Czy sztuczna inteligencja usprawni automatykę bankową?

Sztuczna inteligencja jest coraz szerzej stosowana w różnego rodzaju oprogramowaniu do zarządzania procesami biznesowymi. Dużo wskazuje, że zakres wykorzystania tej technologii będzie się zwiększał. Podstawą sztucznej inteligencji są rozwiązania wykorzystujące uczenie maszynowe (ang. machine learning). Automatyka bankowa to jedna z tych dziedzin, w której sztuczna inteligencja znajduje coraz większe zastosowanie. Jak sztuczna inteligencja może na nią wpływać ?

Sztuczna inteligencja coraz bardziej popularna

Źródło: https://www.flickr.com/photos/healthblog/

Od kilku lat coraz więcej mówi się o sztucznej inteligencji jako o technologii, która będzie miała bardzo duży wpływ na naszą przyszłość. Rozwiązania oparte o machine learning są implementowane w coraz większej liczbie systemów. Technologia ta wykorzystuje automatykę do rozpoznawania i uczenia się współzależności. Intensywnie rozwijaną dziedziną są tzw. roboty programowe (ang. software robots).

Podstawowe cechy takich systemów to zdolności rozumowania, gromadzenia i wydobywania wiedzy, rozpoznawania wzorców, a także uczenia się i dostosowywania do nowych sytuacji. Roboty programowe wykorzystują technologie komunikacyjne do zbierania w czasie rzeczywistym informacji  o środowisku w którym działają.

W bankowości takie rozwiązania mogą gromadzić informacje o klientach i świadczonych usługach. Analiza może dotyczyć danych o wycofanych i zakładanych lokatach, sposobu korzystania z oddziałów banków oraz zakresu kupowanych usług. Sztuczna inteligencja od lat znajduje zastosowanie także w obsłudze sieci bankomatów i innych urządzeń bankowych.

Sztuczna inteligencja w monitorowaniu urządzeń bankowych

Systemy używane do monitorowania urządzeń oparte o technikę uczenia maszynowego, wykorzystują dedykowane algorytmy do wykrywania wzorców sytuacji w dużych zbiorach danych. Do wykrytych zależności odpowiednio dostosowują sposób zarządzania urządzeniami i stanami gotówki.

Zastosowanie znajduje metoda głębokiego uczenia (ang. deep learning), będąca jedną z odmian sztucznej inteligencji i podkategorią uczenia maszynowego. Głębokie uczenie polega na tworzeniu sieci neuronowych i można je traktować jako sposób na zautomatyzowanie analiz predykcyjnych. Inteligentne systemy mogą uczyć się nowych zasad lub ich kombinacji dających najlepsze wyniki. Określa się to umiejętnością rozumowania.

Elastyczne modele predykcyjne tworzy się w oparciu o wcześniej zebrane dane, np. dotyczące wypłat gotówki. W dedykowanym narzędziu symuluje się zachowanie systemu i identyfikuje czynniki wpływające na zmiany w usługach. Dzięki temu można precyzyjnie określić zapotrzebowanie na gotówkę w każdym bankomacie lub zapotrzebowanie na usługi w poszczególnych oddziałach. Prognozy mogą dotyczyć różnych okresów czasu. Systemy szybko diagnozują większy popyt na gotówkę w szczególnym czasie, np. przed wakacjami czy w dni wypłat pracowniczych. Zapotrzebowanie na gotówkę w danym bankomacie jest też prognozowane z uwzględnieniem jego lokalizacji, lokalnych wydarzeń, pory dnia lub tygodnia.

Jak inteligentnie prognozuje się zapotrzebowanie na gotówkę?

SAS Forecast Server firmy SAS

Żeby rozwiązanie było skuteczne, przygotowywany jest indywidualny model przewidywania zachowań dla każdego bankomatu lub oddziału banku. W momencie gdy system zdiagnozuje jak zachowują się kontrolowane obiekty, włączane są inteligentne algorytmy optymalizacyjne. Każdy z takich algorytmów może mieć określone cele optymalizacyjne. Na przykład celem może być obniżenie kosztów zarządzania gotówką przy założeniu, że minimalna niezbędna ilość gotówki zawsze będzie znajdować się w bankomatach.

 

System może określać termin transportu i kwotę gotówki, która ma zostać dostarczona do dowolnego bankomatu. Można zaplanować dostawę tak aby zredukować koszty transportu do minimum. Praktyczne zastosowania takich systemów pozwalają zaoszczędzić do 40% kosztów obsługi oraz poprawić dostępność usług bankowych. Przykładami systemów wykorzystujących sztuczną inteligencję do optymalizacji stanów gotówki są SAS Forecast Server firmy SAS i aplikacja intelliCast firmy Predictive Analytics.

Sztuczna inteligencja w obsłudze urządzeń

Sztuczna inteligencja jest wykorzystywana również w innych rodzajach oprogramowania do obsługi urządzeń bankowych. Przykładem takich rozwiązań są systemy do prognozowania zapotrzebowania na serwis urządzeń. Taką aplikacją jest aplikacja TSS firmy IBM. System ten może proaktywnie identyfikować potencjalne problemy w bankomatach, a także automatycznie planować wymagane wizyty serwisu. Na podobnej zasadzie działa oprogramowanie NCR SmartServe Predict. Ma ono pomóc w proaktywnym utrzymywaniu w sprawności urządzeń i zwiększaniu możliwości diagnostycznych, a także w zapewnieniu audytowalności urządzeń.

Jaka jest przyszłość przed sztuczną inteligencją?

Już dzisiaj z dużą dozą prawdopodobieństwa można stwierdzić, że w przyszłości w wielu procesach ludzi zastąpią systemy inteligentnie zarządzające działaniami biznesowymi. Umożliwią one bardziej wydajne zarządzanie usługami. Takie działanie spowoduje zmniejszenie nakładu pracy ludzkiej i zwiększy automatyzację wykonywania najbardziej pracochłonnych czynności. Już dzisiaj roboty programowe potrafią zastąpić człowieka, np. w udzielaniu informacji na infolinii. Trzeba się spodziewać, że już niedługo nastąpi daleko posunięta automatyzacja procesu podejmowania decyzji operacyjnych, także w obsłudze procesów związanych z automatyką bankową.

Systemy informatyczne gromadzą dzisiaj ogromne ilości danych, a ilość ta zwiększa się każdego dnia. Człowiek bez wsparcia odpowiednich narzędzi nie jest już w stanie efektywnie z nich korzystać. Ponieważ z pomocą inteligentnych modeli można wykorzystać ogromne ilości danych do podejmowania trafniejszych decyzji, przyszłość przed sztuczną inteligencją rysuje się świetlanie. Także w obszarze automatyki bankowej.

Listopad 2018

KOMENTARZE

  1. […] Czytaj też: Czy sztuczna inteligencja usprawni automatykę bankową? […]

Dodaj komentarz