«Η τεχνητή νοημοσύνη είναι ένας κλάδος της τεχνολογίας που θα έχει ραγδαία εξέλιξη και θα επηρεάσει ριζικά πολλούς τομείς» ανέφερε σε ομιλία του στο Ινστιτούτο για το Δίκαιο Προστασίας της Ιδιωτικότητας, των Προσωπικών Δεδομένων και την Τεχνολογία του EPLO ο διοικητής της Τραπέζης της Ελλάδος, Γιάννης Στουρνάρας.

Όπως ανέφερε ο κ. Στουρνάρας στην Ελλάδα, σύμφωνα με πρόσφατη μελέτη της Accenture σε συνεργασία με την Microsoft, η εφαρμογή της τεχνητής νοημοσύνης μπορεί να οδηγήσει σε σωρευτική αύξηση του ΑΕΠ κατά 195 δισ. δολάρια για την περίοδο 2020-2035, υπογράμμισε. 

Τα τελευταία έτη η τεχνητή νοημοσύνη παρουσιάζει αυξανόμενη εφαρμογή στο χρηματοπιστωτικό τομέα, στο πλαίσιο του ψηφιακού του μετασχηματισμού. Η άνθηση που γνωρίζει η υιοθέτηση των τεχνολογιών τεχνητής νοημοσύνης και μηχανικής μάθησης στο χρηματοπιστωτικό τομέα οφείλεται, αφενός, στις ραγδαίες τεχνολογικές εξελίξεις και την πληθώρα των δεδομένων (big data) που έχουν στη διάθεσή τους οι χρηματοπιστωτικοί οργανισμοί και, αφετέρου, στην πίεση για μεγαλύτερη αποτελεσματικότητα, που προέρχεται από τον έντονο ανταγωνισμό αλλά και το απαιτητικό κανονιστικό πλαίσιο. Παράλληλα, οι χρηματοπιστωτικοί οργανισμοί αναπόφευκτα θα πρέπει να εξελιχθούν για να ικανοποιήσουν τις ανάγκες των πελατών τους, που ολοένα και περισσότερο χρησιμοποιούν την τεχνολογία για να διευκολύνουν τη ζωή τους.

Οι συχνότερες εφαρμογές τεχνητής νοημοσύνης εντοπίζονται σε πελατοκεντρικές λειτουργίες. Ειδικά στον τραπεζικό τομέα, η τεχνητή νοημοσύνη χρησιμοποιείται σε διαδικασίες αλληλεπίδρασης με πελάτες μέσω chatbots (π.χ. αναγνώριση φυσικής γλώσσας), δημιουργία προσωποποιημένων χρηματοοικονομικών προϊόντων και υπηρεσιών βασιζόμενων στο προφίλ του κάθε πελάτη, διαχείριση κινδύνων (εντοπισμός απάτης, ανάλυση πιστοληπτικής ικανότητας) και βελτιστοποίηση διαδικασιών μέσω της αυτοματοποίησης επαναλαμβανόμενων εργασιών. Στον ασφαλιστικό τομέα παράδειγμα χρήσης της τεχνητής νοημοσύνης είναι η αυτοματοποιημένη τιμολόγηση, η προώθηση και διαχείριση των ασφαλιστηρίων συμβολαίων των πελατών από τις ασφαλιστικές επιχειρήσεις και η δημιουργία εξατομικευμένων ασφαλιστικών προϊόντων προσαρμοσμένων στις επιμέρους ανάγκες των πελατών.

Όπως τόνισε ο κ. Στουρνάρας «ενδεικτικά οφέλη από την εφαρμογή της τεχνητής νοημοσύνης περιλαμβάνουν: τη βελτίωση της εμπειρίας του πελάτη, την απλοποίηση και αυτοματοποίηση διαδικασιών με ελαχιστοποίηση της εμπλοκής του ανθρώπινου παράγοντα, και τη βελτίωση του κόστους των υπηρεσιών, αφενός λόγω της αποδοτικότερης χρήσης των δεδομένων και αφετέρου λόγω της αυξημένης ικανότητας των συστημάτων για συνδυαστική ανάλυση τόσο από συμβατικές πηγές δεδομένων (π.χ. προφίλ συναλλαγών, στοιχεία δανείων) όσο και από μη συμβατικές (π.χ. δεδομένα κοινωνικών δικτύων). Εκτός από τη βελτίωση της εξυπηρέτησης των πελατών, η αξιοποίηση τεχνολογιών τεχνητής νοημοσύνης αφορά και τη βελτιστοποίηση υφιστάμενων διαδικασιών των οργανισμών που δραστηριοποιούνται σε αυτόν τον τομέα, όπως είναι η ανίχνευση απάτης, οι εργασίες διαχείρισης επενδύσεων, η διαχείριση κινδύνων και η ανάλυση της αγοράς. Παράλληλα, η ανάγκη για αποτελεσματική συμμόρφωση των εποπτευόμενων από τις κεντρικές τράπεζες χρηματοπιστωτικών οργανισμών σε ένα δυναμικό κανονιστικό πλαίσιο, αναμένεται να τους οδηγήσει στην αξιοποίηση τεχνολογιών τεχνητής νοημοσύνης και για κανονιστικούς σκοπούς, δηλαδή στο Regtech – Regulatory Technology».

«Σε ό,τι ακριβώς αφορά τις εποπτικές αρχές, η τεχνητή νοημοσύνη ως μέρος της Εποπτικής Τεχνολογίας (Supervisory Technology- SupTech), μπορεί να έχει εφαρμογή σε διαδικασίες ανίχνευσης ανωμαλιών σε εποπτικά δεδομένα, στην εις βάθος ανάλυση αναφορών, στην παρακολούθηση της αγοράς, στην ανάλυση παραβατικής συμπεριφοράς (π.χ. ξέπλυμα χρήματος και χρηματοδότηση της τρομοκρατίας, απάτη) και στα συστήματα έγκαιρης προειδοποίησης για κρίσεις στο χρηματοπιστωτικό τομέα, στο πλαίσιο της εποπτείας. Από τα παραπάνω γίνεται σαφές ότι από την ορθή εφαρμογή της τεχνητής νοημοσύνης μπορούν να επωφεληθούν όλα τα μέρη του χρηματοπιστωτικού συστήματος. Οι πελάτες μπορούν να απολαμβάνουν καλύτερες και πιο προσωποποιημένες υπηρεσίες και να έχουν πρόσβαση σε εξατομικευμένα χρηματοπιστωτικά προϊόντα. Οι επιχειρήσεις μπορούν να μειώσουν το κόστος λειτουργίας τους με παράλληλη βελτίωση της αποδοτικότητας των εσωτερικών διαδικασιών τους. Τέλος, οι εποπτικές αρχές μπορούν να βελτιώσουν την αποτελεσματικότητα της εποπτείας. Εκτός από τις μεγάλες ευκαιρίες που παρουσιάζονται από τη χρήση της τεχνητής νοημοσύνης στο χρηματοπιστωτικό τομέα, αναδύονται και νέες προς αντιμετώπιση προκλήσεις:

Προκλήσεις

1ον Η αδιαφάνεια ως προς τα χαρακτηριστικά και τη συμπεριφορά των εφαρμοζόμενων, συνήθως πολύπλοκων, αλγορίθμων επεξεργασίας των δεδομένων, ενδέχεται να επιφέρει δυσκολίες στην κατανόηση και στον έλεγχο των εμπλεκόμενων διαδικασιών και περιορισμό της ιχνηλασιμότητας τους, τόσο από τους ίδιους τους οργανισμούς που τους υιοθετούν, όσο και από τις αρχές που τους εποπτεύουν (φαινόμενο «black box»).

2ον Ο ακατάλληλος σχεδιασμός των αλγορίθμων τεχνητής νοημοσύνης ενδέχεται να εισάγει μεροληψία και διακρίσεις στα αποτελέσματα που προκύπτουν από την εφαρμογή της. Η ανεπαρκής αξιολόγηση των αποτελεσμάτων που προκύπτουν από την επεξεργασία δεδομένων με τεχνητή νοημοσύνη ενδέχεται να οδηγήσει οργανισμούς σε λήψη λανθασμένων αποφάσεων και κατ’ επέκταση να επιφέρει κινδύνους φήμης και συμμόρφωσης με το κανονιστικό πλαίσιο.

3ον Οι ευπάθειες στα μοντέλα τεχνητής νοημοσύνης ή στις υποδομές διαχείρισης των πληροφοριών, ενδέχεται να οδηγήσουν στην εμφάνιση κινδύνων ασφάλειας πληροφοριών, κυβερνοασφάλειας και εν γένει προστασίας δεδομένων. Επιπρόσθετα, ενδέχεται να ενισχυθούν οι κίνδυνοι εξάρτησης οργανισμών από τρίτους, τεχνολογικούς παρόχους.

4ον Η ελλιπής γνώση, εξοικείωση και εμπειρία του προσωπικού του κάθε οργανισμού με τα συστήματα τεχνητής νοημοσύνης ενδέχεται να οδηγήσει σε αστοχίες ή δυσλειτουργίες στη διακυβέρνηση των επιχειρησιακών διαδικασιών που βασίζονται στην τεχνητή νοημοσύνη. Παράλληλα, η διοίκηση ενός οργανισμού δεν θα πρέπει να αυτοματοποιεί τις βασικές της ευθύνες, ενώ επίσης είναι απαραίτητη η ύπαρξη απόλυτης διαφάνειας στη διαδικασία λήψης αποφάσεων σε όλα τα επίπεδα της οργανωτικής δομής».