version af denne artikel oversat af Marisela Ordez Teknologi til generelle formål er et begreb, som økonomer forbeholder sig til teknologier, der ansporer til langvarig økonomisk vækst og samfundsmæssige fremskridt, hvilket revolutionerer både husholdningernes og virksomhedernes drift. Et eksempel på generel teknologi er elektricitet. Elektricitet affødte et væld af produkter og sektorer, herunder køleskabe, vaskemaskiner, tog og selvfølgelig computere. Fremkomsten af elektricitet ændrede verden radikalt.
En nylig artikel fra Harvard Business Review udpeger kunstig intelligens (AI) som den vigtigste teknologi til generelle formål i vores æra . Vi er bekendt med kraften i AI. Det manifesterer sig i form af en robot, der besejrer en verdenskendt skakspiller. En bil, der kan parallelparkere sig selv. Enheder, der reagerer med morgendagens vejr, når vi spørger. Men meget af vores kontakt med – og forståelse af – AI kredser om produkter, der påvirker vores hverdag som forbrugere. På det organisatoriske niveau er der et større spørgsmål omkring, hvordan AI vil forstyrre industrier, og specifikt, hvordan finansielle tjenester vil udnytte AI.
Den følgende artikel vil definere kunstig intelligens, sfæren for dens relaterede teknologier, størrelsen af den samlede AI-industri og anvendelserne af kunstig intelligens inden for finans. Dette stykke er ikke beregnet til at give en normativ bedømmelse af AI-udvikling; snarere vil den fokusere på, hvordan kunstig intelligens forstyrrer økonomien.
Kunstig intelligens er et område inden for datalogi, der fokuserer på at skabe intelligente maskiner, der fungerer som mennesker. AI-computere er designet til at udføre menneskelige funktioner, herunder læring, beslutningstagning, planlægning og talegenkendelse.
Kunstig intelligens gør det muligt for maskiner løbende at forbedre deres ydeevne, uden at mennesker giver foreskrivende instruktioner til, hvordan det skal gøres. Dette er vigtigt af et par grunde. For det første ved mennesker mere, end vi er i stand til at fortælle. Det vil sige, at mennesker kan være i stand til at genkende et ansigt eller udføre en smart strategi i et spil skak. Men forud for avanceret kunstig intelligens-teknologi betød menneskers manglende evner til at formulere vores viden, at vi ikke kunne automatisere mange opgaver. For det andet er AI-teknologi overmenneskelig i udførelsen, den fungerer hurtigere og ofte med mere nøjagtighed end mennesker.
Kunstig intelligens omfatter et væld af muligheder og teknologier. Konsulentfirmaet PWC understreger, at AI "ikke er et monolitisk fagområde. Det omfatter en række ting, der alle føjer til vores forestilling om, hvad det vil sige at være 'intelligent'." Nedenfor er et par af de mest populære områder inden for kunstig intelligens:
Denne liste er naturligvis ikke udtømmende. Se nedenfor for en bredere vifte af kunstig intelligens-emner og -teknologier.
Den førnævnte Harvard Business Review-artikel forudsiger, at "Effekterne af kunstig intelligens vil blive forstørret i det kommende årti, efterhånden som fremstilling, detailhandel, transport, finans, sundhedspleje, jura, reklame, forsikring, underholdning, uddannelse og stort set alle andre industrier forvandler deres kerneprocesser og forretningsmodeller for at drage fordel af machine learning. Flaskehalsen ligger i ledelse, implementering og forretningsfantasi.”
Den udbredte anvendelse af kunstig intelligens på tværs af industrier forventes at drive globale indtægter på 12,5 milliarder dollars i 2017 og 47 milliarder dollars i 2020 med en sammensat årlig vækstrate (CAGR) på 55,1 % fra 2016 til 2020. Specifikt de industrier, der vil investere mest i teknologien er bank og detail, efterfulgt af sundhedspleje og fremstilling. Tilsammen vil disse fire industrier udgøre over halvdelen af de globale AI-indtægter i 2016, hvor bank- og detailsektoren hver leverer næsten 1,5 milliarder USD.
På tværs af brancher vil de største AI-investeringer i 2017 være inden for områder som automatiserede kundeserviceagenter, automatiseret trusselsintelligens og svindelanalyse (se diagrammet nedenfor). Ifølge Jessica Goepfert, programdirektør hos markedsundersøgelsesfirmaet IDC, "Muligheder på kort sigt for kognitive systemer er i industrier som bank, værdipapirer og investeringer og fremstilling. I disse segmenter finder vi et væld af ustrukturerede data, et ønske om at udnytte indsigt fra denne information og en åbenhed over for innovative teknologier." Det næste afsnit af denne artikel vil dykke ned i de forskellige use cases for kunstig intelligens i finanssektoren.
Kunstig intelligens i finanssektoren kunne drive operationel effektivitet på områder lige fra risikostyring og handel til tegning og krav. Mens nogle applikationer er mere relevante for specifikke sektorer inden for finansielle tjenesteydelser, kan andre udnyttes over hele linjen.
Kunstig intelligens har vist sig ekstremt værdifuld, når det kommer til sikkerhed og afsløring af svindel. Traditionelle metoder til afsløring af svindel omfatter computere, der analyserer strukturerede data i forhold til et sæt regler. For eksempel kan et givet betalingsfirma sætte en tærskel for bankoverførsler til 15.000 USD, så enhver transaktion, der overstiger dette beløb, vil blive markeret til yderligere undersøgelse. Men denne type analyse producerer mange falske positiver og kræver en masse ekstra indsats. Måske endnu mere markant, cyberkriminalitetssvindlere ændrer ofte deres taktik. Derfor skal de mest effektive systemer hele tiden blive smartere.
Med avancerede læringsalgoritmer, såsom dem fra deep learning, kan nye funktioner føjes til systemet til dynamisk justering. Ifølge Samir Hans, en rådgivende rektor hos Deloitte Transactions and Business Analytics LLP, "Med kognitive analyser kan modeller for registrering af svindel blive mere robuste og nøjagtige. Hvis et kognitivt system sparker noget ud, som det fastslår som potentielt bedrageri, og et menneske fastslår, at det ikke er bedrageri på grund af X, Y og Z, lærer computeren af disse menneskelige indsigter, og næste gang vil den ikke sende en lignende detektion din vej . Computeren bliver klogere og smartere.”
Tag for eksempel betalingsgiganten PayPal og dens avancerede svindelprotokoller. På grund af dets omfang og synlighed har PayPal "et enormt mål på ryggen." Det behandlede 235 milliarder dollars i 2015 fra fire millioner transaktioner fra sine 170 millioner kunder. PayPal har dog været i stand til at øge sikkerheden ved at udnytte deep learning-teknologi. Faktisk er PayPals bedrageri relativt lavt med 0,32 % af omsætningen, et tal langt bedre end gennemsnittet på 1,32 %, som sælgere ser.
Tidligere brugte PayPal simple, lineære modeller. I dag henter dens algoritmer data fra en kundes købshistorik og gennemgår mønstre for sandsynlig svindel, der er gemt i dens voksende databaser. Mens en lineær model kan forbruge 20-30 variabler, kan deep-learning-teknologi kommandere tusindvis af datapunkter. Disse forbedrede muligheder hjælper PayPal med at skelne uskyldige transaktioner fra mistænkte. Ifølge Hui Wang, PayPals seniordirektør for Global Risk Sciences, "Hvad vi nyder af mere moderne, avanceret maskinlæring er dens evne til at forbruge meget mere data, håndtere lag og lag af abstraktion og være i stand til at 'se' ting [... ] selv mennesker er måske ikke i stand til at se.”
I årevis har investeringsforvaltningsselskaber været afhængige af computere til at foretage handler. Omkring 1.360 hedgefonde, der repræsenterer 9% af alle fonde, er afhængige af store statistiske modeller bygget af datavidenskabsmænd, der ofte har matematik-ph.d.'er (også kendt som "kvanter"). Disse modeller bruger dog kun historiske data, er ofte statiske, kræver menneskelig indgriben og fungerer ikke så godt, når markedet ændrer sig. Som følge heraf migrerer midler i stigende grad mod ægte kunstig intelligens-modeller, der ikke kun kan analysere store mængder data, men også fortsætte med at forbedre sig selv.
Disse nye teknologier anvender komplekse teknikker, herunder deep learning, en form for maskinlæring kaldet Bayesianske netværk og evolutionær beregning, som er inspireret af genetik. AI-handelssoftware kan absorbere enorme mængder data for at lære om verden og komme med forudsigelser om det finansielle marked. For at forstå globale tendenser kan de forbruge alt fra bøger, tweets, nyhedsrapporter, finansielle data, indtjeningstal og international pengepolitik til Saturday Night Live-skitser.
For at være klar er ovenstående adskilt fra højfrekvent handel (HFT), som giver handlende mulighed for at udføre millioner af ordrer og scanne flere markeder i løbet af få sekunder og reagere på muligheder på måder, som mennesker simpelthen ikke kan. De AI-drevne platforme diskuteret ovenfor søger de bedste handler på længere sigt, og maskiner – ikke mennesker – dikterer strategien.
Nogle af disse AI-handelssystemer er udviklet af startups. For eksempel er Hongkong-baserede Aidiya en fuldt autonom hedgefond, der foretager alle sine aktiehandler ved hjælp af kunstig intelligens (AI). "Hvis vi alle dør," siger medstifter Ben Goertzel, "ville det fortsætte med at handle." Traditionelle institutioner er også interesserede i AI-handelsteknologi. I 2014 ledede Goldman Sachs serie A-finansieringsrunden og begyndte at installere en AI-handelsplatform kaldet Kensho. I Kenshos serie B-runde deltog udover S&P Global også Wall Streets seks største banker (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup og Wells Fargo).
En nylig undersøgelse udført af investeringsanalysefirmaet Eurekahedge sporede resultaterne af 23 hedgefonde, der brugte AI fra 2010-2016, og fandt, at de klarede sig bedre end dem, der forvaltes af mere traditionelle quants og generaliserede hedgefonde.
Det bliver interessant at se, hvordan kunstig intelligens vil påvirke det handlende arbejdsmarked. Dens virkninger er allerede tydelige hos nogle større bankinstitutioner. I 2000 beskæftigede Goldman Sachs amerikanske kontantaktier i hovedkvarteret i New York 600 handlende, der købte og solgte aktier. I dag har den to aktiehandlere, hvor maskiner klarer resten. Daniel Nadler, administrerende direktør for Kensho, erklærer:"Om 10 år vil Goldman Sachs være væsentligt mindre i antal medarbejdere, end det er i dag." Og hvad angår mængderne, kan de opleve, at deres kompetencer er mindre efterspurgte fra investeringsforvaltningsselskaber.
I øjeblikket lever omkring en tredjedel af kandidater fra top business-programmer til finansiering. Hvor ville nogle af landets bedste talenter flytte hen? Mark Minevich, seniorrådgiver for U.S. Council on Competitiveness, mener, at "Nogle af disse smarte mennesker vil flytte ind i tech startups eller vil hjælpe med at udvikle flere AI-platforme eller autonome biler eller energiteknologi […] New York kan konkurrere med Silicon Valley i teknologi."
Robo-rådgivere er digitale platforme, der leverer automatiserede, algoritmedrevne finansielle planlægningstjenester med minimalt menneskeligt tilsyn. Mens menneskelige økonomiforvaltere har brugt automatiseret porteføljeallokering siden begyndelsen af 2000'erne, måtte investorer ansætte rådgivere for at drage fordel af teknologien. I dag giver robo-rådgivere kunderne direkte adgang til tjenesten. I modsætning til deres menneskelige modparter overvåger robo-rådgivere markederne non-stop og er tilgængelige 24/7. Robo-rådgivere kan også tilbyde investorer op til 70 % i omkostningsbesparelser og kræver typisk lavere eller ingen minimumskrav for at deltage.
I dag kan robo-rådgivere hjælpe med de mere gentagne opgaver såsom kontoåbning og aktivoverførsel. Processen går typisk ud på, at kunder besvarer simple spørgeskemaer om risikovillighed eller likviditetsfaktorer, som robo-rådgivere så omsætter til investeringslogik. Størstedelen af nuværende robo-rådgivere sigter mod at allokere deres kunder til administrerede ETF-porteføljer baseret på deres præferencer. Det forventes, at mulighederne i fremtiden vil udvikle sig til mere avancerede tilbud såsom automatisk aktivskift og udvidet dækning på tværs af alternative aktivklasser såsom fast ejendom.
Robo-rådgivning kan have stor indflydelse på sektorerne for privatøkonomi og formueforvaltning. Mens nuværende robo-rådgivers samlede aktiver under forvaltning (AUM) kun repræsenterer 10 milliarder dollars af formueforvaltningsindustriens 4 billioner dollars (mindre end 1 % af alle administrerede kontoaktiver), anslår en Business Insider-undersøgelse, at dette tal vil stige til 10 % i 2020 Dette svarer til omkring $8 billioner AUM.
Brancheaktører har taget forskellige tilgange til robo-rådgivning. Mindre formueforvaltningsfirmaer tilføjer algoritmiske komponenter for at automatisere deres investeringsstyring, reducere omkostninger/gebyrer og konkurrere med robo-rådgivere. På den anden side køber etablerede investeringsselskaber eksisterende robo-rådgivere, såsom Invescos opkøb af Jemstep eller skaber deres egne robo-rådgiverløsninger, såsom FidelityGo og Schwab's Intelligent Advisory.
Den generelle konsensus blandt eksperter er, at mennesker vil forblive uundværlige. Den menneskelige berøring vil forblive kritisk, da rådgivere stadig skal berolige kunderne i vanskelige økonomiske tider og overtale dem med nyttige løsninger. En undersøgelse udført af konsulentfirmaet Accenture afslørede, at 77 % af formueforvaltningskunder har tillid til deres finansielle rådgivere, mens 81 % angiver, at ansigt-til-ansigt interaktion er vigtigt. For kunder med komplekse investeringsbeslutninger vinder den hybride rådgivningsmodel, som kobler computeriserede tjenester med menneskelige rådgivere, indpas.
Mens finansielle rådgivere forbliver centrale, kan robo-rådgivere forårsage skift i deres jobansvar. Med AI, der håndterer gentagne opgaver, kan investeringsforvaltere påtage sig ansvaret for en dataforsker eller ingeniør, såsom at vedligeholde systemet. Mennesker kan også fokusere mere på at opbygge kunderelationer og forklare de beslutninger, maskinen har truffet.
Forsikring er afhængig af risikobalancen blandt puljer af mennesker; forsikringsselskaber grupperer lignende personer sammen, og nogle mennesker vil kræve udbetalinger, mens andre ikke vil. Industrien er bygget op omkring risikovurdering; forsikringsselskaber er ikke fremmede for dataanalyse. Imidlertid kan kunstig intelligens udvide mængden af analyserede data såvel som måderne, de kan bruges på, hvilket resulterer i mere nøjagtige priser og anden driftseffektivitet.
Startups er på forkant med at skubbe industrien fremad. Ifølge Henrik Naujoks, partner hos Bain &Co, “Viser start-ups, hvad der er muligt, og hvad der kan lade sig gøre. Mange af de siddende ledere kigger på det - de forstår det ikke rigtig, men de vil gerne involveres." Investorer har også fanget denne tendens (se nedenfor). I 2016 var kunstig intelligens et af de mest populære temaer for forsikringstekniske investeringer.
En PWC-rapport forudsiger, at kunstig intelligens vil automatisere en betydelig mængde garanti inden 2020, især på modne markeder, hvor data er tilgængelige. I øjeblikket vurderer en forsikringsgiver ved hjælp af computersoftware og aktuarmodeller potentielle kunders risiko og eksponeringer, hvor meget dækning de skal modtage, og hvor meget de skal opkræves for det. På kort sigt kan kunstig intelligens hjælpe med at automatisere store mængder forsikringer inden for bil-, bolig-, erhvervs-, livs- og gruppeforsikringer. I fremtiden vil kunstig intelligens forbedre modellering og fremhæve vigtige overvejelser for menneskelige beslutningstagere, som ellers kunne være gået ubemærket hen. Det er også forudsagt, at avanceret kunstig intelligens vil muliggøre personlig forsikring af virksomhed eller enkeltperson under hensyntagen til unik adfærd og omstændigheder.
Forbedret underwriting kan udnytte ikke kun maskinlæring til datamining, men også bærbar teknologi og deep learning-ansigtsanalysatorer. For eksempel ønsker Lapetus, en startup, at bruge selfies til nøjagtigt at forudsige forventet levetid. I deres foreslåede model vil kunderne e-maile deres selvportrætter, som computere derefter scanner og analyserer - ved at analysere tusindvis af områder af ansigtet. Analysen vil overveje alt fra grundlæggende demografi til, hvor hurtigt personen vil ældes, deres kropsmasseindeks, og om de ryger. Derudover kunne bærbar teknologi gøre tegningsprocessen mere samarbejdsorienteret. I stedet for at stole på langvarige lægetjek og komplicerede kontraktprocesser kan wearables give realtidsindsigt i forsikringstagernes helbred og adfærd. Det er klart, at maskinlæring inden for finans allerede er under udvikling.
Disse typer af nuancerede risikoanalyser i realtid vil muliggøre ikke kun mere præcis kundeprissætning, men også tidlig opdagelse af sundhedsrisici og en mulighed for forsikringsselskaber til at investere i forebyggelse. I stedet for til sidst at betale for dyre behandlinger for patienten, kan forsikringsselskaber proaktivt forsøge at sænke sandsynligheden for skader og dermed forbundne omkostninger.
I en Oxford-undersøgelse fra 2013, der analyserede over 700 erhverv for at afgøre, hvilke der var mest modtagelige for computerisering, blev forsikringsforsikringsselskaber inkluderet i de fem mest modtagelige. Selv hvor AI ikke helt erstatter en forsikringsgiver, kan AI-automatisering ændre en forsikringsgivers ansvar. AI kan frigøre en forsikringsgivers tid til højere værditilvækst, såsom at vurdere og prissætte risici på mindre datarige nye markeder, hvilket giver mere risikostyring og produktudviklingsfeedback.
Forsikringskrav er formelle anmodninger om betaling, der sendes til forsikringsselskaber. Forsikringsselskaber gennemgår derefter kravet om gyldighed og udbetaler til den forsikrede, når det er godkendt. Sådan kan kunstig intelligens forbedre processen:
Forbedret kundedatanøjagtighed. Kravsprocessen er ret manuel:Menneskelige agenter logger manuelt kundeoplysninger og hændelsesdetaljer. Ifølge en Experian-rapport kan datakvaliteten lide:ufuldstændige data tegner sig for 55 % af datafejlene, mens stavefejl udgør 32 %. AI kan forbedre nøjagtigheden ved at reducere manuel input. Derudover kræver skadesprocesser ofte, at forsikringsagenter matcher kundeoplysninger med adskillige databaser. AI kan bruges til at gøre dette mere effektivt.
Hurtigere udbetalingsanbefalinger. Ifølge en undersøgelse af tilfredshed med ejendomskrav fra J.D. Power &Associates er langsomme skadescyklustider en af de største bidragydere til kundernes utilfredshed. AI kan hjælpe med at reducere ekspeditionstiderne ved først at validere politikken og derefter træffe afgørelser om krav og om betaling skal automatiseres. Dette skyldes, at AI har evnen til at analysere ikke kun strukturerede data, men også ustrukturerede data såsom håndskrevne formularer og certifikater.
Banker laver store væddemål med deres klientvendte virtuelle assistenter, kendt som chatbots. Mens de tidlige versioner af chatbots kun vil være i stand til at besvare grundlæggende spørgsmål om forbrugsgrænser og nylige transaktioner, forventes fremtidige versioner at blive virtuelle fuldserviceassistenter, der kan foretage betalinger og spore budgetter for forbrugere. At engagere sig med kunder kan udmønte sig i betydelige omkostningsbesparelser, men menneskelige interaktioner er uden tvivl også mere komplekse end ligetil talknakning. Kritikere peger på chatbots mangel på empati og forståelse, som mennesker kan have brug for, når de skal håndtere vanskelige økonomiske beslutninger og situationer. For denne teknologi vil AI-teknologi til behandling af naturligt sprog være afgørende for at behandle og reagere på personlige kundehensyn og ønsker.
I oktober 2016 afslørede både Bank of America og MasterCard deres chatbots, henholdsvis Erica og Kai. Disse vil give kunderne mulighed for at stille spørgsmål om deres konti, igangsætte transaktioner og modtage rådgivning via Facebook Messenger i Amazons Echo-tårn.
Capital One har også lanceret deres egen chatbot, kaldet "Eno", som er et anagram for "One". Eno gør det muligt for kunder at chatte med banken ved hjælp af tekstbaseret sprog til at betale regninger og hente kontooplysninger. Barclays er også med i handlingen. I beskrivelsen af Bank of Americas nye chatbot erklærede Michelle Moore, chefen for digital banking hos Bank of America:"Hvad vil bankvirksomhed være om to, tre eller fire år? Det bliver det her."
Den fulde virkning af kunstig intelligens i finansielle tjenester skal ses. Nogle fremtidsforskere har hævdet, at verden hurtigt nærmer sig et vendepunkt, opfundet "singularitet", hvor maskinintelligens vil overgå menneskelig intelligens. Berømte teknologer og videnskabsmænd, herunder Bill Gates og Stephen Hawking, har advaret om dette punkt. Elon Musk har også berømt opfordret, "AI er en fundamental eksistentiel risiko for den menneskelige civilisation, og jeg tror ikke, folk fuldt ud værdsætter det."
Efterhånden som AI fortsætter med at udbrede vores personlige og professionelle liv, vil mange problemer fortsætte med at dukke op. Disse omfatter muligheden for fejl, en generel mistillid til maskiner og bekymringer om jobudskiftning. Det ville være en fejl at se bort fra denne frygt. Alligevel er samfundet allerede på en accelererende vej fremad mod en AI-drevet verden. I denne nye verden kunne det være mest produktivt at fokusere på, hvordan maskiner og mennesker bedst kan eksistere sammen. Det vil være vigtigt for politikere at forblive forsigtige og tillade nye teknologier at udvikle sig, mens de overvåger og minimerer deres negative konsekvenser. Udviklere og designere bør også forbedre menneskers evne til at forstå AI-systemer for at opbygge tillid og øge tilfredsheden med AI-applikationer. Alle vil have en rolle at spille.
Som Haruhiko Kuroda, guvernør for Bank of Japan talte på en konference om kunstig intelligens og finansielle tjenester i 2017, "Det er vigtigt for os konstruktivt at overveje ønskværdige måder, hvorpå mennesker og kunstig intelligens komplementerer, snarere end konfronterer hinanden. For eksempel er menneskelig dømmekraft ikke fuldstændig fri for eksisterende paradigmer og er derfor nogle gange uagtsom over for ændringer. I denne henseende kunne AI justere vores bias ved neutralt at analysere og finde nye sammenhænge blandt et utal af [sic] data. I mellemtiden kunne mennesker kompensere for AI's svaghed med deres intuition, sunde fornuft og fantasi."