Het gebruik van data science en AI in de financiële dienstverlening is allang geen nieuws meer. Van banken die leningen verstrekken op basis van kredietscores, verzekeraars die premies bepalen op basis van risico’s, tot beleggingsfondsen die advies geven op basis van verwachte risico’s en rendementen: data is altijd al een pijler van de sector geweest. Maar om succesvol te zijn met data science en AI, moeten organisaties in de financiële dienstverlening hun inzet van machine learning en AI verdiepen. In een recent webinar schetste Shameek Kundu, voormalig Group CDO van Standard Chartered en huidige Chief Strategy Officer bij TruEra, hoe je de adoptie van AI in de financiële sector kunt versnellen.
AI-toepassing is breed maar oppervlakkig
Shameek legt uit dat er tegenwoordig een breed scala aan AI- en machinelearning-usecases is in de financiële dienstverlening. Enkele opvallende praktijkvoorbeelden:
- AXA’s voorspellende underwriting met machine learning stroomlijnt het polisafsluitproces
- Optical Character Recognition (OCR) helpt Citibank om handmatige documentverwerking te versnellen
- Onderzoekers bij de OCBC Bank zetten machine learning in om frauduleuze transacties op te sporen
Dat betekent echter niet dat financiële instellingen het maximale halen uit data science en AI: hiervoor is diepgaande adoptie nodig. Temasek rapporteerde dat vrijwel alle financiële dienstverleners in zekere mate AI gebruiken in hun processen. Toch gebruikt slechts 13% AI echt in het merendeel van hun processen, door sectorbrede obstakels.
Veel AI-projecten blijven in de kinderschoenen en bereiken de eindbestemming van volledige uitrol niet, aldus de Bank of England Machine Learning SurveyObstakels voor brede adoptie van AI
Beperkte datakwaliteit en -beschikbaarheid
Toezichthouders kijken steeds kritischer naar hoe bedrijven data verwerken, wat blijkt uit de invoering van privacywetgeving op staatsniveau in de Verenigde Staten en de EU. Bovendien blijft grensoverschrijdende gegevensdeling beperkt door geografische verschillen in privacywetgeving. Dergelijke regels resulteren in beperkte data om machinelearningmodellen mee te trainen en voorspellingen te laten doen.
Het onvolwassen en gefragmenteerde technologielandschap
Omdat het nog jonge vakgebied van machine learning zich blijft ontwikkelen, gaat dat gepaard met groeipijn in de vorm van een relatief onvolwassen en gefragmenteerd technologielandschap.
Volgens een enquête van Algorithima doen organisaties er vandaag de dag ongeveer één tot drie maanden over om een machinelearningmodel in productie te brengen. Die lange doorlooptijd is een symptoom van het gebrek aan volwassen machine learning operationalization (MLOps)-tools. Het is echter slechts een kwestie van tijd voordat MLOps-tools volwassener worden, gezien het hoge ontwikkeltempo.
Het gebrek aan vertrouwen in machine learning
Complexe machinelearningmodellen zijn niet makkelijk te interpreteren of uit te leggen in hun voorspellingen. Zonder begrip van de blackbox-modellen vinden eindgebruikers het moeilijk om hun uitkomsten te vertrouwen.
Een sprekend voorbeeld is IBM Watson. Ooit gepresenteerd als de toekomst van de zorg, wist het blackbox-model geen vertrouwen te winnen bij eindgebruikers. Artsen weigerden terecht om levensbeslissingen over te laten aan een AI-blackbox.
Ook toezichthouders en bankiers die werken aan beslissingen met grote impact, zoals fraudedetectie, vinden het lastig om blackbox-modellen te vertrouwen. Zeker wanneer transparantie essentieel is om discriminatie en oneerlijke uitkomsten te voorkomen en om aan informatieplicht te voldoen. Dat onderkennend zei Federal Reserve-gouverneur Brainard in een toespraak in november 2018: “de uitdaging van uitlegbaarheid kan zich vertalen naar een hoger niveau van onzekerheid over de geschiktheid van een AI-aanpak”, en riep hij bedrijven in de financiële dienstverlening op om waakzaam te blijven bij het toepassen van blackbox-modellen.
Last-mile-operationalisering
Machinelearningprojecten kampen ook met het last-mile-probleem: de uitdaging om resultaten op het juiste moment bij de juiste mensen te krijgen. Zo zullen gebruikers van een mobiele app, die directe bevrediging verwachten, niet blij zijn als een bepaalde aanbeveling tien minuten nodig heeft om te laden.
Het oplossen van last-mile-operationalisering vergt niet alleen een volwassener MLOps-landschap, maar ook dat machinelearningpractitioners aandacht hebben voor de gebruikerservaring.
Het gebrek aan datatalent
De grootschalige uitrol van AI-projecten vraagt om een team van dataprofessionals – waaronder data scientists, analisten, engineers en machinelearningwetenschappers. Het tekort aan datatalent blijft dan ook een struikelblok voor de adoptie van machine learning in alle sectoren, inclusief de financiële dienstverlening.
Uit een Deloitte-enquête blijkt dat 23% van de meest volwassen AI-adopters een significant vaardighedentekort rapporteert voor AI-implementatie. Dit gat dichten vraagt om een gerichte reskill- en upskillstrategie voor specifieke profielen.
Conclusie
De hierboven genoemde struikelblokken laten zien dat ze met voldoende tijd en inzet kunnen worden aangepakt. Door deze problemen op te lossen, komt de financiële sector een stap dichter bij het ontsluiten van zijn enorme potentieel voor AI-adoptie.
Ben je geïnteresseerd in de toepassing van AI in financiële dienstverlening? Bekijk dan zeker Shameeks on-demand webinar “Scaling AI Adoption in Financial Services”.
