[[slotProps.postItem.title]]
Использование технологий искусственного интеллекта (ИИ) приобретает все большую популярность в различных отраслях. Ежедневно компании работают над поиском новых возможностей внедрения ИИ в свою деятельность, которую можно оптимизировать благодаря эффективности этой развивающейся технологии. В обществе до сих пор нет единого мнения о том, что именно подразумевается под ИИ, однако в целом можно сказать, что искусственный интеллект адаптируется к потребностям и поведению пользователей и анализирует модели с различными источниками данных.
Существует большое количество направлений развития ИИ. В рамках этих направлений есть различные методы, которые могут применяться по отдельности или совместно в рамках управления рисками для повышения эффективности деятельности и достижения стратегических целей компаний. Наиболее распространенными методами являются:
- искусственные нейронные сети — математические модели, применяемые для распознавания образов, прогнозирования, классификации, кластеризации и оптимизации;
- машинное обучение (Machine Learning, Data Mining, Data Science) — класс методов ИИ, которые подразумевают решение задач не напрямую, а путем предварительного обучения и могут быть использованы для анализа больших данных, подтверждения каких-либо гипотез, поиска закономерностей в хранилищах данных и принятия управленческих решений;
- глубокое обучение (Deep learning) — методы семейства машинного обучения, в которых используются огромные нейронные сети с множеством уровней для изучения сложных закономерностей в больших объемах данных.
Рассмотрим некоторые типы задач, которые могут успешно решаться с помощью ИИ в рамках управления рисками.
Отслеживание и предотвращение киберугроз. Системы ИИ можно научить выявлять, отслеживать и отражать кибератаки. Механизмы машинного обучения могут анализировать большие объемы данных из различных источников. Эта информация создает модели прогнозирования в реальном времени, которые позволяют службам безопасности оперативно реагировать на риски. Модели имеют основополагающее значение для разработки систем раннего предупреждения, обеспечивающих бесперебойную работу организации и защиту ее заинтересованных сторон. ИИ позволяет непрерывно мониторить сетевой трафик и своевременно идентифицировать угрозы проникновения вредоносных программ, программ-вымогателей и оценить риски фишинговых атак и утечки данных.
Cамодиагностика ИТ-систем. Интеллектуальные алгоритмы позволяют быстро обрабатывать большие объемы данных и проводить самодиагностику и раннее обнаружение неисправностей для обеспечения непрерывной работы, при этом в случае сбоев позволяют в кратчайшие сроки устранить неисправности и восстановить системы. Посредством ИИ также осуществляется сбор и анализ данных об инцидентах, что сокращает время восстановления после аварий.
Треккинг аномалий. Финансовые учреждения, страховые компании и участники фондового рынка особенно заинтересованы в непрерывном отслеживании и анализе большого количества транзакций с использованием методов машинного обучения для выявления аномальных или подозрительных, имеющих признаки мошенничества операций. Применяемую модель можно «обучить», используя информацию об известных мошеннических транзакциях. Обнаружение аномалий может выявить транзакции, которые выглядят нетипичными и заслуживают дальнейшего изучения. Одним из примеров также является отслеживание ИИ видеокамер в режиме реального времени, выявление подозрительной активности в отделениях банков или банкоматах и предотвращение захвата учетной записи, если голосовой биометрический профиль не соответствует подлинному профилю клиента.
Моделирование поведения. Создание виртуального поведенческого биометрического профиля пользователя, копирующего и предсказывающего поведение при работе с приложениями или сайтами, включая управление клавиатурой и мышью. ИИ также дает возможность оценивать неструктурированные данные о рискованном поведении или действиях в деятельности организации. Алгоритмы ИИ могут идентифицировать модели поведения, связанные с прошлыми инцидентами, и использовать их в качестве предикативных индикаторов риска.
Классификация данных. Искусственные нейронные сети позволяют обрабатывать, систематизировать и приоритизировать всю имеющуюся доступную информацию, необходимую для анализа и оценки рисков, в соответствии с определенными шаблонами и категориями.
Анализ поставщиков. ИИ можно научить управлять рисками, связанными с поставщиками и закупками. ИИ умеет анализировать финансовое состояние, уровень социальной ответственности, добросовестность контрагентов на основании открытых данных.
Такие платформы, как, например, Trello (облачный визуальный инструмент для управления проектами), уже начали внедрять функции ИИ, основанные на машинном обучении, для запоминания и прогнозирования повторяющихся действий своих пользователей. Приложение QuillBot (инструмент для перефразирования текстов на английском языке) адаптировало свою бизнес-модель на основе технологий ИИ. Широко используется ИИ и в банковской сфере: с помощью алгоритмов машинного обучения и глубокого обучения обрабатываются документы и проверяются различные персональные данные, проводятся процедуры идентификации личности и проверки различных персональных данных, рассчитывается скоринг клиентов и упрощается процесс принятия решений по кредитным заявкам и установлению кредитных лимитов. Для коммуникации с клиентами широко используются голосовые помощники и роботы в чатах. Глубокое обучение также помогает с анализом получаемых сообщений клиентов через каналы обратной связи, обрабатывает их, закрывает и собирает аналитику.
Инструменты глубокого обучения применяются и в энергетической, и в коммунальной отраслях, где любой сбой в сети может принести многомиллионные убытки. Они включают в себя мониторинг состояния линий и оборудования и рекомендации конкретных корректирующих действий в случае обнаружения неполадок.
Рассмотренные выше решения позволяют значительно сократить время обслуживания клиентов, оптимизировать численность штата и сократить расходы на персонал, снизить вероятность человеческих ошибок из-за ручных операций и контрольных процедур. Так компании снижают свои риски — операционные, кредитные, риски в области информационной безопасности и многие другие.
Использование технологий ИИ позволяет упрощать многоэтапные комплексные бизнес-процессы, увеличивать количество и повышать качество автоматизированных контролей, более эффективно использовать ресурсы. Однако важно знать, что существуют и риски, связанные с ИИ, поэтому бизнес-подразделения компаний, намеревающиеся внедрять и использовать ИИ, обязательно должны предварительно их просчитывать и обсуждать с высшим руководством. Далее рассмотрим некоторые примеры рисков, связанных с ИИ.
- Репутационные риски. Системы ИИ обрабатывают конфиденциальные данные в огромных объемах, на основании чего принимаются ключевые решения, поэтому любые ошибки в алгоритмах могут привести к ошибочным результатам и серьезным негативным последствиям.
- Предвзятость алгоритмов. Поскольку алгоритмы машинного обучения полагаются на свои входящие данные (модель), которые могут содержать ошибки (случайные или предумышленные), быть неполными или низкого качества, это ставит под сомнение объективность и достоверность результатов.
- Угроза кибератаки. Как ни парадоксально, использование ИИ может само по себе стать мишенью для кибератак и взломов данных, поэтому системы ИИ должны быть должным образом защищены от хакеров. Проверить уязвимости систем ИИ можно с помощью проведения тестов на проникновение (pentest).
- Комплаенс риски. В настоящее время российское и международное законодательство слабо регулирует сферу ИИ, но это может измениться в ближайшие годы, учитывая его популярность. Системы, обрабатывающие большие объемы конфиденциальных данных, могут не соответствовать действующим и готовящимся законодательным актам.
Таким образом, использование ИИ в финансовой сфере, IT-продуктах, работе с клиентами, обеспечении безопасности и многих других областях значительно повышает инвестиционную привлекательность и конкурентоспособность компаний. Технологии ИИ в ближайшем будущем будут все чаще применяться для управления рисками, но при этом важно помнить и про риски, связанные с самим ИИ, оценивая баланс всех возможностей и сложностей, связанных с этими технологиями.
Автор: Дарья Бочарова
