Autore
Athena Sharma è intervenuta al Summit AI for Finance 2022 il 20 settembre per parlare della proliferazione dei progetti di Intelligenza Artificiale nel settore bancario e assicurativo, delle difficoltà che alcune istituzioni finanziarie stanno affrontando per la loro realizzazione e dei modi in cui queste barriere possono essere superate.
Secondo l'Economist, circa il 54% delle grandi istituzioni finanziarie (FI) aveva già adottato l'intelligenza artificiale nel 2020, quindi immaginatevi a che punto sono i numeri oggi. A questa proliferazione si aggiunge il fatto che l'86% dei dirigenti finanziari prevede di aumentare gli investimenti nell'IA fino al 2025. E in un altro sondaggio, l'81% ha affermato che lo sblocco del valore dall'IA sarà il fattore chiave di differenziazione tra vincitori e vinti nel settore bancario.
"È evidente che l'IA negli istituti finanziari ha un valore molto elevato", ha dichiarato Athena. "Le banche d'investimento sono forse le prime ad adottare e a beneficiare della tecnologia di apprendimento automatico nello spazio del trading algoritmico. Dopotutto, il 70% degli istituti finanziari utilizza oggi l'apprendimento automatico per il rilevamento delle frodi, lo scoring del credito o la previsione di eventi di flusso di cassa, e l'IA conversazionale è comunemente utilizzata nel retail banking e nelle assicurazioni. Nonostante ciò, molti istituti di credito non riescono a produrre i loro progetti di IA per ottenere un valore concreto a livello aziendale".
Athena ha spiegato quali sono le principali sfide per il successo di un progetto di IA e come superarle:
Investire nella tecnologia di base e nella gestione dei dati
Per Athena, una delle difficoltà principali che gli istituti di credito devono affrontare è che la loro tecnologia di base è costruita per operazioni tradizionali, come i pagamenti, i prestiti e la gestione dei sinistri. "Gli stack IT tradizionali non hanno la flessibilità necessaria per implementare le competenze di intelligenza artificiale. La capacità di calcolo per la gestione dei dati e l'analisi di cui si ha bisogno in un'applicazione VR a ciclo chiuso non c'è e i test e lo sviluppo di tecnologie di IA possono richiedere giorni o addirittura mesi - proibitivi quando si cerca di essere innovativi. La soluzione? Cambiare le tecnologie di base: passare al cloud computing.
"Un ambiente cloud può ridurre il tempo necessario per testare e sviluppare soluzioni di intelligenza artificiale a pochi minuti, grazie ai servizi gestiti", assicura Athena. "Una banca con cui ho lavorato ha iniziato la transizione verso il cloud due anni fa e il suo tasso di innovazione è aumentato del 49% circa, secondo i suoi KPI. Potrebbe sembrare poco, ma per un'istituzione storica e monolitica si tratta di un risultato rivoluzionario".
Un altro aspetto di questa sfida è l'investimento nella gestione dei dati, sia in termini di qualità che di accesso ai dati. Negli istituti di credito, i dati sono isolati tra le varie unità e divisioni aziendali. Di conseguenza, i dati non sono standardizzati, la qualità è difficile da gestire e non esiste un'unica fonte di verità, per cui gli stakeholder non sono sicuri che i dati sottostanti ai progetti proposti siano affidabili. "L'investimento in una moderna governance dei dati e in pratiche di gestione dei dati è fondamentale per gli IF", insiste Athena. "E una componente chiave è quella che noi chiamiamo Enterprise Data Model, o EDM. Non si tratta di un concetto informatico, ma di un modo di descrivere e organizzare logicamente i dati, tutti i dati, in un linguaggio pertinente al business, una sorta di glossario aziendale, se vogliamo, che semplifica la gestione della qualità dei dati per tutti gli utenti certificati".
La parte finale di questa sfida è l'accesso ai dati.
"I dati sono la materia prima più preziosa che ogni organizzazione possiede; la chiave per sfruttarne il valore è avere accesso alle analisi su scala, nel momento in cui si prendono le decisioni. È particolarmente difficile nelle banche a causa della riservatezza dei dati. Una soluzione innovativa consiste nel creare database abilitati alle API per un accesso ai dati più efficace e sicuro, ma su scala e in tempo reale per soddisfare gli obiettivi aziendali, e in tempo reale per soddisfare gli obiettivi aziendali."
Implementazione di un modello operativo orientato al futuro
La seconda sfida per le istituzioni finanziarie risiede nel modello operativo che utilizzano. La maggior parte di essi è organizzata in base a divisioni aziendali, spesso con funzioni IT centralizzate, il che ostacola la loro capacità di innovare. I leader aziendali stabiliscono le proprie agende e strategie di IA, con il risultato di team frammentati e un approccio a cascata che porta a ritardi, sforamenti dei costi, prestazioni non ottimali e una totale mancanza di una mentalità di test e apprendimento. Le IF devono essere in grado di lavorare in modo iterativo per innovare e migliorare continuamente - una necessità per scalare l'IA, perché nessuno riesce mai a farlo al primo colpo.
"Noi di Artefact proponiamo invece un modello operativo più agile e flessibile, orientato al futuro e basato sui prodotti di dati. Un prodotto di dati è essenzialmente un insieme di soluzioni di dati che affrontano direttamente una sfida o un risultato aziendale. Ogni prodotto di dati viene sviluppato da un team dedicato che dispone di un proprio budget, di asset e di KPI".
"Ad esempio, si può dire di avere un team Client 360 composto da stakeholder aziendali, IT e dati. Questi possono fornire diversi prodotti di dati all'azienda e ai clienti esterni, in modo da ottenere un livello di analisi customer 360. I data scientist e gli ingegneri possono utilizzare questo livello analitico per testare e apprendere le soluzioni ML AI. Potreste anche avere una dashboard 360 del cliente con KPI rilevanti per i vostri colleghi di vendita in prima linea e utilizzarla per migliorare il valore di vita del cliente. Potreste anche fornire dati al vostro team di marketing sull'ottimizzazione e la personalizzazione per aiutarli a spendere meglio i loro budget".
Le possibilità sono infinite, ma in sostanza un modello operativo modulare consente ai team di collaborare meglio e di lavorare verso un obiettivo strategico comune, piuttosto che nei silos che attualmente dividono gli IF, così come una miriade di aziende di tutti i settori in cui i team di prodotto non sono ancora una realtà.
Considerare in modo proattivo l'etica e la regolamentazione dell'IA
L'investimento nell' etica e nella regolamentazione dell'IA è fondamentale per le istituzioni finanziarie in questo momento. Nell'esaminare la proposta di legge sull'intelligenza artificiale della Commissione europea, il Garante europeo della protezione dei dati(GEPD) ritiene che sia necessaria una maggiore protezione dei diritti fondamentali, compreso il rafforzamento della protezione dei diritti fondamentali delle persone, tra cui il diritto alla privacy e alla protezione dei dati personali.
Le restrizioni normative saranno imposte a chiunque utilizzi un software associato alla tecnologia biometrica negli istituti finanziari, nella gestione del capitale umano o nella valutazione del credito delle persone. Allo stato attuale, ciò interesserà quasi tutti gli istituti finanziari. Sebbene non sia ancora chiara la portata della futura regolamentazione dell'IA, è evidente che le norme saranno basate sull'etica. Ma molti leader del settore dei servizi finanziari ritengono che le loro aziende non comprendano le questioni etiche associate all'IA.
Artefact propone di sviluppare un quadro di governance etica dell'IA interna che copra tutti gli aspetti dell'etica dell'IA, compresi gli acquirenti, la gestione dei dati, la formazione dei modelli e la riqualificazione della spiegabilità dell'IA. A tal fine, la consulenza di esperti può essere utile, ma ciò che è veramente necessario è un cambiamento di mentalità in due parti che copra tutti gli aspetti dell'etica dell'IA, compresi gli acquirenti, la gestione dei dati, la formazione dei modelli e la riqualificazione della spiegabilità dell'IA.
Il primo cambiamento richiede un'adesione su larga scala da parte degli stakeholder, obbligandoli ad abbandonare la mentalità, le divisioni e i modelli operativi isolati che impediscono la produzione dell'IA. Il secondo consiste nel passare da una mentalità avversa al rischio a una mentalità pionieristica. Ciò richiede un profondo cambiamento culturale in cui l'intera organizzazione raggiunga un elevato livello di alfabetizzazione sull'impatto dell'IA, sulle sue applicazioni e sulla sua etica, al fine di essere innovativi senza essere irresponsabili.
"Non è facile, soprattutto in un settore in cui l'avversione al rischio è profondamente radicata. Ma alla fine, quando si tratta di adottare l'IA, non credo che le istituzioni finanziarie abbiano molta scelta: non si tratta di come o se l'IA possa aggiungere valore alla vostra attività. Si tratta di capire come integrare l'IA nelle operazioni quotidiane per rimanere rilevanti e competitivi in un mercato globale in rapida evoluzione".
