Kunstmatige intelligentie (AI) is al enkele jaren een veelbesproken onderwerp. Met een toenemende hoeveelheid data groeit de behoefte om de patronen binnen deze data te begrijpen. Iedereen wil erbij betrokken raken, maar veel bedrijven hebben een beperkt begrip van wat AI is, hoe het verschilt of overlapt met Machine Learning (ML) en Deep Learning, en wat de toepassingen zijn. Deze blog is bedoeld om een duidelijk beeld te geven van het concept AI en de toepassingen ervan in de financiële sector.
Wat is kunstmatige intelligentie?
Zoals de naam al doet vermoeden, omvat AI alles dat als kunstmatig en intelligent kan worden geclassificeerd. Dit betekent alles wat we als intelligent beschouwen en dat wordt vertoond door een computer, robot of andere machine. Dit leidt tot de meer filosofische en psychologische vraag wat intelligentie is. Kunnen we bijvoorbeeld een wasmachine classificeren als AI omdat het een machine is en een taak uitvoert die ook mensen kunnen uitvoeren?
AI omvat alles wat kan worden geclassificeerd als kunstmatig en intelligent.
We zouden alleen al aan deze vraag een hele blog kunnen wijden, maar voor het gemak beschouwen we nu elke vorm van menselijke cognitie als intelligentie. Dit verwijst naar dingen die mensen van nature en automatisch doen, zoals denken, weten, onthouden, oordelen en problemen oplossen. Gegeven het feit dat een wasmachine van tevoren verteld moet worden wat hij moet doen, kunnen we dus concluderen dat een wasmachine niet intelligent is.
Wat is Machine Learning?
AI omvat verschillende vormen van intelligentie, maar een vorm die uitgebreid is bestudeerd binnen AI is leren, of het 'proces van het verwerven van nieuwe kennis'. Dit staat binnen de gemeenschap bekend als ML, een tak van AI die data en algoritmen gebruikt om machines te ontwikkelen die de manier imiteren waarop mensen leren.
Een van de meest gebruikte ML algoritmen staat bekend als Neurale Netwerken, die direct gebaseerd zijn op het biologische systeem van intelligentie in onze hersenen. Net als menselijke neuronen ontvangen deze kunstmatige neuronen een input en als de input sterk genoeg is, sturen ze een output. De sterkte van een verbinding in menselijke neuronen wordt vergroot door het aantal neurotransmitters. Als de verbinding vaker wordt gemaakt, worden er meer neurotransmitters gevormd. Voor de kunstmatige neuronen in Neurale Netwerken wordt dit vertaald als een bepaald gewicht dat wordt verhoogd of verlaagd op basis van het belang van de verbinding. Als we het hebben over Deep Learning, verwijst dit naar een Neuraal Netwerk met vele 'lagen' neuronen, waardoor de voorspellingen vaak nauwkeuriger worden, maar ook moeilijker te herleiden zijn, waardoor de complexiteit van deze systemen toeneemt.
Hoe leren deze neurale netwerken? Om het eenvoudig te houden, stellen we ons een kind voor dat over verschillende dieren leert en dat misschien een hond ziet en het een kat noemt. Als een volwassene hen corrigeert, verzwakken de verbindingen tussen de neuronen die tot hun oorspronkelijke conclusie leiden. Als het kind een correcte classificatie maakt, wordt deze verbinding sterker. Dit is hetzelfde proces dat zich voordoet bij ML, alleen is in de machinewereld de beschikbare data groter, de leersnelheid hoger en het probleem meestal veel ingewikkelder dan een eenvoudig binair classificatieprobleem zoals hier beschreven.
Hoe kunnen kunstmatige intelligentie en Machine Learning worden toegepast in de financiële sector?
De hoeveelheid data binnen elke financiële dienstverlenende organisatie groeit met de dag; denk maar aan alle complexe data over klanten, transacties, verzekeringen, aandelen en meer. Zowel AI als ML kunnen worden ingezet om het meeste uit deze data te halen en bedrijfsprocessen op verschillende manieren te verbeteren.
- Risicobeoordeling, voorspelling en beheer - in deze voorbeelden worden ML-algoritmen gebruikt als een effectieve oplossing voor het verwerken van grote hoeveelheden historische data en het oplossen van classificatieproblemen.
- Fraudedetectie en -preventie - bij gevoeligere classificaties, zoals fraudedetectie, is het belangrijk op te merken dat een ML-algoritme alleen een 'rode vlag' opwerpt wanneer er sprake is van een verdachte transactie en dat de uiteindelijke beslissing vaak nog steeds wordt overgelaten aan de interpretatie van een mens.
- Geautomatiseerd financieel advies en verzekeringsclaims - deze voorbeelden maken gebruik van een zwakker systeem binnen AI dat een kennissysteem of expertsysteem wordt genoemd. Het idee is dat het alle mogelijke kennis op een bepaald gebied bezit en daarom de best onderbouwde beslissingen kan nemen. Als zodanig leert een systeem als dit in theorie niets nieuws, bijv. als er nieuwe regels komen wordt het niet automatisch bijgewerkt, dus wordt het geclassificeerd als AI maar niet als ML.
- Papieren dossiers digitaliseren of samenvatten - het digitaliseren van papieren dossiers kan worden uitgevoerd door algoritmen voor handschriftherkenning of optische tekenherkenning. Deze algoritmen moeten leren om handschriften en karakters te herkennen en vallen daarom binnen het toepassingsgebied van ML.
De meeste van de hierboven genoemde technieken zouden ook gewoon door een mens kunnen worden uitgevoerd, dus wat is het extra voordeel van AI en ML? Simpel gezegd kan een machine deze processen nauwkeuriger, preciezer en sneller uitvoeren dan een mens zou kunnen. Er zijn geen menselijke fouten, er hoeft geen rekening te worden gehouden met beschikbaarheid en beslissingen zijn niet gebaseerd op emoties of voorzichtigheid.
Simpel gezegd kan een machine deze processen nauwkeuriger, preciezer en sneller uitvoeren dan een mens zou kunnen.
AutoML - een helpende hand
De financiële sector heeft een groeiende behoefte aan AI-talent. Door de snelle wereldwijde digitalisering vinden klanten het nu vaak handiger om hun financiën online te regelen in plaats van fysiek een bank te bezoeken, dus bedrijven zullen achterop raken als ze AI niet toepassen.
Helaas zijn geschoolde AI-medewerkers moeilijk te vinden, maar AutoML tools zoals DataIku bieden methoden en processen om ML toegankelijker te maken voor mensen met beperkte kennis op dit gebied. Met een gebruiksvriendelijke webinterface automatiseren deze tools de tijdrovende, iteratieve taken van machine learning en vereenvoudigen ze het proces van het bouwen van een volledige data flow. De geproduceerde stroom kan in verschillende projecten worden gebruikt, wat de aanpasbaarheid en efficiëntie van het proces ten goede komt. Niet alleen dit, maar AutoML is ook in staat om het best presterende model en algoritme te selecteren voor de specifieke situatie, waardoor een eenvoudige en effectieve oplossing wordt geboden voor het integreren van ML in een bedrijf zonder de noodzaak van een hoogopgeleide specialist.
Als je meer wilt weten over Artificial Intelligence en hoe het kan worden toegepast binnen jouw organisatie, neem dan hier contact op met ons team van experts.
Over Projective Group
Projective Group is opgericht in 2006 en is een toonaangevende veranderspecialist voor de financiële dienstverlening.
We worden binnen de sector erkend als een leverancier van complete oplossingen, die samenwerkt met klanten in de financiële dienstverlening om oplossingen te bieden die zowel holistisch als pragmatisch zijn. We hebben ons ontwikkeld tot een betrouwbare partner voor bedrijven die willen gedijen en bloeien in een steeds veranderend landschap van financiële dienstverlening.