De financiële sector zit op een goudmijn aan data. Het is dan ook geen wonder dat de sector bol staat van veelbelovende toepassingen van artificial intelligence en machine learning. Als het goed wordt uitgerold, kan AI volgens een schatting van McKinsey tot $2 biljoen aan waarde genereren in de bankensector. In een recent webinar schetste Shameek Kundu, voormalig Group CDO van Standard Chartered en huidig Chief Strategy Officer bij TruEra, hoe je de waarde van AI in de financiële sector kunt versnellen.
Shameek legde uit dat de waarde van data science en AI in de financiële sector in drie hoofdcategorieën kan worden ingedeeld:
- Hogere omzet door een betere klantervaring en betere besluitvorming
- Kosten verlagen via effectiever risicobeheer en verbeterde operationele efficiëntie
- Onbenutte potentie en verdienmodellen ontsluiten.
AI-toepassingen in de financiële sector zijn breed maar oppervlakkig
Tegenwoordig bevinden veel AI-projecten in de financiële sector zich nog in de kinderschoenen en halen ze de eindstreep van volledige uitrol niet, om een scala aan redenen. Dit kan variëren van technische kwesties zoals beperkte beschikbaarheid en kwaliteit van data, technologische knelpunten bij het uitrollen van AI-systemen, tot niet-technische obstakels zoals een gebrek aan datatalent en beperkt vertrouwen in AI-systemen.
Het gebrek aan vertrouwen in AI-systemen aanpakken
Hoewel complexe machinelearningmodellen zoals deep learning-modellen diepgaande oplossingen kunnen bieden voor voorheen onoplosbare problemen zoals vouwing van eiwitten, zijn ze niet goed in het uitleggen van hun voorspellingen.
Deze black boxes vormen maatschappelijke risico’s als hun resultaten blindelings worden toegepast bij beslissingen met grote impact, zoals anti-witwasmaatregelen en kredietbeoordeling. Doordat onduidelijk is hoe blackboxmodellen tot hun voorspellingen komen, vinden eindgebruikers het lastig om hun uitkomsten te vertrouwen, zeker gezien spraakmakende incidenten met bevooroordeelde AI-systemen.
Volgens Shameek kunnen drie kernacties het vertrouwen in AI bevorderen.
Maak machine learning minder mysterieus met educatie
Algemene educatie voor iedereen Educatie is de langetermijnstrategie om angst voor AI weg te nemen. Naarmate interne stakeholders, toezichthouders en klanten een algemeen begrip krijgen van hoe AI hen raakt, zullen ze AI eerder accepteren.
Gespecialiseerde educatie om het vaardighedengat te dichten Het gebrek aan technisch talent verhindert dat bedrijven AI-systemen op schaal implementeren. Bedrijven die waarde uit hun AI-systemen willen halen, moeten daarom bereid zijn datatalent aan te nemen of gerichte trainingen te bieden om bestaande medewerkers bij te scholen.
Stel interne waarborgen in voor AI-systemen
Interne waarborgen dienen als richtlijnen voor het implementeren, evalueren en monitoren van AI-systemen.
Deze waarborgen hebben drie hoofdcomponenten.
- Een set leidende principes bepaalt de grenzen van wat AI binnen het bedrijf kan doen.
- Mogelijkmakers voor interne stakeholders faciliteren de veilige implementatie van AI
- Standaardtools en -technologieën evalueren AI-systemen op eerlijkheid
Gebruik tools en technologieën om de AI-kwaliteit te verbeteren
Kloofjes in de AI-levenscyclus zorgen ervoor dat kwaliteitsproblemen AI-systemen binnensluipen. Gelukkig zijn er tools om dit te beperken.
Blackboxmodellen uitleggen Het vakgebied explainable AI is nog altijd volop in ontwikkeling. Het belooft de black boxes te openen, het proces van voorspellingen te demystificeren en vertrouwen op te bouwen.
Lage kwaliteit van data en labels aanpakken Een student kan zakken voor een toets over een onbekend onderwerp; een machinelearningmodel kan ondermaats presteren als het is getraind op de verkeerde data. AI-systemen kunnen falen als de data waarop ze zijn getraind sterk afwijkt van de data die ze in productie zien. Microsofts Python Responsible AI Widget kan helpen dit soort problemen te identificeren en op te lossen.
Transparantie en eerlijkheid van modellen testen Modellen kunnen oneerlijk bevooroordeeld zijn tegenover een populatie, zoals een minderheidsras of een bepaald gender, door verborgen bias in de trainingsdata. Open-sourcesoplossingen zoals fairlearn en IBM’s AI Fairness 360 kunnen helpen deze gaten te dichten.
Conclusie
Vertrouwen in AI binnen een bedrijf opbouwen kost samenwerking en tijd. Organisaties moeten AI-talent bijscholen en waarborgen instellen voor AI-veiligheid, terwijl AI-practitioners de beschikbare tools optimaal moeten benutten om AI eerlijk te maken voor iedereen. Pas wanneer AI het vertrouwen van gebruikers wint, kan het breed worden geadopteerd.
Ben je geïnteresseerd in de toepassing van AI in de financiële sector? Bekijk dan zeker Shameeks on-demandwebinar over “Scaling AI Adoption in Financial Services”. Het biedt inzichten in AI-toepassingen en praktische tips om de adoptie te versnellen.
