Прогноз — это ключевой фактор принятия решений. Он тем точнее, чем больше высококачественных данных получает ИИ. Рассказываем о том, как работает ИИ-прогнозирование. Материал подготовлен по книге «От предвидения к власти».
Прогнозы и корреляция
В какой стране мира вы ни проходили бы курс статистики, вас непременно предупредят: корреляция — это не обязательно причинно-следственная связь. Например, в производстве игрушек в США существует сильная корреляция между рекламой и доходами. Расходы на рекламу резко возрастают к концу ноября и остаются высокими примерно в течение месяца. В этот период игрушки разлетаются с прилавков.
Например, если в апреле потратить на нее столько же, сколько за месяц до Рождества, доход тоже должен бы вырасти. Но этого не происходит. Расходы на рекламу игрушек в апреле значительно ниже, чем в декабре. Это означает, что прогнозируемые последствия увеличения рекламных расходов в апреле нельзя подтвердить фактическими данными. Корреляция между помесячной выручкой и вложениями в рекламу не означает, что последние способствуют росту продаж. Что, если близость Рождества влияет и на потребительское поведение, и на рекламную активность?
Прогнозные машины сами по себе не дают информации о том, что произойдет с апрельскими продажами игрушек, если изменить рекламную стратегию . Чтобы обнаружить взаимозависимость, необходимо обратиться к другому типу статистических исследований — анализу причинно-следственных связей. Как и в сфере ИИ, в этой области за последние несколько лет также удалось добиться значительного прогресса (подтверждение тому — Нобелевская премия по экономике 2021 года). Эти инструменты дополняют ИИ: поставляют ему данные, необходимые для эффективного прогнозирования во многих ситуациях.
Эксперименты в бизнесе занимают больше времени, чем в играх, поскольку проводятся с учетом быстроты мышления человека, а не скорости проведения симуляции, доступной для компьютера. Тем не менее это мощный инструмент, позволяющий собирать полезные исходные данные для ИИ.
В статистике рандомизированное исследование — основной инструмент выявления причинно-следственных связей. Это золотой стандарт при испытании новых медицинских препаратов и методов лечения. Пациенты случайным образом распределяются по двум группам: одни получают лекарственное средство, другие — плацебо. Хотя группы не идентичны — все люди разные, — различия представляют собой результат случайного отбора. При достаточном количестве участников в каждой группе можно сделать вывод о том, какой результат дало то или иное лечение. Если эксперимент организован правильно, то по собранным данным можно судить о причинно-следственной зависимости, а не просто о корреляции.
Суть прогнозирования
Рассмотрим решение о проведении или об отказе от финансовой операции. Ключевой момент в его принятии — прогнозирование мошенничества. Предлагается транзакция, включающая запрос на платеж, то есть перевод средств с одного счета на другой. Если транзакция одобрена, деньги переходят в другие руки, что приводит к обмену реальных товаров и услуг. Если операция отклонена, деньги остаются у владельца, что препятствует перемещению реальных товаров и услуг.
Тот факт, что сделка вообще требует одобрения платежа, объясняется тем, что ошибки дорого обходятся. Если разрешить транзакцию, которую проводит человек, не владеющий счетом, это повлечет за собой целый ряд обязательств и проблем. Но отклонение легитимной транзакции нарушит реальный обмен товаров и услуг, лежащий в основе хозяйственной деятельности.
Вероятно, вы решите, что в таком случае нужна система, полностью исключающая ошибки. Однако проблема не в том, чтобы избежать упущений. Проведя тщательный анализ и потратив на это достаточно времени, банк, скорее всего, добьется успеха.
Транзакции замедлятся, комиссионные за них возрастут, и, кроме того, банковские операции станут неудобными. В конце концов, если так дорого обходится изменение записей на счетах, совершаемое при помощи цифровых сообщений, то не лучше ли вернуться к старым добрым наличным и расплачиваться прямо в момент сделки?
Им требуется оценить вероятность ошибок. Если слишком жестко подходить к одобрению транзакций, то есть риск отклонить многие законные операции и получить в итоге недовольных клиентов. Если же придерживаться слишком мягкого подхода, это развяжет руки мошенникам. Кроме того, затруднится возврат неправомерно потраченных средств, что напрямую скажется на прибыли банка.
Таким образом, необходимы определенные стандарты жесткости, чтобы сбалансировать потенциальные — и неизбежные — ошибки. ИИ — это средство, с помощью которого банки лучше играют в угадайку и сокращают количество ошибок. ИИ, по сути, не борется с мошенничеством, а совершенствует способность банков отделять законные операции от мошеннических с гораздо меньшими затратами — то есть с помощью прогнозирования.
Современные системы платежей значительно автоматизированы. Необходима высокая степень уверенности в том, чтобы получить одобрение транзакции. Именно в этой ситуации на помощь приходит искусственный интеллект. Он использует весь имеющийся у банков объем информации о клиентах, моделях поведения, времени и месте проведения операций и вырабатывает на ее основе прогноз законности транзакции. За последние два десятилетия точность прогнозов повысилась. В настоящее время широко распространены инструменты ИИ для выявления мошенничества в сфере банковских и финансовых услуг. По отзывам компаний, точность этих инструментов заметно прогрессирует .
Например, бизнес компании Verafin — это прогнозирование, и, поскольку ИИ представляет собой большое достижение в области прогностических технологий, эта и подобные ей компании, несомненно, станут его первыми бенефициарами. Банки и прочие финансовые учреждения также широко используют прогнозирование.
Одобрение или отклонение транзакций — суть их бизнеса. Чем эффективнее принимаются такие решения, тем эффективнее деятельность самих организаций, которые задействуют всю доступную им информацию. Как выяснилось, компания Verafin сумела аккумулировать необходимые данные, используя свои техники обучения и совершенствования алгоритмов на основе транзакций, проводимых тысячами финансовых учреждений и их клиентов. Лидерство на рынке прогнозирования дается непросто. У компании Verafin на это ушло почти два десятилетия. Но суть в том, что прогнозирование всегда было и остается ее бизнесом, а искусственный интеллект открыл перед ней новые возможности его развития.
Купить книгу: МИФ / Ozon / Читай-город
