Banki inwestują w sztuczną inteligencję. Wartość rynku deep learning do 2022 r. wzrośnie o ponad 60 proc.

Według szacunków firmy Nilson, do 2021 r. straty finansowe sektora bankowego z powodu oszustw dokonanych z użyciem kart płatniczych globalnie wyniosą 32,96 mld dolarów. W stosunku do roku 2016 będzie to wzrost prawie o 17 proc. Zastosowanie rozwiązań opartych na technologii sztucznej inteligencji (AI), w tym m.in. na algorytmach deep learning jest szansą na zmniejszenie skali tego zjawiska.

W dodatku 67 proc. finansistów biorących udział w międzynarodowym badaniu branży uważa, że zastosowanie przez banki technologii AI pomoże w zwiększeniu efektywności procesów płatniczych i szacuje, że ta poprawa może nastąpić już w ciągu dwóch lat.

Rozwój szybkiego Internetu, technologii informatycznych oraz zwiększona dostępność rozwiązań, które pozwalają na przechowywanie masowej ilości danych, przyczyniły się jednocześnie do wzrostu zainteresowania technologią AI. Według danych zebranych przez Grand View Research, do 2025 r. wartość światowego rynku sztucznej inteligencji wyniesie już 35,870.0 mln dolarów (wzrost o blisko 60 proc. w stosunku do 2017 r.). Z kolei jak szacuje IDC, do 2019 r. globalny rynek oprogramowania do analizowania treści i obsługi systemów kognitywnych będzie wart 9,2 mld dolarów – dwukrotnie więcej niż w 2014 r. Trzy branże inwestujące najwięcej w systemy kognitywne to: bankowość (20 proc.), ochrona zdrowia (18 proc.) i handel detaliczny (17 proc.)[3].

- Pierwsze miejsce sektora bankowego w tym zestawieniu nie zaskakuje. Systemy informatyczne oparte na sztucznej inteligencji, które nie tylko przetwarzają dane, ale same uczą się je analizować, będą coraz częściej wykorzystywane przez instytucje finansowe. Zadaniem tej technologii jest automatyczne rozpoznawanie oraz analiza zagrożeń w cyberprzestrzeni związanych np. z oszustwami finansowymi. Przyszłością dla sektora bankowego jest deep learning (uczenie głębokie). Rynek technologii opartych na uczeniu głębokim rozwija się niezwykle szybko. Do 2022 r. będzie wart 1,722.9 mln dolarów, czyli w stosunku do 2016 r. wzrośnie o 65 proc[4]. Uczenie głębokie jest podklasą uczenia maszynowego, inną, ważną dyscypliną z obszaru badań nad sztuczną inteligencją. Deep learning to określony sposób wykorzystania algorytmów, oparty na sztucznych sieciach neuronowych  komentuje Marcin Jaworski, Senior Solutions Architect, Linux Polska.

Deep learning w walce z cyberprzestępczością w sektorze finansowym

Według Cisco Systems, średni czas wykrycia błędu lub włamania do systemów zabezpieczeń stosowanych przez sektor finansowy to aż 100 dni. Dlatego istnieje konieczność poszukiwania coraz to nowych rozwiązań z obszaru IT, które pomogłyby w walce z cyberprzestępczością.

- Klienci banków chcą mieć dzisiaj nieograniczony i bezpieczny dostęp do bankowości elektronicznej, ale również do innowacyjnych usług finansowych, takich jak np. płatności mobilne czy możliwości korzystania z internetowych serwisów płatniczych, jak np. PayPal. Te nowoczesne rozwiązania wymagają nowych sposobów dbania o bezpieczeństwo transakcji finansowych dokonywanych w Internecie. Z pomocą przychodzi technologia sztucznej inteligencji. Technologia głębokiego uczenia przeżywa od kilku lat rozkwit. Wiąże się to po pierwsze, z ilością danych – obrazowych, tekstowych, transakcyjnych – którymi możemy „karmić” sieci neuronowe. Po drugie, wzrost popularności tego podejścia jest wynikiem zwiększonej dostępności procesorów graficznych (GPU), które przyspieszają zaawansowane obliczenia matematyczne niezbędne w procesie deep learning. Po trzecie, wzrost skuteczności metod uczenia głębokiego wiąże się z udoskonalaniem samych algorytmów i architektury sieci neuronowych – zaznacza Marcin Jaworski, Linux Polska.

Sztuczna inteligencja pod postacią algorytmów uczenia maszynowego od ponad trzech dekad wspomaga bankowe systemy zabezpieczeń. Klasyczne techniki uczenia maszynowego nie zawsze okazywały się skuteczne z uwagi na niedoreprezentowanie zachowań przestępczych w puli transakcji. Rozwiązaniem tego problemu może być uczenie głębokie.

­- Przykładem wykorzystania technik deep learning w obszarze cyberbezpieczeństwa może być wykrywanie oszustw finansowych przy pomocy tzw. autoenkoderów (deep autoencoder network), czyli sieci neuronowych, które tworzą własne reprezentacje danych wejściowych, np. transakcji finansowych, a następnie dekodują je, odpowiadając jednocześnie na pytanie, czy w kontekście wewnętrznej struktury danych wybrana transakcja jest anomalią - dodaje Marcin Jaworski, Linux Polska.