Майбутнє платежів для банків – Частина 1: AI та машинне навчання

Це перша у моїй восьмі частинах доповіді про майбутнє платежів. З повною веб-серією можна ознайомитись тут: https://blog.decoded.com/the-future-of-payments-for-banks-part-1-366fc8f32e8e або ви можете отримати повну Білу книгу тут: https: / /futureofpayments.carrd.co/

Протягом останніх семи років Decoded мав можливість співпрацювати з основними фінансовими та платіжними компаніями по всьому світу, щоб підвищити кваліфікацію своїх людей на майбутнє.

Ми спостерігаємо тенденції розвитку технологій та інновацій, які охоплюють різні кордони, і ми думали, що поділимося з вами своїми знаннями.

Перш ніж вивчати технічні особливості цих технологій та те, як вони можуть порушити фінансову галузь, корисно визначити, що означають ці терміни. Є три терміни, які сьогодні широко використовуються, а саме штучний інтелект, машинне навчання та глибоке навчання.

Штучний інтелект (AI) – вираз, придуманий в 1956 р. Джоном Маккарті, професором Стенфордського університету з інформатики, для опису машин, які виконують завдання, характерні для людського інтелекту. Не конкретно, як це досягається, і ранні системи штучного інтелекту використовували підхід, заснований на правилах. Ми все ще бачимо системи штучного інтелекту, засновані на правилах, у простих чат-ботах на основі потоку. AI має дві категорії, загальний AI та вузький AI. Загальний AI – це те, що повторює те, що ми бачимо як “бути людиною”, тоді як вузький AI призначений для вирішення дуже конкретних завдань, таких як розпізнавання зображень.

Машинне навчання (ML) – це техніка, яка використовується для створення машин, здатних робити те, для чого вони спеціально не запрограмовані. Це досягається за допомогою комп’ютерів для обробки великих наборів даних і розпізнавання шаблонів у цих даних. Він може бути як контрольованим (де для класифікації даних використовується людський вхід), так і неконтрольованим (коли машина використовується для розпізнавання шаблонів без класифікації людини). Це дозволяє нам створювати AI, не покладаючись на створення необхідних правил навколо нього. Це, в свою чергу, дозволяє нам створити AI, який може впоратися з надзвичайно складними ситуаціями (уявіть спробу створити AI на основі правил для керування автомобілем у дорозі).

Глибоке навчання (DL) ще вужче і є одним із багатьох підходів до машинного навчання, воно стосується використання нейронних мереж, комп’ютерних систем за зразком людського мозку, які успішно застосовуються до багатьох завдань машинного навчання. Він використовується поряд з іншими підходами, включаючи дерева рішень, простіші мережі та більш традиційні статистичні моделі.

Для цілей цього пояснення ми будемо використовувати термін AI для позначення вузького AI – виду, що використовується для вирішення конкретних завдань і який часто реалізується за допомогою машинного навчання.

Незважаючи на те, що AI не є новою концепцією, вона лише набула популярності за останні три-чотири роки. Причини цього прості і не несподівані.

По-перше, реалізації AI для машинного навчання вимагають величезних обсягів даних, щоб бути успішними. Ми живемо в епоху експоненціальних даних, щороку створюється більше даних, ніж за всі роки, що минули до їх складання.

По-друге, це наявність майже нескінченної обчислювальної потужності за допомогою хмарних служб. Тепер можна використовувати цілі центри обробки даних серверів Graphical Processing Unit (оптимізованих для програм машинного навчання) як послугу. Це позбавляє потреби у великих капітальних вкладеннях і робить AI доступним для широкого кола суб’єктів, які раніше не мали доступу до нього.

Більшість сучасних засобів штучного інтелекту є по суті дуже вдосконаленими системами розпізнавання образів. Вони пройшли навчання щодо немислимих обсягів даних, і тому можуть розпізнавати закономірності в даних, які були б приховані людиною, яка намагається зробити те саме. Це розпізнавання шаблонів має кілька застосувань. Ми зупинимось на трьох.

Нові інтерфейси – Voice, Chatbots

Аутентифікація – розпізнавання обличчя, голосу та ходи (або як рухаються тварини)

Виявлення шахрайства та зарахування кредитів

Наступного тижня ми розглянемо чат-ботів: що це таке, куди йдуть технології та як вони можуть порушити банківську та платіжну галузі.

Спочатку ця публікація була опублікована за адресою https://www.linkedin.com/pulse/future-payments-banks-part-1-ai-machine-learning-chris-monk/.

Chris Monk люб’язно дозволив нам перекласти і опублікувати цю статтю.