RulEdit

Kako poboljšati poslovanje banke primjenom IT sustava zasnovanih na umjetnoj inteligenciji (AI)

Sažetak

IT sustavi zasnovani na „umjetnoj inteligenciji“ sveprisutni su u tehnološkim aplikacijama. Širi se i njihova primjena u bankarstvu i financijama. U ovom se radu objašnjava jedan specifičan oblik takvih sustava, zasnovan na „fuzzy“ logici i upravljanju pravilima. Na primjeru jednostavne aplikacije za „credit scoring“ pokazuje se kako odrediti premiju rizika klijenta na temelju ekspertnog iskustva bankara.

Postoji nekoliko važnih razloga za korištenje ovakvih aplikacija u bankama. Naime, pravila pomoću kojih menadžeri odlučuju u rutinskim situacijama pretvaraju se u aplikativne programe, čime se otvara prostor za poboljšanje poslovanja banke po nekoliko osnova. Prvo, oslobađa se vrijeme menadžera za kreativnije zadatke čime se izravno povećava produktivnost. Drugo, kreativniji zadatak može značiti preispitivanje i unaprjeđenje aktualnih pravila odlučivanja, čime se izravno poboljšava poslovanje. Treće, pravila odlučivanja mogu biti sastavljena od strane većega broja menadžera, tako da bančin repozitorij poslovnih pravila odražava „kolektivnu mudrost“, a to u bitnome ubrzava rutinsko odlučivanje, čak i kada uključuje veći broj ljudi. Četvrto, pravila odlučivanja postaju transparentna čime se olakšava prijenos znanja u organizaciji. Peto, znanje kao temeljni kapital organizacije ostaje pohranjeno u računalima, čime se u bitnome smanjuju operativni rizici. Šesto ali ne i najmanje važno, uspostava ovakve aplikacije u bitnome ubrzava procese sistem analize i programiranja. Između ove aplikacije i transakcijskog sustava može se uspostaviti sučelje, a promjena pravila ima trenutni učinak na re-programiranje načina funkcioniranja cjelokupnog IT sustava.

Tehnološki optimisti smatraju da bi se ovakvim sustavima mogla zamijeniti sva bitna čvorišta odlučivanja u banci; otud ideja o „banci bez bankara“. Međutim, ovaj rad pokazuje da tako nešto nije moguće postići. Socijalna ograničenja, emotivni čimbenici i složenost pojedinih poslovnih situacija isključuju mogućnost pojave „banke bez bankara“ u doglednoj budućnosti. Međutim, područja primjene ovakvih aplikacija ubrzano će se širiti i predstavljati jednu od važnijih konkurentskih prednosti pojedinih banaka u neposrednoj budućnosti.

Uvod

U ovom radu prikazujemo jednu aplikaciju umjetne inteligencije (AI) u bankarstvu te propitujemo organizacijske i socijalne granice primjene AI u bankama. Zaključujemo da postoje velika područja moguće primjene u gotovo svim segmentima upravljanja bankom. Pri tome treba razlikovati segmente u kojima primjena AI dovodi do troškovnih ušteda (npr. upravljanje gotovinom u mrežama ili brza selekcija klijenata pomoću „credit scoring“ tehnika) od segmenata u kojima primjena AI dovodi do smanjenja operativnih rizika (npr. prenošenje poslovnih pravila odlučivanja u aplikativne programe) i/ili poboljšanja odluka (npr. bolje strateško planiranje). Naglašavamo da krajnji slučaj „banke bez bankara“ koji sugeriramo u naslovu nije moguć zbog granica koje postavlja narav trenutne socijalne komunikacije unutar banaka, kao i između banaka i njihovih klijenata.

Što je umjetna inteligencija: klasični primjer ABS-a

Alfred North Whitehead je napisao da civilizacija napreduje onoliko koliko napreduju njezine rutine – postupci koji se mogu „automatizirati“, tj. naučiti do one mjere da ih ljudi mogu obavljati podsvjesno. Vožnja automobilom je dobar primjer. Prvo, možemo se služiti tehnologijom automobila i prevesti kamo želimo i kada želimo. Drugo, dok (automatski) vozimo automobil, možemo se opuštati uz glazbu iz radio uređaja, ili jednostavno – razmišljati. Poznajemo mnoge ljude kojima su izvrsne ideje „pale na pamet“ dok su vozili automobil!

Zašto onda još uvijek nemamo automatske vozače koji bi potpuno oslobodili naše vrijeme za druge, produktivnije stvari? U ljudskom mozgu postoji nešto što tehnolozi još nisu uspjeli oponašati i/ili poboljšati u odnosu na ono kako to radi čovjek: to je inteligencija.

Čovjek tj. njegova inteligencija nisu apsolutni. Razmislite što Vam govore kratice ABS, ESP …? U određenim ekstremnim uvjetima Vaš automobil preuzima kontrolu od Vašega tijela kojim upravlja mozak. „Automobil“ tada koči i/ili programirano ispravlja smjer kretanja. To još uvijek ne znači da automobil ima dušu ili osobnost, no dokazuje da ima inteligenciju. Doduše, ta je inteligencija umjetna, jer je kreirana od strane eksperata – inženjera, matematičara i programera.  Eksperti – tvorci sustava zapravo koče umjesto Vas pomoću ABS sustava, u koji  su  ugradili svoja znanja. ABS nema „vlastitu“ inteligenciju, on ju je „posudio“ od svojih  tvoraca i memorirao u vidu aplikativnog programa.

Iskustvo je pokazalo da je ta inteligencija u nekim situacijama učinkovitija od Vaše. Naime, Vaš mozak nije u stanju točno proračunati koliko puta treba otpustiti i stisnuti kočnicu uz zadani parametar proklizavanja podlogom da biste minimalizirali zaustavni put. Vaš ABS to može. Dakle, uz određene pretpostavke, on je inteligentniji od Vas. Izvan domene tih pretpostavki, ABS je „glup“. Baš kao što bismo od očekivali od inteligencije koja je umjetna.

Unatoč superiornosti stroja u određenim, točno definiranim situacijama, čovjekov mozak još uvijek u prosjeku reagira barem jednako dobro ili bolje nego „mozak“ mašine. Prema tome, mašine su još uvijek tu samo da malo pomognu. Nisu, kao u filmu Matrix, porobile ljude i kreirale paralelnu stvarnost. No trend je u rješavanju nekih problema više nego jasan. Ne samo da čovjek više ne može pobijediti stroj u šahu (čime je šah izgubio svu svoju draž): u SAD-u i Švedskoj rade pilot sustavi koji integriraju umjetnu inteligenciju i satelitske tehnologije te posve preuzimaju funkciju vozača na autocestama čime se minimaliziraju vjerojatnosti nesreća i nastanka prometnih gužvi.

Mogu li nam ovi primjeri pomoći u razumijevanju razlike između inteligencije i umjetne inteligencije? Intuitivno je jasno da je druga podskup prve, odnosno da (čovjekova) inteligencija „proizvodi“ umjetnu inteligenciju. Međutim, moramo znati malo više o inteligenciji da bismo shvatili narav one umjetne.

Inteligencija nas svakodnevno adaptira na naše okružje. Adaptacija je svjesna ili nesvjesna odluka koja prethodi nekoj novoj aktivnosti ili nastanku novoga obilježja. U tom okviru, inteligencija operira na mnogobrojne načine. Nabrojimo neke od njih:

Inteligencija operira sa tvrdim tzv. racionalnim determinističkim odlukama, pravilima:

AKO pada kiša, ONDA uzimam kišobran.

Inteligencija operira i s tzv. Bayesevim pravilima koja uključuju uvjetovanu vjerojatnost koju koristimo u uvjetima rizika realizacije nekog događaja u okružju:

AKO kiša pada i AKO je velika vjerojatnost da ću do cilja stići suh iako bez kišobrana, ONDA nemoj uzeti kišobran. (npr. ako idem do sljedećeg haustora ispod široke strehe).

Inteligencija operira i na osnovu pravila slobodne volje:

nema AKO , već skačem kroz prozor sa osmog kata na glavu u kišu. Rekli bismo: put u nepoznato (ne preporuča se isprobavati).

Već je iz ovog letimičnog pregleda jasno koliko je teško postavljati jasne granice među konceptima inteligencije odnosno vrstama pravila. I klasični računalni programi koji operiraju na bazi determinističkog pravila AKO-ONDA mogli bi se nazvati umjetnom inteligencijom jer oponašaju jedan od (najprimitivnijih, determinističkih) načina rezoniranja. Ipak, za umjetnu je inteligenciju potreban korak više: integracija jednostavnih pravila s nejasnim konceptima s kojima se susrećemo u svijetu koji nas okružuje.

Najbolji primjer je predzadnji: što znači velika vjerojatnost da ću do sljedećeg haustora stići suh; koliko ona zavisi o intenzitetu padanja kiše; koliko zavisi o kosini pada i vjetru; koliko je pritom važna širina strehe, itd. itd. Jedan banalan problem sa samo dva AKO i jednim ONDA postaje izvanredno složen kada se pokušaju analizirati svi elementi koji određuju pravilo i odluku koja se na temelju tog pravila donosi.

Inteligencija barata s nejasnim pravilima tj.  „fuzzy“ konceptima

U tom kontekstu, naše pitanje glasi: je li moguće zamisliti „automatizaciju“ banaka koja bi bila nalik automatizaciji kočenja? Načelno, da.

Bankari se već služe brojnim IT pomagalima (tzv. „aplikativnim programima“) koji im olakšavaju i ubrzavaju odlučivanje. Na primjer, program Y=f(X) gdje je Y binarna varijabla čija vrijednost 0 znači „odbij zahtjev“, a 1 „odobri kredit“, gdje je X vektor varijabli koje opisuju obilježja dužnika, zove se „skoring“. IT odjeli svih ozbiljnijih banaka bavili su se programiranjem ili implementacijom neke vrste skoringa.

Međutim, niti jedan se pametan bankar ne oslanja samo na automatizam skoringa. U pravilu, barem za veće kredite, odjel za rizike daje svoju neovisnu procjenu. Potom sve informacije, uključujući i rezultat skoringa, dolaze na kreditni odbor. To je tijelo na kojemu različiti ljudi, pouzdajući se u mudrost skupine[1] , donose konačnu odluku.

To je vrlo složen ali i skup i neučinkovit sustav koji bi se mogao znatno unaprijediti ugradnjom aplikacija umjetne inteligencije (AI). Bankari ih još ne koriste u dovoljnoj mjeri, pa u nastavku prikazujemo kako bi to mogli činiti.

Zamislite što radi Vaš ABS: on koristi pravilo koje operira s nejasno („fuzzy“) definiranim vrijednostima: „Ako kotač malo proklizne, malo puštaj kočnicu; ako je guma malo uhvatila podlogu, malo pritišći kočnicu, i t d“ ABS to „razumije“, i tako par desetaka puta pušta i pritišće kočnicu (to je onaj isprekidani zvuk koji čujete kad se aktivira ABS).

Ključ je u tome da je pojam „malo“ u ABS-u definiran nad dvije varijable:

• čvrstoća prijanjanja uz podlogu i
• čvrstoća pritiska na kočnicu.

Dakle, čovjek – inženjer definira opis problema, definiciju pojmova i varijable. Potom se definicije i pravila programiraju. Tako se dobiva aplikacija koja se u osnovi sastoji od jednostavnih pravila i definicije pojma „malo“ nad domenom varijabli. Na sličan se način mogu definirati pojmovi srednje i veliko kojima se na taj način pridružuju neke numeričke vrijednosti.

Ovakva je aplikacija izvrsna za realne životne situacije u kojima ne „vidimo“ jasne granice među vrijednostima varijabli i njihovim značenjima. To su one situacije u kojima do sada nismo vjerovali statističarima, ekonometričarima ili informatičarima pa smo se pouzdali u „nos“ i intuiciju eksperta. Uistinu, među nama postoje iskusni ljudi čije akumulirano znanje omogućava gotovo intuitivno rješavanje problema. U nekim bankama rade ljudi koji su u stanju mrežama bankomata upravljati jednako dobro ili čak i bolje od računalne aplikacije koju su razvili doktori matematike, ekonomije i informatike s vodećih svjetskih sveučilišta. Kada bismo to njihovo iskustvo ili „educiranu intuiciju“ mogli prenijeti u računalni program, imali bismo aplikaciju umjetne inteligencije. Ona u konačnici može biti puno bolje rješenje od zamornih statističkih i/ili matematičkih izračuna jer uvažava specifično lokalno iskustvo i niz realnih situacija koje mogu nastati u stvarnom životu, a koje autori računalnog programa s vodećeg sveučilišta jednostavno nisu znali predvidjeti.

Zamislimo hipotetičku situaciju u kojoj treba odlučiti o kreditu na temelju tri „tvrde“ financijske varijable i „mekog, kvalitativnog“ poznavanja uprave tvrtke – dužnika. Upravu iskustveno prepoznajemo kao lošu, srednju ili dobru, a ocjenjujemo ju na temelju kvalitativnog ocjenjivačkog sustava na skali od 1 do 10. Uz kvalitetu uprave, tri financijske varijable i domene na kojima su definirane dane su u sljedećoj tablici. Uočite da su definicije varijabli fuzzy, što znači da se lingvističke vrijednosti mogu preklapati za dane numeričke vrijednosti. Na primjer, u slučaju omjera duga i kapitala od 30% postoji neka vjerojatnost da je ta vrijednost „mala“, ali i neka vjerojatnost da je ta vrijednost zapravo „srednja“, jer malo može biti do 40%, a srednje počinje već od 20%. Slično tome, neki 50 godišnjak koji se bavi sportom može imati srce kao u tipičnog 30 godišnjaka i koljena kao u tipičnog 70 godišnjaka, pa je za njega vrlo teško reći je li mlad (srce mu je mlado), srednjih godina (takav je u nekom apstraktnom prosjeku), ili star (takva su mu koljena). Prema tome, lingvističke su vrijednosti nejasne – one su „fuzzy“, otprilike onako kako su nejasni naš jezik i naša percepcija. One su „fuzzy“ baš onako kako ih percipiraju eksperti, bili oni toga svjesni ili ne. „Fuzzy“ je prirodno, iako je nejasno, „fuzzy“ je točno.

Sljedeća slika pokazuje fuzzy definiciju jedne varijable, u ovom slučaju kvalitete uprave. Tumačenje ove definicije varijable intuitivno je jasno. Domena varijable (os x) definirana je skalom kvalitativnih vrijednosti od 1 do 10 koje služe za ocjenjivanje kvalitete uprave. Os y mjeri vjerojatnost da je, za danu ocjenu, uprava loša, srednja ili dobra. Na primjer, uz ocjenu 4 (crvena vertikalna linija na slici) uprava je 31,5% srednja i 68,5% loša.

Upravo to je način kako definiramo većinu varijabli u stvarnom životu, kada u većini situacija nemamo potpun informacijski skup. Kada naš 50-godišnjak koji vježba prođe pokraj nas na ulici mi ćemo ga iz neznanja proglasiti 100% srednje starim jer će nam se takvim učiniti njegovo lice (to je samo jedan ulazni impuls). Ekspert (njegova supruga ili obiteljski liječnik) će imati puno više informacija i biti će u stanju dati točniju „fuzzy“ definiciju prema kojoj će naš 50-godišnjak biti, na primjer, 25% mlad, 70% srednjih godina i 5% star. Prema tome, uloga eksperta je da u prvom koraku pažljivo razvije sustav mjerenja i odredi „fuzzy“ definicije ulaznih varijabli kao što je gore prikazano.

Struktura modela određivanja premije rizika

Cjeloviti model, pored ulaznih, uključuje i izlaznu varijablu. Iako se u standardnim aplikacijama modela selekcije dužnika izlazna varijabla najčešće definira kao binarna – 0 ili 1, što znači odbij ili prihvati kredit, takvo je definiranje izlazne varijable preusko. Ovdje radimo s krajnje pojednostavljenim primjerom, ali cilj nam je provocirati bankare na razmišljanje. Stoga ćemo premiju rizika odrediti kao izlaznu varijablu modela. Dakle, „cijenu rizika“ tj. „premiju rizika“ koju klijent treba platiti zavisno o procjeni rizičnosti definiramo u baznim bodovima od 0 do 1000 (pretpostavljamo da su premije rizika iznad 1000 baznih bodova prohibitivno visoke i takvim klijentima uopće ne želimo odobriti kredit), tako da je varijabla također definirana na „fuzzy“ način[2]

Prema tome, cjeloviti model AI izgleda ovako:

Sada kada znamo strukturu modela i definicije varijabli, preostaje objasniti kako se u modelu određuju relacije među varijablama: kako za različite kombinacije četiri ulazne vrijednosti dobivamo izlaznu vrijednost premije rizika? To je zadnji, ujedno i najvažniji korak, u kojemu ekspert utvrđuje pravila koja povezuju ulazne s izlaznom varijablom. Zbog toga se ovaj pristup AI često naziva pristup upravljanja pravilima.

U ovom vrlo jednostavnom modelu imamo četiri ulazne varijable, svaku s po tri moguće vrijednosti, a što zahtijeva definiciju velikoga broja pravila. Evo kratkoga prikaza nekih od njih:

Uočite kako ekspert (ili eksperti ako se želi da pravila odražavaju kolektivnu mudrost) mora pažljivo vagati ne bi li odredio vrijednosti izlazne varijable za dane (lingvističke) inpute ulaznih varijabli. Eksperti često teško razlučuju pojedina pravila i utjecaje varijabli, pa se formiranju pravila posvećuje posebna pažnja i koriste različite tehnike ne bi li se došlo do što boljih pravila. Najčešće korištene tehnike su: (1) formalni testovi logičke konzistentnosti pravila, (2) tehnike vizualizacije – grafički prikazi logičkih odnosa među varijablama preko pravila, što eksperta često potakne na korekciju prve varijante pravila, (3) korištenje različitih tehnika brainstorminga i grupne dinamike ne bi li se pamet većega broja ljudi ugradila u pravila. Detaljniji opis ovih tehnika premašuje okvire ovoga rada.

Sve gornje varijable imaju definirane numeričke vrijednosti za dane lingvističke vrijednosti. Pravila su zamjena za klasične funkcionalne odnose koje smo naučili u školi, no pravila ne „rade“ ništa što ne bi radile i klasične matematičke funkcije: ona, kao i matematičke funkcije, pretvaraju vrijednosti ulaznih ili egzogenih, u vrijednost izlazne ili endogene varijable. To znači da sada, kada imamo postavljen i definiran model, za četiri ulazne vrijednosti možemo odrediti premiju rizika klijenta. U to se možete uvjeriti koristeći kalkulator na www.ruledit.com.

Stvarne će aplikacije biti puno složenije od ovdje prikazane. Uključivat će nekoliko desetaka financijskih varijabli, nekoliko kvalitativnih varijabli, te nekoliko varijabli kvalitete kolaterala. Jednako tako, na visinu cijene rizika neće utjecati samo kreditni rizik. U nju će se alocirati i cijene tržišnih i operativnih rizika. Sama neuralna mreža neće imati jednostavan oblik kao gornja, nego će biti puno razvedenija – imat će i tzv. intermedijarne varijable i veći broj blokova pravila.  Međutim glavni je princip AI aplikacije u osnovi takav kakav ovdje prikazan.

Sada nam preostaje dati odgovor na dva pitanja. Prvo, čemu sve to – što banka dobiva, a što gubi korištenjem opisanoga pristupa u svojoj praksi? Drugo, gdje su granice ovoga pristupa – je li primjena uistinu toliko široka da u nekoj krajnjoj instanci omogućava poslovanje „banke bez bankara“, odnosno, banke u kojoj bi svi bitni čvorovi odlučivanja funkcionirali pomoću AI aplikacija?

Identificiranje , akvizicija znanja i prilagodljivost: ključevi RulEdit tehnologije

Ključ razumijevanja prethodnog primjera je ekspertno znanje koje se ugrađuje u odabir varijabli, definiciju numeričkih intervala lingvističkih vrijednosti varijabli i – zadnje ali ne i najmanje važno, u definiranje pravila. Jednom kad složimo takav sustav, u računalo unosimo sve bitno znanje kojim raspolažu donositelji odluka. Pravila prelaze iz glava ljudi u računala.

Prema tome, prva bitna korist za banku je značajna redukcija operativnih rizika koji su vezani uz situacije kada se ključna znanja nalaze „zaključana“ u glavama ključnih ljudi organizacije.

Drugo, raste i potencijal učenja u organizaciji: uvidom u varijable, definicije i pravila mladi kolege i pripravnici mogu brzo shvatiti kako se donose odluke. Tako se znanje, koje je osnovni kapital banke, strukturira i pohranjuje u računalo. Formalizirano znanje kontrolira se neposredno, a ne preko menadžerskih ugovora. Točnije, menadžerski ugovori moraju biti cjelovito napisani tako da motiviraju nositelje znanja da ga dijele i prepuštaju drugima radi pohrane u repozitorij bančinih pravila.

Treće, zajednički rad, vizualizacija pravila i logički testovi njihove konzistentnosti jasno će pokazati koji menadžeri daju najviše pravila. Kroz to će se vidjeti ne samo njihovo ekspertno znanje, nego i spremnost za doprinos zajedničkom boljitku organizacije. Za upravu to može biti vrlo vrijedna informacija jer kroz to će jasnije vidjeti koga treba nagraditi.

Četvrto, iako postoji opasnost od oportunističkog ponašanja i prikrivanja pravih pravila odlučivanja, najbolji će menadžeri u primjeni ovakvih aplikacija vidjeti sjajnu prigodu za povećanje kreativnosti i produktivnosti. Oslobođeno vrijeme i koncentracija mogu se utrošiti na analizu i poboljšavanje starih pravila ili na odlazak na tenis radi odmora ili uspostave novog poslovnog odnosa.

Međutim, to nije sve. Najvažnija prednost RulEdit tehnologije leži u tome što se aplikacijski programi koji podržavaju poslovne procese i odluke automatski prilagođavaju promjenama varijabli, definicija i pravila. Zbog toga RulEdit funkcionira kao idealan aplikacijski program koji čovjeka tj. korisnika oslobađa frustrirajućeg odnosa s matematičkim modelarima i programerima, i omogućava mu da:

(a)    piše / mijenja pravila,

(b)   mijenja definicije varijabli,

i kroz to automatski prilagođava aplikacijske programe poslovnim potrebama organizacije.

Kadgod čovjek promijeni (a) i/ili (b), aplikacijski se program automatski i trenutno prilagodi novim parametrima, tj. novoj inteligenciji koja je u njega ugrađena. Moguće je programirati sustav i tako da automatski uči bez ljudskoga dodira: kako se novi transakcijski podaci dodaju u bazu podataka, tako se pomoću pred-programiranog modela preispituju i modificiraju pravila. Tako dobivamo AI aplikaciju koja automatski uči!

Banka bez bankara

Uz AI aplikaciju svako čvorište odlučivanja u banci više ne odlučuje o konkretnim aplikacijama/problemima, nego o pravilima, a samo odlučivanje postaje automatsko. Prednosti smo jasno prikazali, no što se time može izgubiti?

1. Postojeća struktura moći. Iako je moguće programirati jednostavno pravilo (npr.: „Ako predsjednik uprave tako kaže, onda premija rizika = 0%“), problem za one koji imaju moć je u tome što pravila moći postaju eksplicitna i programirana, a to za imatelje moći može postati vrlo neugodno. Štoviše, to može blokirati projekt banke bez bankara. (U teoriji bi programiranje takvog pravila moglo imati i neke neugodne pravne posljedice za ključne aktere).

2. Gubimo i ulogu podsvijesti i slučajnosti u kojima se mogu kriti još neotkrivena znanja. Na primjer, ako kreditni odbor najbolje odlučuje za vrijeme punoga mjeseca a mi (još) ne znamo da je pun mjesec glavni čimbenik dobrih odluka, automatizacijom u koju nije ugrađeno „pravilo punog mjeseca“ kvaliteta odluka bi se mogla pogoršati. Također, neki eksperti mogu biti po prirodi introvertirani i njihova im vlastita pravila ne moraju biti lako dostupna (neki ljudi mogu imati problem introspekcije), pa postoji opasnost da ih ocijenimo beskorisnima i izgubimo njihova pravila odlučivanja.

Ako vjerujemo da argumenti „Za“ imaju veću težinu od argumenata „Protiv“, onda je samo nebo granica: moguća je banka bez bankara! U teoriji je moguće zamisliti „banku bez bankara“ – točnije, banku s upravom, IT-om i analitičkim odjelom koji stalno analizira učinke pravila i predlaže njihove promjene i unaprjeđenja. Prodaja i distribucija mogle bi se u teoriji unajmiti od specijalista (outsourcing). Ipak …

Promotrimo primjer najmisterioznije aktivnosti u svakoj banci – kupnje i prodaje vrijednosnih papira, i zamislimo da se pokazalo da 99% utjecaja na P&L jedinice za trgovanje dolazi od pravila iz glave jednoga čovjeka – glavnog trgovca. „Isisavanjem“ znanja iz njegove glave i prepuštanjem transakcija stroju dodatno se eliminira i svaki konflikt interesa u kojem sektor corporate želi maksimalizirati kvalitetu odnosa s klijentom tako što će pritiskati riznicu da kupuje klijentove vrijednosne papire. Izgleda da bi automatizacija equity tradinga mogla ukloniti jedan od najvažnijih konflikata interesa u bankarstvu.

Međutim, kao što je najčešće slučaj u životu, upravo na ovom primjeru možemo vidjeti tri važna ograničenja u razvoju koncepta banke bez bankara. Zbog njih ćemo još dugo imati ovakve banke.

Tko kontrolira kontrolora

U banci bez bankara konflikt interesa bi eskalirao na razinu onih koji znaju sva pravila. Onaj koji zna sva pravila može lako „frontirati“ tj. kupovati ili prodavati za svoj račun prije stroja za koji točno zna što će učiniti. Štoviše, napast upuštanja u tu inače kažnjivu aktivnost na tržištu kapitala utoliko je veća ukoliko su pravila trgovanja koncentrirana i razvidna! Zbog toga je konstruktivna nejasnoća ponekad koristan alat koji se namjerno koristi kako bi se u sustavu odlučivanja ostavila kritična količina zdrave stohastike. Ona u konačnici može smanjiti problem konflikta interesa koji se nikada ne može potpuno izbjeći.

Oportunizam

Drugi je problem oportunizma ili otpora. Suočen sa zahtjevom uprave da svoja znanja pretoči u eksplicitna pravila, inteligentan će menadžer imati motiv varanja. Inteligentan menadžer može posumnjati da ga iskreno „istresanje“ pravila odlučivanja u stroj u konačnici čini redundantnim. Zbog toga postoji opasnost da će „istresti“ pogrešna pravila i otići raditi konkurenciji. (Prisjetite se da smo ranije napisali da menadžerski ugovor mora biti potpun tako da stimulira menadžera da prepusti i podijeli „svoja“ pravila odnosno svoje znanje). Zbog toga provođenje projekta banke bez bankara može značiti rizik za banku koja provodi takav projekt. Banka može financijski stimulirati svoje menadžere koji „istresaju“ pravila, no to može biti prohibitivno skupo jer optimalna je stimulacija jednaka sadašnjoj vrijednosti dohotka koji menadžer svojim znanjem očekuje zaraditi do kraja radno aktivnoga vijeka.

Problem otpora ključna je stvar u evoluciji ka novoj ekonomiji zasnovanoj na AI. Svladavanje menadžerskog oportunizma tj. uklanjanje asimetričnosti informacija nužan je uvjet za učinkovitu primjenu AI tehnologija kao što je RulEdit. Na primjer, japanci jako vjeruju u povećanje kolektivne svijesti, smanjivanje asimetričnosti informacija i opći  rast kolektiva pa je za očekivati da će takav kulturni ambijent pogodovati primjeni upravljačkih tehnologija kao što je RulEdit.

Znači li to da je menadžer-oportunist koji krije „svoja“ pravila tipičan menadžer na „Zapadu“, dok je menadžer-altruist koji dijeli „svoja“ pravila tipičan menadžer na „Istoku“? Ovo se čini kao nedopustivo pojednostavljenje. Pametan će menadžer svoja znanja željeti dati jer zna da mu se time oslobađa vrijeme za kreaciju, evaluaciju postojećih i kreiranje novih pravila. Dobar menadžer će u AI aplikaciji vidjeti prigodu za rasterećenje od onoga što je već naučeno i oslobođenje vremena za ono u čemu je čovjek superioran – za analizu, kreaciju, inovativnost, bavljenje drugim ljudima i skupinama. Nadalje, pametan  menadžer zna da je emocionalna inteligencija vrlo teško prenosiva u stroj; upravljanje ljudima i ljudskim odnosima teško je prepustiti RulEditovom „rule enginu“. To pogotovo dolazi do izražaja u finim finesama prodaje i upravljanja ljudskim resursima.

Pametan i kreativan menadžer prepoznat će pomoć koju mu RulEdit tehnologija može pružiti bez obzira na zemljopisne širine i dužine na kojima je zaposlen.

Nepoznatim na nepoznato: problem punog mjeseca

Treći problem za realizaciju banke bez bankara već je spomenuti „problem punog mjeseca“: mi ne znamo što je s onu strane naše intuicije koju ovdje razumijemo kao znanje koje ne znamo eksplicirati. Možemo se smijati tome što je Goran Ivanišević vezao tenisice uvijek istim redoslijedom i to vjerojatno jest bilo praznovjerje, ali nikad se ne zna. Možda je neki kreditni odbor uspješan baš zato što se sastaje utorkom u 11h. Možda su odluke lošije kada se sjednica odgodi za 15h, samo što to još nitko nije analitički utvrdio.

Ovo „možda“ bismo čak mogli objasniti time što ustaljenost, redovitost i tradicija daju unutarnje samopouzdanje što utječe na pozitivno rješavanje problema. Emocije nisu neutralne! Goran Ivanišević nije mogao egzaktno znati hoće li mu vezanje tenisica pomoći, ali on je vezivanjem tenisica smirivao onaj dio mozga koji najviše izaziva paniku ili tremu pred nepoznatim. Tko zna, možda ćemo uskoro doznati da je Ivica Kostelić od ove godine promijenio redoslijed stajanja na skije. Nepoznatim na nepoznato! Drugim riječima, pravilo – za koje čak i ne znamo odakle je došlo i što znači, može poboljšati kvalitetu rješavanja problema kroz utjecaj na neku našu sposobnost. Zbog toga će ljudi uvijek proizvoditi i selektirati nova pravila, a sam proces pretvaranja odluka u sustave pravila nikada neće biti dovršen. Radi se o evoluciji pravila tj. znanja koja se svakodnevno izlažu testovima realnosti. Kroz te testove nastavljamo koristiti funkcionalna i odbacujemo nefunkcionalna pravila.

Opisana nas ograničenja za sada udaljavaju od idealnog svijeta banaka bez bankara. Međutim ona nisu prepreka za traženje i pronalaženje poslovnih procesa i čvorišta odlučivanja u bankama u kojima se opisanom aplikativnom potporom mogu bitno unaprijediti kvalitete odluka i smanjiti rizici poslovanja. Vjerujemo da je prostor za primjenu umjetnu inteligencije u bankama tek otvoren.