version av denna artikel översatt av Marisela Ordez Teknik för allmänna ändamål är en term som ekonomer reserverar för teknologier som stimulerar utdragen ekonomisk tillväxt och samhälleliga framsteg, som revolutionerar både hushållens och företagens verksamhet. Ett exempel på allmän teknik är elektricitet. Elektricitet skapade en mängd produkter och sektorer, inklusive kylskåp, tvättmaskiner, tåg och, naturligtvis, datorer. Tillkomsten av elektricitet förändrade världen radikalt.
En nyligen publicerad Harvard Business Review-artikel utser artificiell intelligens (AI) som den viktigaste tekniken för allmänt bruk i vår tid . Vi är bekanta med kraften i AI. Det manifesterar sig i form av en robot som besegrar en världskänd schackspelare. En bil som kan parallellparkera sig själv. Enheter som svarar med morgondagens väder när vi frågar. Men mycket av vår kontakt med – och förståelse för – AI kretsar kring produkter som påverkar vår vardag som konsumenter. På organisationsnivå finns det en större fråga kring hur AI kommer att störa industrier, och specifikt hur finansiella tjänster kommer att utnyttja AI.
Följande artikel kommer att definiera artificiell intelligens, sfären för dess relaterade teknologier, storleken på den övergripande AI-industrin och tillämpningarna av artificiell intelligens inom finans. Det här stycket är inte avsett att ge en normativ bedömning av AI-utveckling; snarare kommer det att fokusera på hur AI stör ekonomin.
Artificiell intelligens är ett område inom datavetenskap som fokuserar på att skapa intelligenta maskiner som fungerar som människor. AI-datorer är designade för att utföra mänskliga funktioner inklusive inlärning, beslutsfattande, planering och taligenkänning.
Artificiell intelligens gör det möjligt för maskiner att kontinuerligt förbättra sin prestanda utan att människor ger föreskrivande instruktioner för hur man gör det. Detta är viktigt av ett par anledningar. För det första vet människor mer än vi kan säga. Det vill säga, människor kanske kan känna igen ett ansikte eller utföra en smart strategi i ett schackparti. Men före avancerad artificiell intelligens-teknologi, innebar människors oförmåga att formulera vår kunskap att vi inte kunde automatisera många uppgifter. För det andra är AI-teknik övermänsklig i utförande, fungerar snabbare och ofta med mer noggrannhet än människor.
Artificiell intelligens omfattar en mängd möjligheter och teknologier. Konsultföretaget PWC förstärker att AI "inte är ett monolitiskt ämnesområde. Den består av ett antal saker som alla bidrar till vår uppfattning om vad det innebär att vara "intelligent." Nedan följer några av de mest populära områdena inom AI:
Naturligtvis är denna lista inte heltäckande. Se nedan för ett bredare utbud av artificiell intelligens ämnen och tekniker.
Den tidigare nämnda Harvard Business Review-artikeln förutspår att "effekterna av AI kommer att förstärkas under det kommande decenniet, när tillverkning, detaljhandel, transport, finans, hälsovård, juridik, reklam, försäkring, underhållning, utbildning och praktiskt taget alla andra branscher förändrar sina kärnprocesser och affärsmodeller för att dra fördel av maskininlärning. Flaskhalsen ligger i ledning, implementering och affärsfantasi.”
Den utbredda användningen av AI i alla branscher förutspås leda till globala intäkter på 12,5 miljarder USD 2017 och 47 miljarder USD 2020 med en sammansatt årlig tillväxttakt (CAGR) på 55,1 % från 2016 till 2020. Specifikt de industrier som kommer att investera mest i Tekniken är bank och detaljhandel, följt av sjukvård och tillverkning. Sammantaget kommer dessa fyra branscher att utgöra över hälften av de globala AI-intäkterna under 2016, där bank- och detaljhandelssektorerna vardera kommer att leverera nästan 1,5 miljarder USD.
Över branscher kommer de största AI-investeringarna under 2017 att vara inom områden som automatiserade kundtjänstagenter, automatiserad hotintelligens och bedrägerianalys (se diagrammet nedan). Enligt Jessica Goepfert, programdirektör på marknadsundersökningsföretaget IDC, "Närmaste möjligheter för kognitiva system finns i branscher som bank, värdepapper och investeringar samt tillverkning. I dessa segment hittar vi en mängd ostrukturerad data, en önskan att utnyttja insikter från denna information och en öppenhet för innovativa teknologier." Nästa avsnitt av den här artikeln kommer att fördjupa sig i de olika användningsfallen för artificiell intelligens i finansbranschen.
Artificiell intelligens inom finans skulle kunna driva operativ effektivitet inom områden som sträcker sig från riskhantering och handel till garantier och anspråk. Medan vissa applikationer är mer relevanta för specifika sektorer inom finansiella tjänster, kan andra utnyttjas över hela linjen.
Artificiell intelligens har visat sig vara oerhört värdefullt när det kommer till säkerhet och bedrägeriupptäckt. Traditionella metoder för att upptäcka bedrägerier inkluderar datorer som analyserar strukturerad data mot en uppsättning regler. Till exempel kan ett givet betalningsföretag sätta en tröskel för elektroniska överföringar till 15 000 USD så att alla transaktioner som överstiger det beloppet flaggas för vidare utredning. Denna typ av analys ger dock många falska positiva resultat och kräver mycket extra ansträngning. Kanske ännu viktigare är att bedragare av cyberbrott ofta ändrar sin taktik. Därför måste de mest effektiva systemen ständigt bli smartare.
Med avancerade inlärningsalgoritmer, som de från djupinlärning, kan nya funktioner läggas till i systemet för dynamisk justering. Enligt Samir Hans, en rådgivande rektor på Deloitte Transactions and Business Analytics LLP, "Med kognitiv analys kan modeller för upptäckt av bedrägerier bli mer robusta och exakta. Om ett kognitivt system slår ut något som det avgör som potentiellt bedrägeri och en människa fastställer att det inte är bedrägeri på grund av X, Y och Z, lär sig datorn av dessa mänskliga insikter, och nästa gång skickar den inte en liknande upptäckt till dig . Datorn blir smartare och smartare.”
Ta betalningsjätten PayPal och dess avancerade bedrägeriprotokoll till exempel. På grund av dess omfattning och synlighet har PayPal "ett enormt mål på ryggen." Det behandlade 235 miljarder dollar 2015 från fyra miljoner transaktioner från sina 170 miljoner kunder. PayPal har dock kunnat öka säkerheten genom att utnyttja teknik för djupinlärning. Faktum är att PayPals bedrägeri är relativt lågt med 0,32 % av intäkterna, en siffra som är mycket bättre än genomsnittet på 1,32 % som handlarna ser.
Tidigare använde PayPal enkla, linjära modeller. Idag hämtar dess algoritmer data från en kunds köphistorik och granskar mönster av troligt bedrägeri som lagras i dess växande databaser. Medan en linjär modell kan konsumera 20-30 variabler, kan djupinlärningsteknik styra tusentals datapunkter. Dessa förbättrade funktioner hjälper PayPal att skilja oskyldiga transaktioner från misstänkta. Enligt Hui Wang, PayPals Senior Director för Global Risk Sciences, "Vad vi njuter av mer modern, avancerad maskininlärning är dess förmåga att konsumera mycket mer data, hantera lager och lager av abstraktion och kunna "se" saker [... ] även människor kanske inte kan se.”
I åratal har investeringsförvaltningsbolag förlitat sig på datorer för att göra affärer. Omkring 1 360 hedgefonder, som representerar 9 % av alla fonder, förlitar sig på stora statistiska modeller som byggts av datavetare som ofta har doktorsexamen i matematik (även kallat "kvanter"). Dessa modeller använder dock bara historiska data, är ofta statiska, kräver mänskligt ingripande och presterar inte lika bra när marknaden förändras. Följaktligen migrerar fonder i allt högre grad mot modeller för äkta artificiell intelligens som inte bara kan analysera stora mängder data utan även fortsätta att förbättra sig själva.
Dessa nya teknologier använder komplexa tekniker inklusive djupinlärning, en form av maskininlärning som kallas Bayesian-nätverk och evolutionär beräkning, som är inspirerad av genetik. AI-handelsprogram kan absorbera enorma mängder data för att lära sig om världen och göra förutsägelser om finansmarknaden. För att förstå globala trender kan de konsumera allt från böcker, tweets, nyhetsrapporter, finansiella data, resultatsiffror och internationell penningpolitik till Saturday Night Live-skisser.
För att vara tydlig skiljer sig ovanstående från högfrekvent handel (HFT), som gör det möjligt för handlare att utföra miljontals order och skanna flera marknader på några sekunder och reagera på möjligheter på ett sätt som människor helt enkelt inte kan. De AI-drivna plattformarna som diskuteras ovan söker de bästa affärerna på längre sikt, och maskiner – inte människor – dikterar strategin.
Vissa av dessa AI-handelssystem är utvecklade av startups. Till exempel är Hongkong-baserade Aidiya en helt autonom hedgefond som gör alla sina aktieaffärer med hjälp av artificiell intelligens (AI). "Om vi alla dör", säger medgrundaren Ben Goertzel, "skulle det fortsätta att handla." Traditionella institutioner är också intresserade av AI-handelsteknik. 2014 ledde Goldman Sachs serie A-finansieringsrundan av och började installera en AI-handelsplattform som heter Kensho. I Kenshos serie B-omgång deltog, förutom S&P Global, även Wall Streets sex största banker (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup och Wells Fargo).
En nyligen genomförd studie utförd av investeringsanalysföretaget Eurekahedge spårade resultatet för 23 hedgefonder som använde AI från 2010-2016, och fann att de överträffade de som förvaltas av mer traditionella quants och generaliserade hedgefonder.
Det ska bli intressant att se hur AI kommer att påverka handelsarbetsmarknaden. Dess effekter är redan uppenbara hos vissa stora bankinstitut. År 2000 sysselsatte Goldman Sachs amerikanska aktiehandelsdisk i dess huvudkontor i New York 600 handlare som köpte och sålde aktier. Idag har det två aktiehandlare, med maskiner som sköter resten. Daniel Nadler, VD för Kensho, förklarar, "Om 10 år kommer Goldman Sachs att vara betydligt mindre i antal anställda än det är idag." Och när det gäller mängderna kan de upptäcka att deras kompetens är mindre efterfrågad från investeringsförvaltningsbolag.
För närvarande matas ungefär en tredjedel av utexaminerade från de främsta affärsprogrammen till finans. Vart skulle några av landets bästa talanger flytta till? Mark Minevich, senior rådgivare till U.S. Council on Competitiveness, tror att "Några av dessa smarta människor kommer att flytta in i tekniska startups, eller kommer att hjälpa till att utveckla fler AI-plattformar, eller autonoma bilar eller energiteknik […] New York kan konkurrera med Silicon Valley in tech.”
Robo-rådgivare är digitala plattformar som tillhandahåller automatiserade, algoritmdrivna finansplaneringstjänster med minimal mänsklig övervakning. Medan mänskliga ekonomichefer har använt automatiserad portföljallokering sedan början av 2000-talet, var investerare tvungna att anställa rådgivare för att dra nytta av tekniken. Idag ger robo-rådgivare kunder direkt tillgång till tjänsten. Till skillnad från sina mänskliga motsvarigheter övervakar robo-rådgivare marknaderna oavbrutet och är tillgängliga 24/7. Robo-rådgivare kan också erbjuda investerare upp till 70 % i kostnadsbesparingar och kräver vanligtvis lägre eller inga minimikrav för att delta.
Idag kan robo-rådgivare hjälpa till med de mer repetitiva uppgifterna som kontoöppning och tillgångsöverföring. Processen innebär vanligtvis att kunder svarar på enkla frågeformulär om riskaptit eller likviditetsfaktorer, som robo-rådgivare sedan översätter till investeringslogik. Majoriteten av nuvarande robo-rådgivare strävar efter att allokera sina kunder till förvaltade ETF-portföljer baserat på deras preferenser. Det förväntas att kapacitet i framtiden kommer att utvecklas till mer avancerade erbjudanden som automatiska tillgångsskiften och utökad täckning över alternativa tillgångsklasser som fastigheter.
Robo-rådgivning kan ha stor inverkan på privatekonomi och förmögenhetsförvaltning. Medan nuvarande robo-rådgivares totala tillgångar under förvaltning (AUM) endast representerar 10 miljarder dollar av förmögenhetsförvaltningsindustrins 4 biljoner dollar (mindre än 1 % av alla förvaltade kontotillgångar), uppskattar en Business Insider-studie att denna siffra kommer att stiga till 10 % år 2020 Detta motsvarar cirka $8 biljoner AUM.
Branschaktörer har antagit olika metoder för robo-rådgivning. Mindre förmögenhetsförvaltningsföretag lägger till algoritmiska komponenter för att automatisera sin investeringsförvaltning, minska kostnader/avgifter och konkurrera med robo-rådgivare. Å andra sidan köper etablerade värdepappersföretag befintliga robo-rådgivare, som Invescos förvärv av Jemstep eller skapar sina egna robo-rådgivare, såsom FidelityGo och Schwabs Intelligent Advisory.
Den allmänna konsensus bland experter är att människor kommer att förbli oumbärliga. Den mänskliga beröringen kommer att förbli kritisk, eftersom rådgivare fortfarande kommer att behöva lugna kunderna under svåra ekonomiska tider och övertala dem med användbara lösningar. En studie utförd av konsultföretaget Accenture avslöjade att 77 % av förmögenhetsförvaltningskunderna litar på sina finansiella rådgivare medan 81 % indikerar att interaktion ansikte mot ansikte är viktigt. För kunder med komplexa investeringsbeslut vinner den hybrida rådgivningsmodellen, som kopplar samman datoriserade tjänster med mänskliga rådgivare.
Medan finansiella rådgivare kommer att förbli centrala, kan robo-rådgivare orsaka förändringar i sina arbetsuppgifter. Med AI som hanterar repetitiva uppgifter kan investeringsförvaltare ta på sig ansvaret för en datavetare eller ingenjör, som att underhålla systemet. Människor kan också fokusera mer på att bygga kundrelationer och förklara de beslut som maskinen har fattat.
Försäkringar är beroende av riskbalansen bland grupper av människor; Försäkringsbolag grupperar liknande personer, och vissa människor kommer att kräva utbetalningar medan andra inte gör det. Branschen är uppbyggd kring riskbedömning; försäkringsbolag är inte främmande för dataanalys. AI kan dock utöka mängden data som analyseras och hur den kan användas, vilket resulterar i mer exakt prissättning och andra operativa effektivitetsvinster.
Startups ligger i framkant när det gäller att driva branschen framåt. Enligt Henrik Naujoks, partner på Bain &Co, “Start-ups visar vad som är möjligt och vad som kan göras. Många sittande chefer tittar på det - de förstår det inte riktigt men de vill engagera sig." Investerare har också hakat på denna trend (se nedan). 2016 var AI ett av de mest populära teman för försäkringstekniska investeringar.
En PWC-rapport förutspår att AI kommer att automatisera en betydande mängd garantier till 2020, särskilt på mogna marknader där data finns tillgänglig. För närvarande utvärderar en försäkringsgarant, med hjälp av datorprogram och försäkringstekniska modeller, potentiella kunders risker och exponeringar, hur mycket täckning de ska få och hur mycket de ska debiteras för det. På kort sikt kan AI hjälpa till att automatisera stora volymer av underwriting inom bil-, hem-, kommersiella, liv- och gruppförsäkringar. I framtiden kommer AI att förbättra modelleringen och lyfta fram viktiga överväganden för mänskliga beslutsfattare som annars kanske har gått obemärkt förbi. Det förutspås också att avancerad AI kommer att möjliggöra personlig försäkring av företag eller individ, med hänsyn till unika beteenden och omständigheter.
Förbättrad underwriting kan dra nytta av inte bara maskininlärning för datautvinning, utan också bärbar teknologi och djupinlärningsansiktsanalysatorer. Till exempel vill Lapetus, en startup, använda selfies för att exakt förutsäga förväntad livslängd. I den föreslagna modellen kommer kunderna att skicka sina självporträtt via e-post, vilka datorer sedan skannar och analyserar – och analyserar tusentals områden i ansiktet. Analysen skulle överväga allt från grundläggande demografi till hur snabbt personen kommer att åldras, deras kroppsmassaindex och om de röker. Dessutom kan bärbar teknik göra emissionsprocessen mer samarbetsvillig. Istället för att förlita sig på långa medicinska kontroller och komplicerade avtalsprocesser kan bärbara enheter ge realtidsinsikter om försäkringstagares hälsa och beteende. Det är uppenbart att maskininlärning inom ekonomi redan utvecklas.
Dessa typer av nyanserade riskanalyser i realtid kommer att möjliggöra inte bara mer exakt kundprissättning, utan även tidig upptäckt av hälsorisker och en möjlighet för försäkringsbolag att investera i förebyggande åtgärder. Istället för att så småningom betala för kostsamma behandlingar för patienten kan försäkringsbolagen proaktivt försöka minska sannolikheten för skador och tillhörande kostnader.
I en Oxford-studie från 2013 som analyserade över 700 yrken för att avgöra vilka som var mest mottagliga för datorisering, inkluderades försäkringsgaranter bland de fem mest mottagliga. Även där AI inte helt ersätter en försäkringsgivare, kan AI-automatisering förändra försäkringsgivarens ansvar. AI kan frigöra en försäkringsgivares tid för högre mervärde, som att bedöma och prissätta risker på mindre datarika tillväxtmarknader, ge mer riskhantering och produktutvecklingsfeedback.
Försäkringskrav är formella krav på betalning som skickas till försäkringsbolag. Försäkringsbolag granskar sedan anspråket för giltighet och betalar ut till den försäkrade när det godkänts. Så här kan artificiell intelligens förbättra processen:
Förbättrad kunddatanoggrannhet. Anspråksprocessen är ganska manuell:mänskliga agenter loggar kundinformation och incidentdetaljer manuellt. Enligt en Experian-rapport kan datakvaliteten bli lidande:ofullständiga data står för 55 % av datafelen, medan stavfel utgör 32 %. AI kan förbättra noggrannheten genom att minska manuell inmatning. Dessutom kräver skadeprocesser ofta att försäkringsagenter matchar kundinformation med många databaser. AI kan användas för att göra detta mer effektivt.
Rekommendationer för snabbare utbetalningar. Enligt en J.D. Power &Associates-studie om nöjdhet med fastighetsanspråk är långsamma reklamationscykeltider en av de största bidragsgivarna till kundernas missnöje. AI kan hjälpa till att minska handläggningstiderna genom att först validera policyn, sedan fatta beslut om anspråken och om betalning ska automatiseras. Detta beror på att AI har förmågan att analysera inte bara strukturerad data, utan även ostrukturerad data som handskrivna formulär och certifikat.
Banker gör stora satsningar med sina klientinriktade virtuella assistenter, så kallade chatbots. Medan de tidiga versionerna av chatbots bara kommer att kunna svara på grundläggande frågor om utgiftsgränser och senaste transaktioner, kommer framtida versioner att bli virtuella fullserviceassistenter som kan göra betalningar och spåra budgetar för konsumenter. Att engagera sig med kunder kan leda till betydande kostnadsbesparingar, men mänskliga interaktioner är utan tvekan också mer komplexa än enkel siffra. Kritiker pekar på chatbots bristande empati och förståelse, vilket människor kan behöva när de hanterar svåra ekonomiska beslut och situationer. För denna teknik kommer AI-teknik för bearbetning av naturligt språk att vara avgörande för att bearbeta och svara på personliga kundfrågor och önskemål.
I oktober 2016 presenterade både Bank of America och MasterCard sina chatbots, Erica respektive Kai. Dessa kommer att tillåta kunder att ställa frågor om sina konton, initiera transaktioner och få råd via Facebook Messenger från Amazons Echo tower.
Capital One har också lanserat sin egen chatbot, som heter "Eno", som är ett anagram för "One". Eno gör det möjligt för kunder att chatta med banken med hjälp av textbaserat språk för att betala räkningar och hämta kontoinformation. Barclays är också med i händelserna. När han beskrev Bank of Americas nya chatbot, förklarade Michelle Moore, chefen för digital banking på Bank of America, "Vad kommer bankverksamhet att vara om två, tre eller fyra år? Det kommer att bli det här.”
Den fulla effekten av artificiell intelligens i finansiella tjänster ska ses. Vissa futurister har hävdat att världen snabbt närmar sig en vändpunkt, myntad "singularitet", där maskinintelligens kommer att överträffa mänsklig intelligens. Kända teknologer och forskare, inklusive Bill Gates och Stephen Hawking, har varnat för denna punkt. Elon Musk har också berömt uppmanat, "AI är en grundläggande existentiell risk för mänsklig civilisation, och jag tror inte att folk uppskattar det fullt ut."
När AI fortsätter att sprida sig i våra personliga och professionella liv kommer många problem att fortsätta att dyka upp. Dessa inkluderar risken för misstag, en allmän känsla av misstro mot maskiner och oro för jobbbyten. Det skulle vara ett misstag att bortse från dessa farhågor. Ändå är samhället redan på en accelererande väg framåt mot en AI-driven värld. I denna nya värld kan det vara mest produktivt att fokusera på hur maskiner och människor bäst kan samexistera. Det kommer att vara viktigt för beslutsfattare att vara försiktiga och låta ny teknik utvecklas samtidigt som de övervakar och minimerar deras negativa konsekvenser. Utvecklare och designers bör också förbättra människors förmåga att förstå AI-system för att bygga förtroende och öka tillfredsställelsen med AI-applikationer. Alla kommer att ha en roll att spela.
Som Haruhiko Kuroda, guvernör för Bank of Japan uttalade vid en konferens för AI och finansiella tjänster 2017, "Det är viktigt för oss att konstruktivt överväga önskvärda sätt på vilka människor och AI kompletterar, snarare än konfronterar, varandra. Till exempel är mänskligt omdöme inte helt fritt från existerande paradigm, och är därför ibland försumligt med förändringar. I detta avseende kan AI justera vår partiskhet genom att neutralt analysera och hitta nya korrelationer bland en myriad av [sic] data. Samtidigt kan människor kompensera för AI:s svaghet med sin intuition, sunt förnuft och fantasi.”
Hur man finansierar tandimplantat
Hur finansierar jag en Polaris Razor?
Hur man finansierar en båt utan pengar
Hur man beräknar finansieringsavgifter på ett billån
Vad är artificiell intelligens (AI)?
Hur man köper Yearn.Finance (YFI)
Hur du framgångsrikt finansierar ditt småföretag
Hur man finansierar ett tidsdelat lån