Il settore dei servizi finanziari siede su una miniera d’oro di dati. Non sorprende quindi che l’industria pulluli di casi d’uso promettenti per l’intelligenza artificiale e il machine learning. Se implementata con successo, l’IA può generare un valore fino a 2.000 miliardi di dollari nel settore bancario, secondo una stima di McKinsey. In un webinar recente, Shameek Kundu, ex Group CDO di Standard Chartered e attuale Chief Strategy Officer di TruEra, ha illustrato come accelerare il valore dell’IA nei servizi finanziari.
Shameek ha spiegato che il valore della data science e dell’IA nei servizi finanziari può essere raggruppato in tre grandi categorie:
- Maggiori ricavi grazie a una migliore esperienza cliente e a decisioni migliori
- Riduzione dei costi attraverso una gestione del rischio più efficace e una maggiore efficienza operativa
- Scoperta di potenziali inespressi e di modelli di business.
L’applicazione dell’IA nei servizi finanziari è ampia ma superficiale
Oggi, molti progetti di IA nei servizi finanziari restano agli inizi, incapaci di raggiungere l’obiettivo finale della piena messa in produzione per una serie di ragioni. Queste possono andare da problemi tecnici come disponibilità e qualità dei dati limitate, colli di bottiglia tecnologici nell’implementazione dei sistemi di IA, fino a ostacoli non tecnici come la carenza di talenti data e la fiducia limitata nei sistemi di IA.
Affrontare la mancanza di fiducia nei sistemi di IA
Sebbene modelli di machine learning complessi come i modelli di deep learning possano offrire soluzioni profonde a problemi prima intrattabili come il ripiegamento delle proteine, non sono ideali nello spiegare le loro previsioni.
Queste scatole nere comportano rischi sociali se i loro risultati vengono applicati alla cieca in decisioni ad alto impatto come il contrastare il riciclaggio di denaro e lo scoring del credito. Non sapendo come i modelli opachi arrivino alle loro previsioni, gli utenti finali fanno fatica a fidarsi dei loro output, soprattutto alla luce di episodi di rilievo di sistemi di IA con bias.
Secondo Shameek, tre azioni chiave possono favorire la fiducia nell’IA.
Demistificare il machine learning attraverso l’educazione
Formazione generale per tutti La formazione è la strategia a lungo termine per affrontare la paura verso l’IA. Man mano che stakeholder interni, regolatori e clienti acquisiscono una comprensione generale di come l’IA li riguarda, diventano più propensi ad accettarla.
Formazione specialistica per colmare il gap di competenze La carenza di talenti tecnici impedisce alle aziende di implementare sistemi di IA su larga scala. Di conseguenza, le aziende che vogliono estrarre valore dai loro sistemi di IA devono essere disposte ad assumere talenti data o a fornire una formazione specialistica per fare upskilling dei dipendenti esistenti.
Impostare barriere interne per i sistemi di IA
Le barriere interne fungono da linee guida per implementare, valutare e monitorare i sistemi di IA.
Queste barriere hanno tre componenti principali.
- Un insieme di principi guida definisce i confini di ciò che l’IA può fare all’interno dell’azienda.
- Abilitatori per gli stakeholder interni facilitano l’implementazione sicura dell’IA
- Strumenti e tecnologie standard valutano i sistemi di IA per l’equità
Usare strumenti e tecnologie per migliorare la qualità dell’IA
Lacune nel ciclo di vita dell’IA fanno insinuare problemi di qualità nei sistemi di IA. Fortunatamente, esistono strumenti per mitigarli.
Spiegare i modelli opachi Il campo dell’IA spiegabile è ancora un’area di ricerca attiva. Promette di aprire le scatole nere, demistificando e costruendo fiducia nel processo di generazione delle previsioni.
Affrontare la bassa qualità di dati e label Uno studente può fallire un test su un argomento sconosciuto; un modello di machine learning può avere performance scarse se addestrato con i dati sbagliati. I sistemi di IA possono fallire se i dati usati per addestrarli differiscono drasticamente dai dati che incontrano in produzione. Il Responsible AI Widget di Microsoft per Python può aiutare a identificare e risolvere questi problemi.
Testare trasparenza ed equità del modello I modelli possono essere ingiustamente biasati contro una popolazione, come una minoranza etnica o un particolare genere, a causa dei bias nascosti nei dati usati per l’addestramento. Soluzioni open source come fairlearn e AI Fairness 360 di IBM possono aiutare a colmare queste lacune.
Conclusione
Costruire fiducia nell’IA all’interno di un’azienda richiede collaborazione e tempo. Le organizzazioni devono fare upskilling dei talenti IA e predisporre misure di sicurezza per l’affidabilità, mentre i professionisti dell’IA devono sfruttare appieno gli strumenti a disposizione per rendere l’IA equa per tutti. Solo quando l’IA conquisterà la fiducia degli utenti i sistemi di IA potranno vedere un’adozione su larga scala.
Se ti interessa l’applicazione dell’IA nei servizi finanziari, dai un’occhiata al webinar on-demand di Shameek su “Scalare l’adozione dell’IA nei servizi finanziari”. Offre spunti sulle applicazioni dell’IA e consigli pratici per accelerarne l’adozione.
