Едва ли какая-либо технология будущего является столь многообещающей, как технология искусственного интеллекта (ИИ). Причина этого очевидна, потому что он предлагает выдающийся потенциал не только для таких секторов, как медицина, финансовый сектор также может получить значительную выгоду, например, предотвращая попытки мошенничества или полностью автоматически оценивая и обрабатывая запросы на получение кредита. Поэтому неудивительно, что, согласно опросу PwC, почти половина всех лиц, принимающих решения, считают ИИ важной инновацией в 2020 году. Но ИИ — это не просто ИИ. Потому что, хотя симуляции Монте-Карло и закон Бенфорда уже давно позволяют предсказывать и обнаруживать проекции и аномалии, языковая обработка встречается еще реже.

Франсиско Уэббер, Cortical.io

л Обработка языка считалась сложной. Потому что недостаточно закодировать последовательность букв этого слова, чтобы понять его значение. Вместо этого речь идет о семантике. Дифференциация терминов в зависимости от языкового контекста и распознавание предложений с похожим значением, даже если используются разные слова, не является проблемой для человека. Для машины же это гораздо сложнее, но ничуть не менее необходимо. В конце концов, это работа с большим количеством текста, которую финансисты любят автоматизировать. И правильно — ведь задачи во многом лучше выполняются машинами.

Согласованность: большое преимущество обработки естественного языка

С точки зрения последовательности, например, это очень ясно. Машины, в отличие от людей, могут быстро и точно просматривать тысячи документов без ошибок. Таким образом, частота ошибок остается постоянной независимо от времени суток. И результаты не зависят от экспертизы. Это важно, потому что люди склонны интерпретировать информацию по-разному, особенно в письменной форме. Это становится важным как при толковании новых правил, так и при выдаче кредита. И, конечно же, автоматизация также делает это намного быстрее и, следовательно, дешевле:

Машины значительно сокращают объем ручной работы, связанной с просмотром документов. Крупные организации могут сэкономить десятки тысяч часов рутинной, повторяющейся работы и добиться более эффективных результатов».

Новые возможности для большей эффективности

Автор Франсиско Уэббер, Cortical.io

Франсиско Уэббер является соучредителем и генеральным директором австрийской компании Cortical.io, занимающейся искусственным интеллектом (веб-сайт ). Основываясь на современных открытиях в области нейробиологии, Франсиско Уэббер разработал свою теорию семантического складывания, которая моделирует то, как мозг обрабатывает естественный язык. Cortical.io применяет эти принципы к машинному обучению и обработке текстов для создания успешных коммерческих решений ИИ для эффективного поиска, извлечения и анализа неструктурированного текста.

В бизнес-контексте языковые помощники, в частности, используются все чаще и чаще для достижения практической дополнительной ценности с помощью ИИ. Банки теперь также с удовольствием пользуются преимуществами этой технологии. Чат-боты могут запрашивать такую ​​информацию, как номер клиента и причину обращения к ним, чтобы ускорить обработку запроса. Это повышает эффективность сотрудников при одновременном снижении затрат — по мнению PwC, две самые важные цели, которые в настоящее время преследуют банки в регионе DACH с помощью ИИ.

На самом деле то, чего можно достичь с помощью обработки естественного языка, выходит далеко за рамки простой реализации чат-ботов. В финансовом секторе каждый день генерируется огромное количество письменной информации. Сюда входят не только такие документы, как электронная почта и презентации. В частности, кредитные соглашения чрезвычайно сложны и индивидуальны, а оговоренные пункты специально адаптированы для каждого отдельного приложения. В случае с крупным заказчиком такой договор может быстро растянуться на несколько сотен страниц. Проверка и сортировка их вручную — чрезвычайно длительный и подверженный ошибкам процесс, который стоит банкам не только значительной части их человеческих ресурсов, но и больших денег.

Семантическая складчатость как потенциальное решение

Чтобы иметь возможность показать решение банкам, которым приходится проверять множество контрактов и подобных сложных документов, на этом этапе вступает в действие так называемое семантическое складывание. Как и нейронные сети, это система кодирования текста, которая использует неконтролируемое обучение для создания языковых моделей. В отличие от нейронных сетей, которым требуется большой объем данных для обучения, чтобы адаптировать простую языковую модель к конкретному приложению, семантическая сворачивание может работать примерно с десятью процентами наборов данных и требует гораздо меньшего количества сотрудников и, прежде всего, меньше обученный ИТ-персонал Эксперты. Семантическая сворачивание кодирует текст в векторы, что в вычислительном отношении намного эффективнее, чем плотные векторы с плавающей запятой, используемые в других подходах к встраиванию слов. Это означает, что для семантического сворачивания обычно требуется меньше ресурсов, а время, необходимое для получения фактической добавленной стоимости, может быть значительно сокращено.

На международном финансовом и страховом рынке уже есть компании, которые успешно используют эту новую технологию искусственного интеллекта для извлечения ключевой информации из кредитных договоров и автоматизации классификации пунктов. Начальные проекты могут быть реализованы быстро, поскольку для обучения моделей требуется менее сотни типовых контрактов.

Таким образом, можно классифицировать важную информацию из различных документов, таких как кредитные соглашения, векселя или запросы на внесение изменений, группировать связанные документы и создавать полный обзор портфеля всего через несколько недель после начала».

Это позволяет оценивать кредитный риск гораздо быстрее и точнее, чем это было бы возможно при ручной оценке. Например, страховая компания, входящая в список Fortune 500, смогла сэкономить почти треть ручной работы, которую приходилось выполнять.

Будущее банков — за обработкой естественного языка

Как и в любой другой отрасли, в финансовом секторе постоянно растут объемы данных – и не только в цифрах, но прежде всего в письменной форме. Компании вряд ли могут позволить себе анализировать их вручную в мире, который год от года меняется все быстрее. Хорошей новостью является то, что технологические гиганты, такие как Google, интенсивно исследуют обработку естественного языка. Однако самая большая проблема сейчас состоит в том, чтобы перенести сложные алгоритмы из лаборатории в деловой мир и адаптировать их к их практическим вариантам использования. Не каждая финансовая компания может позволить себе сложную ИТ-инфраструктуру, необходимую для этого. Поэтому важно, чтобы обработка естественного языка развивалась в направлении высокоэффективного ИИ, и семантическая сворачивание является элементарной частью этого.

С помощью этой системы текстового кодирования уже можно полностью автоматически проверять и сортировать контракты и другие документы, а также ускорить многие рабочие процессы».

Другие области применения неизбежны. Без такого эффективного подхода ИИ никогда не сможет революционизировать наш деловой мир.Франсиско Уэббер, Cortical