Η ένταξη της τεχνητής νοημοσύνης (artificialintelligence) και της μηχανικής μάθησης (machinelearning) στον χώρο της διαχείρισης κινδύνων (riskmanagement), τα πλεονεκτήματα, καθώς και οι προκλήσεις που συνοδεύουν τις τεχνολογίες αυτές, αποτέλεσαν το επίκεντρο της παρουσίασης του κ. Σωτήριου Μαλλιαρού, SeniorManager στο τμήμα Συμβουλευτικών Υπηρεσιών της ΕΥ Ελλάδος, κατά το 11ο Risk Management & Compliance Forum, που διοργάνωσε το Ελληνικό Ινστιτούτο Πληροφορικής & Επικοινωνιών (ΕΙΠ) της ΕΕΔΕ, σε συνεργασία με το PRMIA (Professional RiskManagers’ International Association), υπό την αιγίδα της Ελληνικής Ένωσης Τραπεζών (ΕΕΤ).
Τεχνητή Νοημοσύνη, Μηχανική Μάθηση και Διαχείριση Κινδύνου
Ο κ. Μαλλιαρός αναφέρθηκε στον γενικό ορισμό της τεχνητής νοημοσύνης και της μηχανικής μάθησης, περιγράφοντας επιγραμματικά τις σημαντικότερες κατηγορίες αλγορίθμων. Υπογράμμισε, επίσης, τα σημαντικότερα οφέλη από την εφαρμογή τεχνικών μηχανικής μάθησης στο πλαίσιο της διαχείρισης κινδύνου, κάνοντας αναφορά – μεταξύ άλλων – στην αυξημένη απόδοση των αλγορίθμων αυτών (σε όρους ακρίβειας ή / και υπολογιστικού χρόνου), καθώς και στη δυνατότητα εκμετάλλευσης μεγάλου όγκου δεδομένων με διαφορετικά χαρακτηριστικά (Big Data). Παράλληλα, επισημάνθηκαν οι προκλήσεις που συνοδεύουν την εφαρμογή τεχνικών τεχνητής νοημοσύνης και μηχανικής μάθησης, και ειδικότερα, ο εν γένει αυξημένος βαθμός πολυπλοκότητάς τους, αλλά και το γενικότερο ζήτημα της εμπιστοσύνης στη νέα αυτή τεχνολογία.
Στη συνέχεια, παρουσιάστηκαν ενδεικτικές εφαρμογές τεχνητής νοημοσύνης και μηχανικής μάθησης στον ευρύτερο χώρο της διαχείρισης κινδύνων, όπως, για παράδειγμα, στην καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (Anti-MoneyLaundering), στις δανειοδοτήσεις (LoanUnderwriting), σε εφαρμογές εποπτικού πλαισίου (RegTech), και στην τιμολόγηση παραγώγων (AlgorithmicTrading).
Τεχνητή Νοημοσύνη, Μηχανική Μάθηση και Εμπιστοσύνη
Ο κ. Μαλλιαρός επικεντρώθηκε ιδιαίτερα στο ζήτημα της εμπιστοσύνης στη νέα αυτή τεχνολογία και τους παράγοντες που συμβάλλουν στην ενίσχυσή της, όπως ο επαρκής έλεγχος της ποιότητας των δεδομένων εισόδου, ο σαφής προσδιορισμός των κανόνων που ακολουθούνται στη μαθησιακή διαδικασία των αλγορίθμων μηχανικής μάθησης, καθώς και το πλαίσιο ελέγχου και πιστοποίησής τους. Συνεχίζοντας, παρουσίασε ένα ενδεικτικό παράδειγμα προκλήσεων που προκύπτουν από την εφαρμογή μηχανικής μάθησης, επισημαίνοντας ενδεικτικούς τρόπους αντιμετώπισής τους. Επιπλέον, υπογράμμισε ότι, αν και οι προκλήσεις που προκύπτουν από την εφαρμογή αλγορίθμων μηχανικής μάθησης απαιτούν, σε κάποιο βαθμό, την υιοθέτηση προσαρμοσμένων διαδικασιών από τα τμήματα Ελέγχου και Επικύρωσης Υποδειγμάτων των Τραπεζών, το γενικότερο πλαίσιο διακυβέρνησης και οι ευρύτερες μεθοδολογίες επικύρωσης υποδειγμάτων δε διαφέρουν σημαντικά από τις υπάρχουσες δομές.
«Τα οφέλη από την εφαρμογή τεχνητής νοημοσύνης και μηχανικής μάθησης στον χώρο της διαχείρισης κινδύνου, είναι σημαντικά. Σε μια εποχή, όπου η ροή και ο όγκος δεδομένων συνεχώς αυξάνονται, τεχνολογίες σαν τη μηχανική μάθηση, που δίνουν τη δυνατότητα καλύτερης αξιοποίησής τους, βρίσκουν συνεχώς περισσότερες εφαρμογές. Όπως κάθε νέα τεχνολογία, έτσι και η τεχνητή νοημοσύνη και η μηχανική μάθηση, μπορούν να αντιμετωπιστούν ως ανατρεπτικές τεχνολογίες που έρχονται να αλλάξουν καθιερωμένες διαδικασίες ή ως τεχνολογίες που ανοίγουν νέους δρόμους και δυνατότητες. Το σίγουρο είναι, πάντως, ότι αναμένεται να διαδραματίσουν σημαντικό ρόλο σε μελλοντικές εφαρμογές διαχείρισης κινδύνου και δεδομένων», κατέληξε ο κ. Μαλλιαρός.
