Várnak még feladatok a bankokra, mielőtt a mesterséges intelligencia megoldja minden problémájukat. Nem lehet csak úgy hátradőlni és számolgatni a pénzt.

Az MI-nek mindent meg kellene oldania (Public Domain / Wikimedia Commons)
Az MI-nek mindent meg kellene oldania (Public Domain / Wikimedia Commons)

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.

via GIPHY

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.


Ha tetszett a cikk:

és kövess minket a Facebookon!



Szólj hozzá

Vélemény, hozzászólás?