Penggunaan data science dan AI dalam layanan keuangan bukanlah hal baru. Mulai dari bank yang menawarkan pinjaman berdasarkan skor kredit, perusahaan asuransi yang menetapkan harga polis berdasarkan risiko, hingga dana investasi yang memberikan saran keuangan berdasarkan proyeksi risiko dan imbal hasil, data selalu menjadi pilar utama sektor keuangan. Namun, untuk berhasil dalam data science dan AI, organisasi layanan keuangan perlu memperdalam pemanfaatan machine learning dan AI. Dalam sebuah webinar baru-baru ini, Shameek Kundu, mantan Group CDO Standard Chartered dan saat ini Chief Strategy Officer di TruEra, menguraikan cara mempercepat adopsi AI di layanan keuangan.
Aplikasi AI luas tetapi masih dangkal
Shameek menjelaskan bahwa saat ini ada beragam use case AI dan machine learning di layanan keuangan. Berikut beberapa contoh nyata di dunia industri.
- AXA menggunakan machine learning untuk underwriting prediktif yang memperlancar proses pembelian polis
- Optical Character Recognition (OCR) membantu Citibank mempercepat pemrosesan dokumen manual
- Investigator di OCBC Bank memanfaatkan machine learning untuk mendeteksi transaksi penipuan
Namun, itu tidak berarti organisasi layanan keuangan telah memaksimalkan data science dan AI, karena adopsi mendalam atas teknologi ini masih diperlukan. Temasek melaporkan bahwa hampir semua layanan keuangan menggunakan AI dalam proses mereka hingga tingkat tertentu. Namun, hanya 13% yang benar-benar menggunakan AI di sebagian besar prosesnya karena hambatan di seluruh industri.
Banyak proyek AI tetap berada pada tahap awal dan belum mencapai tujuan akhir berupa penerapan penuh, menurut Survei Machine Learning Bank of EnglandHambatan untuk Adopsi AI Secara Luas
Kualitas dan ketersediaan data yang terbatas
Semakin banyak, regulator menyoroti bagaimana perusahaan memproses data, terlihat dari disahkannya undang-undang privasi data negara bagian di Amerika Serikat dan Uni Eropa. Selain itu, berbagi data lintas batas masih terbatas karena perbedaan geografis dalam undang-undang privasi data. Regulasi seperti ini berujung pada data yang terbatas untuk melatih model machine learning dan membuat prediksi.
Lanskap teknologi yang belum matang dan terfragmentasi
Seiring bidang machine learning yang masih muda terus berkembang, ia mengalami kendala pertumbuhan berupa lanskap teknologi yang relatif belum matang dan terfragmentasi.
Saat ini, organisasi memerlukan sekitar satu hingga tiga bulan untuk menerapkan model machine learning ke produksi, menurut survei Algorithima. Waktu tunggu yang panjang merupakan gejala dari kurang matangnya alat operasionalisasi machine learning (MLOps). Namun, hanya soal waktu sebelum tooling MLOps berkembang mengingat lajunya yang cepat.
Kurangnya kepercayaan terhadap machine learning
Model machine learning yang kompleks tidak mudah diinterpretasikan atau dijelaskan prediksinya. Tanpa pemahaman atas model kotak hitam, pengguna akhir sulit mempercayai hasilnya.
Salah satu contohnya adalah IBM Watson. Pernah digadang-gadang sebagai masa depan layanan kesehatan, model kotak hitamnya gagal meraih kepercayaan pengguna akhir. Para dokter ini dengan tepat menolak menyerahkan keputusan hidup-mati kepada kotak hitam AI.
Demikian pula, regulator layanan keuangan dan bankir yang menangani keputusan berisiko tinggi seperti deteksi penipuan kesulitan mempercayai model kotak hitam. Terutama ketika transparansi menjadi kunci untuk mencegah diskriminasi dan hasil yang tidak adil, serta memenuhi kewajiban pengungkapan. Menyadari hal ini, Gubernur Federal Reserve Brainard pada pidato November 2018 mengatakan, “tantangan keterjelasan dapat berujung pada tingkat ketidakpastian yang lebih tinggi tentang kesesuaian pendekatan AI,” dan menyerukan agar perusahaan layanan keuangan tetap waspada dalam menerapkan model kotak hitam.
Operasionalisasi Last Mile
Proyek machine learning juga mengalami masalah last mile – tantangan untuk menyampaikan hasil kepada orang yang tepat pada waktu yang tepat. Misalnya, pengguna aplikasi ponsel yang mengharapkan hasil instan tidak akan senang mengetahui bahwa suatu rekomendasi membutuhkan waktu sepuluh menit untuk dimuat.
Mengatasi masalah operasionalisasi last mile tidak hanya memerlukan lanskap tooling MLOps yang kian matang, tetapi juga perhatian praktisi machine learning terhadap pengalaman pengguna.
Kekurangan talenta data
Penerapan AI berskala penuh membutuhkan tim profesional data – termasuk data scientist, analis, engineer, dan machine learning scientist. Karena itu, kekurangan talenta data tetap menjadi penghambat adopsi machine learning di berbagai industri, termasuk industri jasa keuangan.
Sebuah survei Deloitte mengungkapkan bahwa 23% dari pengadopsi AI yang paling matang melaporkan adanya kesenjangan keterampilan yang signifikan untuk implementasi AI. Mengatasi kesenjangan keterampilan ini memerlukan strategi reskilling dan upskilling terfokus untuk talenta tertentu.
Kesimpulan
Hambatan-hambatan di atas menunjukkan bahwa semua dapat diatasi dengan waktu dan upaya yang memadai. Mengatasi masalah-masalah tersebut akan membawa industri layanan keuangan selangkah lebih dekat untuk membuka potensi besarnya dalam adopsi AI.
Jika Anda tertarik pada penerapan AI di layanan keuangan, pastikan untuk menyimak webinar on-demand Shameek berjudul “Meningkatkan Skala Adopsi AI di Layanan Keuangan”.
