Η επανάσταση της τεχνητής νοημοσύνης αλλάζει και τον χρηματοοικονομικό τομέα

Όπως παρατηρεί η πάντα ενημερωμένη Γκίλιαν Τετ στους Financial Times, μια από τις πιο σημαντικές οικονομικές ειδήσεις του τελευταίου διαστήματος είναι η συμφωνία του τμήματος πιστωτικών καρτών της Barclays με την Amazon με σκοπό την παροχή προσαρμοσμένων υπηρεσιών αγορών και πληρωμών στη Γερμανία.

Η συμφωνία αυτή δεν είναι απλώς άλλη μια συνεργασία ενός χρηματοπιστωτικού ιδρύματος και ενός μεγάλου εμπορικού ομίλου. Οι δύο εταιρείες θέλουν να συνενώσουν τα δεδομένα στα οποία έχουν πρόσβαση και με τη χρήση τεχνητής νοημοσύνης να μπορούν πιο εύκολα και εύστοχα να εγκρίνουν τη χορήγηση καταναλωτικών δανείων αλλά και να μπορούν να προβλέπουν το είδος των προσαρμοσμένων και εξειδικευμένων υπηρεσιών που θέλουν οι πελάτες.

Στην πραγματικότητα η συμφωνία αυτή είναι τμήμα μιας επανάστασης σε εξέλιξη στον χρηματοοικονομικό τομέα, που αναμένεται να αλλάξει άρδην τα δεδομένα αλλά και να φέρει τις εποπτικές αρχές αντιμέτωπες με μεγάλες προκλήσεις ως προς τον ρυθμιστικό ρόλο τους.

Η επανάσταση αυτή έγκειται στις δυνατότητες που προσφέρει η πλευρά της τεχνητής νοημοσύνης που αφορά αυτό που ονομάζεται βαθεία μηχανική μάθηση (deep learning), που διαμορφώνει πολύ μεγαλύτερες δυνατότητες ως προς την ικανότητα πρόβλεψης.

Πρωτοπόρος σε αυτόν τον τομέα ήταν ο Τζακ Μα, ο επικεφαλής της κινεζικής Alibama που χρησιμοποιεί τα δεδομένα από το πώς κινούνται ψηφιακά τόσο οι καταναλωτές όσο και οι εταιρείες, για να μπορούν να προβλέπουν τον πιστωτικό κίνδυνο αλλά και να προσφέρουν προσαρμοσμένες και εξατομικευμένες υπηρεσίες.

Συνεργασίες όπως αυτές της Barclays και της Amazon ακριβώς προσπαθούν να εκμεταλλευτούν τη δυνατότητα να έχουν πρόσβαση στον τεράστιο όγκο δεδομένων που είναι αναγκαίος για την πλήρη ενεργοποίηση διαδικασιών βαθείας μηχανικής μάθησης.

Ευκαιρίες και κίνδυνοι

Οι Gary Gensler και Lily Bailey, ερευνητές στο MIT, ανέλυσαν πρόσφατα τις ευκαιρίες αλλά και τους κινδύνους για τη χρηματοοικονομική σταθερότητα που συνεπάγεται η χρήση της βαθείας μηχανικής μάθησης στον χρηματοοικονομικό τομέα.

Ας ξεχνάμε ότι ο χρηματοοικονομικός τομέας, ήδη από την Αρχαιότητα συνδέθηκε με την προσπάθεια μέτρησης και καταγραφής προϊόντων και συναλλαγών αλλά και την προσπάθεια υπολογισμού και εκτίμησης του ρίσκου. Συχνά μάλιστα συνδέουμε την ανάπτυξη των μαθηματικών με αυτή των φυσικών επιστημών, αλλά υποτιμούμε τη σχέση με την οικονομική δραστηριότητα.

Για τους δύο ερευνητές η βαθεία μηχανική μάθηση έρχεται να εκμεταλλευτεί τις μεγάλες αλλαγές που έφερε το διαδίκτυο, τα κινητά τηλέφωνα και το cloud computing και να μπορεί να χρησιμοποιήσει το μεγάλο όγκο δεδομένων που είναι διαθέσιμα, στην προσπάθεια να υπολογιστεί ο κίνδυνος αλλά και να προβλέπει συμπεριφορές και επιλογές. Για παράδειγμα ήδη τον χρησιμοποιεί εκτεταμένα το μάρκετινγκ.

Η βαθεία μηχανική μάθηση προσφέρει μεγάλα πλεονεκτήματα: επιτρέπει το συνυπολογισμό πάρα πολλών διαστάσεων, την παρακολούθηση φαινομένων που είναι μη γραμμικά και μη ντετερμινιστικά, ενώ ενέχει το στοιχείο του δυναμισμού και της περιπλοκότητας.

Όλα αυτά αποκτούν ξεχωριστή σημασία για τον χρηματοοικονομικό τομέα, καθώς δίνουν νέα διάσταση στον υπολογισμό του κινδύνου και συνολικά οικονομικών τάσεων, με τρόπο που να μπορεί να χειριστεί πολύ καλύτερα την περιπλοκότητα και την μεταβλητότητα των οικονομικών φαινομένων και πρακτικών, ξεπερνώντας τα όρια που έχουν τα μέχρι τώρα μοντέλα πρόβλεψης και τα οποία για παράδειγμα δεν απέτρεψαν την τεράστια χρηματοοικονομική κρίση του 2008.

Την ίδια στιγμή η βαθεία μηχανική μάθηση απαιτεί ολοένα και περισσότερα δεδομένα, που με τη σειρά τους βοηθούν όλο και μεγαλύτερη ακρίβεια.

Όμως, οι δύο ειδικοί επισημαίνουν και κινδύνους που υπάρχουν, πάλι εξαιτίας των εγγενών χαρακτηριστικών της βαθείας μηχανικής μάθησης. Ο πρώτος κίνδυνος προκύπτει από τη χαμηλή εξηγησιμότητα των πορισμάτων, που μπορεί να δυσκολέψει την δυνατότητά τους να ενσωματωθούν σε διαδικασίες απόφασης.

Ο δεύτερος κίνδυνος είναι αυτός της μεροληψίας. Με το να εντοπίζουν, πολύ πιο αποτελεσματικά, λανθάνουσες τάσεις και να προβλέπουν συμπεριφορές, υπάρχει ο κίνδυνος να αναπαράγουν το υπόβαθρο αυτών των συμπεριφορών που μπορεί να αποτυπώνει μορφές ρατσισμού ή άλλων διακρίσεων και άρα να έλθουν σε σύγκρουση για την ανάγκη ο χρηματοοικονομικός τομέας να είναι περισσότερο δίκαιος, ισότιμος και ανοιχτός. Ο τρίτος κίνδυνος αφορά την ανθεκτικότητα των δεδομένων, κάτι που μπορεί να οδηγήσει σε πολύ διαφορετικές υψηλής εμπιστοσύνης προβλέψεις και άρα τελικά να δημιουργεί προβλήματα στις αποφάσεις.

Οι νέες προκλήσεις για τις εποπτικές αρχές

Όλα αυτά διαμορφώνουν ιδιαίτερα μεγάλες προκλήσεις για τις εποπτικές αρχές.

Ο λόγος είναι ότι παρά την αύξηση της ικανότητας πρόβλεψης που φέρνει η τεχνητή νοημοσύνη, αυτό δεν αναιρεί τις βασικές πηγές κινδύνων που αναδύονται στη χρηματοπιστωτική σφαίρα: Την ικανότητα ο κίνδυνος να γίνει συστημικός και να επεκταθεί από μια επιχείρηση ή ένα τμήμα της αγοράς ή μια χώρα στο σύνολο μια παγκοσμιοποιημένης οικονομίας. Το πρόβλημα της αγελαίας συμπεριφοράς που εμφανίζεται κατ’ επανάληψη, όταν ο κάθε «παίκτης» σπεύδει να ακολουθήσει τη συμπεριφορά των υπολοίπων, εξασφαλίζοντας έτσι ότι μια αρνητική δυναμική θα γενικευτεί. Και τα πράγματα κάνει ακόμη χειρότερα η αυξημένη συνδεσιμότητα που καταγράφεται μεταξύ δικτύων που επίσης οδηγεί στην ταχεία επέκταση του αντίκτυπου μιας συστημικής αστοχίας.

Όλα αυτά συνεπάγονται ότι οι εποπτικές αρχές, που κατεξοχήν καλούνται να αποτρέπουν βίαιες και εκτεταμένες μεταστροφές  και να εντοπίζουν συστημικούς κινδύνους πριν εκδηλωθούν, πρέπει πλέον να συμπεριλάβουν και την εκτεταμένη χρήση τεχνητής νοημοσύνης, μεγάλων δεδομένων και βαθείας μηχανικής μάθησης στις παραμέτρους που θα πρέπει να εξετάζουν και αντίστοιχα να προσπαθήσουν να επαναπροσδιορίσουν την έννοια των κανόνων με βάση αυτές τις παραμέτρους.