Z raportu wynika, że sztuczna inteligencja i uczenie maszynowe mają coraz częstsze zastosowanie w sektorze finansowym. Przykładowo rozwiązania te służą do oceny jakości kredytu, automatyzacji kontaktów z klientami czy do wyceny i sprzedaży umów ubezpieczeń.

Dzięki zastosowaniu technik sztucznej inteligencji i uczenia maszynowego instytucje finansowe udoskonalają metody zarządzania kapitałem, przeprowadzają testy modeli, jak również analizują wpływ dokonanych transakcji na rynek. Z kolei fundusze hedgingowe i domy maklerskie używają tych narzędzi do optymalizacji przeprowadzanych transakcji. Instytucje zarówno sektora publicznego, jak i prywatnego mogą wykorzystywać te technologie również w celach: przestrzegania zmieniającego się prawa, nadzoru, oceny jakości danych czy wykrywania nadużyć.

W raporcie wymieniono potencjalne korzyści i ryzyka związane z rozpowszechnianiem się tych technologii w kontekście utrzymania stabilności finansowej.

Do korzyści zaliczono możliwość skuteczniejszego przetwarzania informacji związanych np. z wydawaniem decyzji kredytowych, zawieraniem umów z konsumentami i relacjami z klientami. Może to zwiększyć efektywność działania systemu finansowego. Co więcej, zastosowanie sztucznej inteligencji i technik uczenia maszynowego mogłoby mieć wpływ na powstanie nowych, nieprzewidzianych wcześniej połączeń między rynkami finansowymi a instytucjami, ze względu m.in. na korzystanie przez te ostatnie z niewykorzystywanych wcześniej źródeł danych.

Autorzy raportu ostrzegają jednak przed negatywnymi aspektami rozwoju sztucznej inteligencji i uczenia maszynowego dla sektora finansowego. Twierdzą, że efekty sieciowe i skalowalność nowych technologii może w przyszłości doprowadzić do powstania ryzykownych zależności od stron trzecich. Usługi sztucznej inteligencji i uczenia maszynowego będą zapewne oferowane przez nieliczne wielkie spółki technologiczne. Konsekwencją mogłoby być powstanie nowych ważnych graczy poza obszarem regulowanym. Potencjalnie mogą powstać monopole i oligopole. Dominujący udział jednej spółki technologicznej w rynku wiązałby się z ryzykiem dla stabilności finansowej na rynku, jako że kryzys w tej spółce czy jej upadłość miałyby wpływ na cały system finansowy.

Kłopoty z tzw. interpretowalnością i audytowalnością sztucznej inteligencji i metod uczenia maszynowego mogą prowadzić do ryzyka na poziomie makro, jeżeli narzędzia te nie będą odpowiednio kontrolowane przez mikroostrożnościowych nadzorców. Wiele modeli opierających się na sztucznej inteligencji czy technikach uczenia maszynowego cechuje się niską interpretowalnością, co oznacza, że zastosowany mechanizm klasyfikacji danych jest nieczytelny dla użytkownika końcowego. Problem ten łatwo jest zbagatelizować, zwłaszcza jeśli efektywność modelu jest większa niż modeli interpretowalnych. Efektem może być jednak wskazywanie błędnych rozwiązań w czasach kryzysów ekonomicznych. Wynika to z tego, że modele te „uczyły się” w okresie stabilności ekonomicznej i nie wiedzą, jak działać w niespokojnych czasach. Modele oparte na sztucznej inteligencji wcale nie muszą więc sugerować odpowiedniego sposobu zarządzania w dłuższej perspektywie

W związku z licznymi ryzykami, jakie niosą ze sobą te dwa innowacyjne narzędzia, istotna będzie ich systematyczna analiza, zwłaszcza w kontekście przestrzegania przez nie prawa. Najważniejsze sfery to prawo ochrony danych osobowych oraz cyberbezpieczeństwo. Kluczowe jest dalsze monitorowanie rozwoju tych technologii. Inaczej mogą one wymknąć się spod kontroli i doprowadzić do skutków przeciwnych do oczekiwanych.

Aleksandra Lisicka