведите пилотный проект и сделайте roll-out

Перед тем, как внедрить и запустить новое решение в эксплуатацию, обычно проводится пилотный запуск. Это позволяет проверить функциональность и эффективность нового решения и определить без больших рисков, что нужно доработать. Более того, такой формат помогает подготовить специалистов к работе с новым продуктом.

Для кейса с автоматизацией прочтения документов для открытия счета критерием успеха может быть процент случаев, когда онбординг-менеджер принял решение об открытии счета только на базе вашего отчета, то есть без дополнительных проверок. Если в 10% случаев менеджер смог опираться на ваш отчет уже при пилоте, то после полноценного запуска он сможет использовать только AI-отчет в 90% случаев.

Когда все характеристики нового решения удовлетворяют требованиям, рабочие процессы полноценно переводятся на него.

Соберите обратную связь и проведите работу над ошибками

Разработайте эффективные метрики для анализа результатов внедрения новой технологии и обозначьте критерии успеха. Для этого можно использовать общепринятые метрики: NPS (индекс лояльности клиентов), TTY (время обработки заявки) и CES (простота использования), а также кастомные формулы, адаптированные под конкретные потребности вашего бизнеса.

Решите, какие инструменты обратной связи будет полезнее использовать. Это могут быть опросы, оценки, отзывы клиентов и исследования. Убедитесь, что выбранные инструменты коррелируют с вашими метриками успеха, а также обеспечивают достаточный уровень достоверности и репрезентативности.

На этом этапе также может потребоваться создать или инвестировать в наборы маркированных данных для количественной оценки, измерения и отслеживания эффективности модели.

Регулярно передавайте полученные результаты в различные команды вашей компании, такие как инвестиционные службы, ИТ и маркетинг, для проведения глубокого анализа. Это поможет выявить тенденции и оперативно корректировать и дорабатывать решение. Эффективным подходом для решения выявленных проблем будет организация сессий с участием многопрофильной команды.

По теме. Что такое эквайринг и зачем он нужен бизнесу

Масштабируйте решение на другие сценарии

Когда вы вы успешно внедрили ИИ-решение в одно направление вашей компании, можно проанализировать этот опыт и выделить лучшие практики, которые можно будет использовать для распространения GenAI на другие задачи.

Такой подход поможет избежать рисков, связанных с новыми и пока еще не полностью освоенными технологиями. В результате вы сможете создать в своей компании полноценную ИИ-экосистему.

Чего не стоит делать при внедрении ИИ в банкинг

Давать задание запустить этот проект текущим продуктовым командам. Во-первых, ваш проект будет второстепенным и потеряется среди основных задач команды. Во-вторых, у команды может быть недостаточно компетенций для разработки и внедрения сложных решений. Более того, такая команда, скорее всего, не видит практической ценности во внедрении этих ИИ-решений. Поэтому мотивации вкладываться в проект тоже не будет.

Поручать запуск GenAI инновационному комитету, а не конкретному человеку. Неопределенная ответственность с высокой вероятностью приведет к размытым ТЗ, а недостаток экспертизы — к неоптимальным решениям и неэффективному распределению ресурсов. Кроме того, комитету требуется гораздо больше времени на обсуждение и принятие решений, что плохо сказывается на сроках проекта.

Создавать команду вдали от бизнес-подразделений. Если вы решите создать команду, например, в проектном или IT-офисе, конечный результат может оказаться оторванным от реальных целей проекта или плохо интегрироваться в бизнес процессы. Также это может привести к недостаточной финансовой поддержке, ограниченности ресурсов и невысокому приоритету проекта, поскольку бизнес-подразделения не будут иметь четкого представления о ценности этой разработки.

Поручать проект сотруднику без реальных полномочий. GenAI-проект требует вовлеченности большого количества специалистов. Если человек, ответственный за проект, не имеет достаточных полномочий, он не сможет собрать кросс-функциональную команду, наладить совместную работу с другими командами и найти необходимые ресурсы для успешной реализации. Из-за этого качество продукта может оказаться ниже желаемого, а сроки сильно затянуться.

Забивать на итерационный подход. Для успешного запуска инновационного проекта, который предусматривает масштабирование и внедрение в различные подразделения компании, важно видеть общую картину. Внедрение GenAI требует серьезных вложений и может серьезно отразиться на прибыли и репутации банка. Поэтому на всех этапах проекта важно его контролировать и корректировать. Если этого не делать, можно получить неэффективный продукт, который не соответствует или даже вредит бизнес-целям.

Вывод

Согласно последним отчетам, банки и финансовые организации по всему миру готовы тратить колоссальные суммы на внедрение генеративного искусственного интеллекта. Поэтому кажется, что использование этих технологий — не погоня за трендами и конкурентным преимуществом, а необходимость. В долгосрочной перспективе использование искусственного интеллекта помогает снизить затраты на многие процессы и при этом повысить их качество. Это помогает совершенствовать обслуживание клиентов, снижать возможные риски и оптимизировать внутренние процессы.