Использование машинного обучения увеличивается во многих отраслях, и сфера финансов не является исключением. Второе ежегодное исследование и доклад Института международных финансов позволили получить представление о траектории технологии в этом применении финансов, а также о некоторых препятствиях, с которыми сталкиваются организации, стремящиеся развернуть машинное обучение.

Как и ожидалось, все больше организаций сообщают о пилотном или производственном использовании машинного обучения - 85% в новом опросе по сравнению с опросом, проведенным в 2018 году, в котором только 58% опрошенных фирм сообщили о производственных или пилотных проектах. Кредитный скоринг и принятие решений являются наиболее известным приложением, но использование кредитного мониторинга и сигналов раннего предупреждения возросло: с 13% в 2018 году до 57% в 2018 году. Исследования как в 2018, так и в 2019 году включали 60 финансовых учреждений в год.

Но хотя траектория производства машинного обучения может следовать ожидаемому пути роста, препятствия для развертывания сместились с момента прошлогоднего опроса, по словам Брэда Карра, старшего директора по цифровым финансам Института международных финансов, который также взял интервью у некоторых участников опроса об их ответах.

«Преимущества не изменились, но набор проблем значительно изменился», - сказал он. В прошлогоднем опросе самая большая проблема была связана с данными. Банки имеют так много данных, но они находятся во многих различных разрозненных хранилищах, от данных учетной записи кредитной карты до данных ипотечного счета, данных банковского счета и других источников данных, сказал Карр InformationWeek. Все эти различные источники создают проблемы с точки зрения согласованности данных, которые респонденты опроса назвали своей задачей № 1 в 2018 году.

Но в этом году самая большая проблема, на которую ссылаются респонденты, это «надзорное понимание или согласие на использование новых процессов». В этом случае термин «надзорный» относится к регулирующим организациям, таким как, например, FDIC в США, а не к внутренним руководителям или менеджерам финансовых компаний.

Карр сказал, что в своих интервью с респондентами стало ясно, что большая часть этой категории связана с растущим пониманием этими организациями соответствующих вопросов, которые следует задавать финансовым фирмам.

«Шестнадцать месяцев назад они, возможно, не поняли правильных вопросов», - сказал он. «Но за эти 16 месяцев они добились большого прогресса. Качество вопросов, которые банки получают от своих надзорных органов, улучшается. Они могут более эффективно оказывать давление на банки».

В отчете отмечается, что проблемы объяснимости «черного ящика» - возможность объяснить, как алгоритм выводит свои результаты - были восприняты как первоочередная задача для аудиторов и супервизоров.

Но даже при том, что им может показаться, что они находятся под пристальным вниманием, Карр говорит, что ни один банк не сообщил о том, что надзорные органы не могут принять технологию.

Вторая по значимости проблема, упоминаемая банками, - это проблемы, связанные с ИТ-инфраструктурой. Это восходит к проблеме с разрозненной информацией. Как объясняется в отчете, за прошедшие годы многие банки постепенно обновляли свои ИТ-системы, также проходя серию слияний и поглощений. Во многих случаях технологические группы в разных частях организации самостоятельно решали болевые точки. Этот подход, согласно отчету, привел к изолированным системам, избыточности и повышенной сложности.

No Comments