Analytická společnost IDC odhaduje, že 65 procent datových modelů nikdy není nasazeno. Z tohoto pohledu je zřejmé, že banky a pojišťovny fakticky plýtvají prostředky vynakládanými na přípravu, modelování a implementaci analytických modelů. Lze očekávat, že s postupným rozšiřováním umělé inteligence v sektoru finančních služeb budou banky i pojišťovny klást vyšší důraz na rychlost a efektivitu vývoje modelů. Poradenská firma McKinsey uvádí, že největší výzvou z hlediska využití umělé inteligence je schopnost přetavit výsledek analytického modelu do obchodního rozhodnutí.

„Za poslední rok jsme zaznamenali výrazně vyšší poptávku po nástrojích umožňujících řídit životní cyklus analytických modelů,“ říká Martin Stiller z české pobočky společnosti SAS Institute. „Banky a pojišťovny ve svých provozech stále častěji aplikují umělou inteligenci. Lepší kontrola nad analytickými modely jim pomáhá dosáhnout vyšší míry automatizace rozhodovacích procesů, zákaznických cest i personalizace interakcí s klienty.“

Nedostatečná provázanost vývoje modelů s řízením produktů vede k neefektivitě

Jedním z důvodů problému poslední míle je nedostatečná spolupráce mezi datově vědeckými útvary a produktovými nebo segmentovými manažery, tedy vlastníky produktů. Vlastník produktu, který zná aktuální potřeby zákazníků, zpravidla není odpovědný za vývoj analytických modelů a naopak tvůrci analytických modelů nejsou zainteresováni na obchodní výkonnosti produktů. Kvůli neefektivitě v předávání požadavků mezi jednotlivými útvary trvá vývoj a nasazení modelu mnohdy déle než šest měsíců.

Pro zdolání poslední míle proto finanční instituce od vlastníků produktů začínají vyžadovat pokročilejší dovednosti v oblasti umělé inteligence. Dodavatelé analytických platforem vychází tomuto trendu vstříc a nabízejí nástroje pro prototypování a tvorbu modelů v tzv. low-code/no-code rozhraní s nízkými nároky na znalost programování. Intuitivní formou je tak možné otestovat hypotézu nad reálnými daty a kvantifikovat ekonomický dopad konkrétního případu použití.

Koncept ModelOps urychluje vývoj analytických modelů

Podobně jako dnes již poměrně rozšířený přístup k vývoji softwaru DevOps reaguje i koncept ModelOps na potřebu zvýšit úspěšnost vývoje a zrychlit testování a implementaci. ModelOps představuje soubor technik, procesů a nástrojů umožňujících řídit a automatizovat životní cyklus modelu. Jedná se o nezbytný prvek obzvlášť při využití strojového učení.

Mezi hlavní schopnosti ModelOps patří průběžná integrace (CI) a průběžné nasazování (CD), verzování, zapojení automatizovaných agentů a využití streamovaných dat.

Analytická společnost Gartner považuje ModelOps za klíčový přístup pro širší využití umělé inteligence v obchodním prostředí. Příkladem je spolupráce jedné londýnské banky z tzv. velké čtyřky se společností SAS Institute, kdy se díky konceptu ModelOps podařilo zautomatizovat zákaznické cesty i u komplexnějších úvěrových produktů. Vedle významného zvýšení prodejů banka dosáhla také snížení nákladů na vývoj analytických modelů o více než 40 procent.

Rozmanitost analytických nástrojů vyvolává potřebu užší koordinace

Pro docílení automatizace zákaznických cest přibývá požadavků na propojení modelů napříč útvary. Například u procesu žádosti o půjčku je využita řada modelů zajišťujících personalizaci parametrů, posouzení úvěruschopnosti, předložení nejlepší další nabídky, ověření řady rizik, jako je praní špinavých peněz apod.

Každý z těchto modelů zpravidla využívá odlišný analytický nástroj či jazyk. Pro dosažení alespoň částečné automatizace často dochází k manuálnímu přepisu modelů. Avšak ruční zásahy jednak snižují kontrolu nad životním cyklem modelu, jednak omezují využívání samoučících metod, které jsou nezbytné pro plnohodnotnou automatizaci.

Jako vhodné řešení těchto problémů se nabízí zapojení orchestrační vrstvy, díky které je výrazně jednodušší navrhovat a propojovat zákaznické cesty. Orchestrační nástroje nabízejí nejenom tvorbu, ale i efektivnější způsob řízení výkonnosti celého rozhodovacího procesu. Orchestrační vrstva zároveň ponechává svobodu volby nad analytickým jazykem a poskytuje flexibilitu v budoucím rozvoji. Pro širší využití umělé inteligence tedy není nutné přecházet na ekosystém jednoho dodavatele a přistupovat na uzavřený systém.

Zákazníci a regulátoři volají po kontrole a transparentnosti

Dalším důvodem, proč většina modelů není nikdy nasazena do produkce, je netransparentnost. Ztráta kontroly nad automatizovanými modely může mít pro finanční instituci závažné ekonomické důsledky i výrazný dopad na její reputaci.

Na konci minulého roku vydala Agentura Evropské unie pro základní práva zprávu poukazující na úskalí spojená s využíváním umělé inteligence. Zpráva uvádí, že „automatizace sice může zlepšit rozhodovací postupy, avšak umělá inteligence může také vést k chybám a diskriminaci a může být obtížné její výstupy napadnout“. V médiích proběhla řada zpráv o případech, kdy umělá inteligence přijala extremistické postoje či začala diskriminovat zákazníky podle pohlaví, věku, rasy apod. Také zákazníci například častěji vyžadují od bank odůvodnění, proč získali odlišnou úrokovou sazbu než jiní žadatelé.

Finanční instituce proto musí pečlivě volit nástroje, které jim umožní auditovat a srozumitelně vysvětlit každé automatizované rozhodnutí s cílem zvyšovat transparentnost, předcházet diskriminaci a posilovat důvěru u svých klientů. Jedině tak budou moci bez obav zavádět modely, které jim pomohou zvýšit produktivitu a efektivitu a zkvalitnit obsluhu zákazníků.

Martin Stiller, Customer Advisory Lead for Financial Services ve společnosti SAS

Od ledna tohoto roku má na starosti presales ve finančních službách pro Čechy a Slovensko v SAS Institute. Předtím pracoval jako analytik pro retailové bankovnictví v IDC. V této pozici se podílel na řadě mezinárodních transformačních projektů. Několik let žil a pracoval v Lucembursku, kde se podílel na tvorbě strategií pro Deutsche Boerse Group. Mimo práci má Martin rád létání ve sportovních letadlech a je také vášnivým cyklistou.