CC BY
1удк 336.71:004.89
doi: 10.47576/2949-1886.2024.5.5.004
Пальмов С. В.,
кандидат технических наук, доцент кафедры информационных систем и технологий, Поволжский государственный университет телекоммуникаций и информатики; доцент кафедры информатики и вычислительной техники, Самарский государственный технический университет, Самара, Россия, [email protected]
Варлухин В. В.,
студент, Поволжский государственный университет телекоммуникаций и информатики, Самара, Россия, [email protected]
Сочеева М. Е.,
студент, Поволжский государственный университет телекоммуникаций и информатики, Самара, Россия, [email protected]
использование технологий
искусственного интеллекта на финансовом рынке россии: текущая ситуация и перспективы
В статье рассматривается вопрос использования технологий искусственного интеллекта на финансовом рынке, приводятся примеры применения подобных решений, а также положительные эффекты от их использования. Освещаются основные проблемы, с которыми сталкиваются финансовые организации при внедрении программных продуктов с искусственным интеллектом. Установлено, что уникальной тенденцией развития искусственного интеллекта в России является импортозаме-щение. Несмотря на такие проблемы, как нехватка достаточного количества квалифицированных специалистов, длительные сроки проектов по внедрению решений с применением методов искусственного интеллекта, а также возможные утечки и последующую компрометацию данных, подобные программные продукты широко применяются на финансовом рынке, компании инвестируют в их развитие существенные средства, получая ожидаемые результаты от их использования.
Ключевые слова: искусственный интеллект; финансовый рынок; тренды развития искусственного интеллекта; проблемы внедрения искусственного интеллекта; эффект от искусственного интеллекта.
Palmov S. V.,
Ph.D., Associate Professor of the Department of Information Systems and Technologies, Povolzhskiy State University of Telecommunications and Informatics; Associate Professor of the Department of Computer Science and Computing Technology, Samara State Technical University, Samara, Russia, s.palmov@psuti. ru
Varlukhin V. V.,
Student, Povolzhskiy State University of Telecommunications and Informatics, Samara, Russia, [email protected]
Sochieva M. E.,
Student, Povolzhskiy State University of Telecommunications and Informatics, Samara, Russia, [email protected]
the application of artificial intelligence technologies in the financial market of the russian federation: current state and future prospects
This paper examines the application of artificial intelligence (AI) technologies in the financial market, providing examples of their deployment and highlighting the positive outcomes of their utilization. Additionally, the primary challenges faced by financial institutions during the implementation of Al-based software solutions are identified. The analysis of key trends reveals that the only distinctive trend in AI development within the Russian Federation is the emphasis on import substitution. Despite issues such as a shortage of qualified specialists, the long-term nature of AI implementation projects, and the potential risks of data breaches and subsequent compromises, Al-driven software solutions are widely adopted in the financial market. Companies continue to invest substantial resources into their development, achieving the anticipated benefits from their use.
Keywords: artificial intelligence; financial market; trends in AI development; problems of AI implementation; the effect of AI.
На сегодняшний день в самых разнообразных отраслях деятельности человека можно заметить применение технологий искусственного интеллекта (ИИ). Их развитие и интеграция в бизнес-процессы большого количества современных компаний порождает вопросы как у тех, кто уже столкнулся с ИИ, так и у тех, кому это только предстоит сделать. Целью данной работы является освещение использования ИИ-технологий на финансовом рынке Российской Федерации. Важно понять, какие именно задачи решаются с применением методов ИИ уже сейчас, а также, как данные технологии могут помочь при их развитии в будущем.
С учетом широты области знаний, на который опирается направление ИИ, достаточно сложно дать ему четкое, всеобъемлющее определение. В контексте данной работы примем ИИ как «комплекс технологических решений, позволяющий имитировать когнитивные функции человека и при выполнении конкретных задач получать результаты, сопоставимые с результатами его интеллектуальной деятельности» [1, с. 4]. Согласно данным исследования АФТ, к 2023 году пять крупнейших банков РФ инвестировали в ИИ-технологии порядка 80 млрд руб., а рынок «искусственного интеллекта» в 2022 г. оценивался в 647 млрд руб. [2].
Алгоритмы ИИ помогают в решении разнообразных задач: от определения платежеспособности заемщика до анализа и выявления мошеннических действий. Например, скоринг клиентов, реализованный с указанных инструментов, позволяет существенно сократить срок ответа на заявки по кредитным продуктам: с двух-трех недель до семи минут. Голосовые помощники и чат-боты позволяют оптимизировать обработку
входящих обращений клиентов: в «Т-Банке» клиенты начали получать ответы на вопросы в среднем на сорок секунд быстрее, что позволяет экономить более 30 млн руб./мес. Методы ИИ помогают прогнозировать загруженность банкоматов и снижает затраты на инкассацию. Также существенно ускоряется обработка документов: за две секунды обрабатывается более 70 реквизитов со сканов и фотографий.
Относительно новым направлением можно считать анализ эмоций клиентов. Над развитием «эмоциональных нейросетей» активно работают в ИТ-подразделениях банков «Альфа-банк» и «Открытие». Подобные разработки позволят оценить удовлетворенность клиентов теми или иными продуктами или услугами без использования опросов.
Другой областью является повышение уровня персонализации в предложениях финансовых организаций. «Сбербанк» и «Промсвязьбанк» активно работают над тем, чтобы предлагать своим клиентам именно то, что им нужно, повышая, таким образом, конверсию продаж [3].
Также интеллектуальные алгоритмы способны помогать в решении вопросов, касающихся развития бизнеса. «Росбанк» и «Альфа-банк» используют технологию «location intelligence», чтобы проанализировать данных о работе подразделений и выявить наиболее подходящие места для открытия новых филиалов [3; 4]. В банке «Открытие» математическое моделирование помогает оптимизировать подбор времени работы каждого сотрудника, занимающегося продажами [5]. Все перечисленные выше технологии базируются на методах ИИ, представленных в табл. 1.
Направление (технология) Использование
Компьютерное зрение Распознавание символов, изображений, видеопотока, биометрии, эмоций, генерация изображений, детекция и классификация объектов
Обработка речи Расписывание речи, личности, поиск, разметка и извлечение информации, синтез речи, анализ тональности, эмоций
Обработка текста Поиск и извлечение информации, диалоговые системы, анализ смысла, тональности, генерация текста и кода, машинный перевод
Анализ данных Предиктивная аналитика, поддержка принятия решений, рекомендательные системы, системы планирования, управление знаниями
Интеллектуальная роботизация Системы принятия решений, планирования действий робота, RPA, боты, интеллектуальные системы управления, сервисная робототехника
На рис. 1 представлено процентное соот- Согласно ряду исследований АФТ, самы-ношение применения вышеуказанных тех- ми популярными решениями на базе мето-нологий среди респондентов исследования дов ИИ являются деревья решений и свер-
АФТ.
точные нейронные сети, которые применятся
Рисунок 1 - Внедренные технологии на базе методов искусственного интеллекта
индустриальная экономика
№ 5, 2024
31
у 84 % и 63 % респондентов соответственно, а наименьшей популярностью обладают генеративно-состязательные сети и мультиа-гентные системы - по 5 %. Полный перечень представлен на рис. 1, а список технологий, которые респонденты планировали внедрить до конца 2023 г. - на рис. 3 [1, с. 18-19].
Дерево решений - это алгоритм машинного обучения, извлекающий знания из данных, которые представляются в виде иерархической структуры (математической модели), пригодной для решения задачи классификации или регрессии. Древо решений выдачи кредита представлено на рис. 2 [6].
Рисунок 2 - Дерево решений выдачи кредита
Данный алгоритм может быть использован системой поддержки принятия решений, которая, проанализировав необходимую информацию, позволит обработать большое количество заявок и предоставить сотруднику банка рекомендацию относительно выбора наиболее надежных заемщиков.
Сверточные нейронные сети представляют собой специализированный тип глубоких (многослойных) нейросетвых матмоделей, предназначенный для обработки данных с «сетчатой» структурой. Она использует сверточные слои для автоматического извлечения признаков и так называемые «пу-линг-слои» для уменьшения размерности данных. Алгоритмы данного типа можно использовать для анализа настроений на рын-
ке ценных бумаг и оценки рисков при формировании инвестиционных портфелей [7; 8].
Из рис. 3 видно, что наиболее популярными технологиями на базе методов искусственного интеллекта являются генеративные предобученные трансформеры ^РТ) и графовые нейронные сети - 47 и 37 % соответственно. Особенно интересно существенное повышение интереса к генеративным состязательным сетям: 22 % компаний планировали их внедрить до конца 2023 года, хотя до этого данная технология применялась лишь у 5 % компаний-респондентов.
Согласно исследованиям ученых из Чикагского университета, большие языковые модели, например, GPT-4, находятся на одном уровне со специальными моделями
Рисунок 3 - Технологии, внедрение которых планировалось
машинного обучения по точности анализа и прогнозирования финансовых показателей различных компаний, а в ряде случаев, генеративные трансформеры превзошли и действующих финансовых аналитиков [9]. Так, GPT-модели можно использовать не только для обучения чат-ботов, но также применять для упрощения работы аналити-
ческих отделов при проведении финансовых анализов.
Графовые нейронные сети, в свою очередь, это вид нейронных сетей, способный обрабатывать графовые данные. В рамках финансового рынка графовые данные имеют достаточно широкое распространение. Например, с помощью графовых алгоритмов
Рисунок 4 - Обобщенный алгоритм работы GANs
можно выявлять мошеннические транзакции [10].
Генеративно-состоязательные сети
^А№) представляют собой тандем из двух типов нейронных сетей, обучающихся параллельно. Задача первой из них (генератора) -создавать текстовые данные или изображения, а второй (дискримианатора) - отличать настоящие данные от созданных генератором «подделок» [11]. Обобщенный алгоритм
Представленный в таблице набор положительных эффектов в полной мере способствует росту и развитию компаний. Ожидаемый эффект от использования технологий на базе методов ИИ, обозначенный респондентами исследования Ассоциации развития финансовых инновационных технологий, представлен на рис. 5 [1, с. 33].
Приведенная тепловая карта наглядно иллюстрирует высокую заинтересованность представителей финансового рынка в использовании методов анализа данных для повышения эффективности бизнес-процессов (17 %), а также в применении речевых технологий (14 %). Наименьший эффект увеличения дохода от работы с текстом, речевых технологий, компьютерного зрения, равно как и роста бизнеса и улучшения взаимодействия между бизнес-подразделениями благодаря использованию интеллектуальной роботизации - по 1 %.
На текущий момент ИИ-технологии активно развиваются и внедряются в деятельности банков. Согласно исследованию АФТ, главными препятствиями являются нехватка квалифицированных специалистов, длительные сроки реализации проектов, сложность в получении необходимых данных для обучения математических моделей, а также риски, связанные с утечкой персональной информации [1, с. 36]. Особенное внимание стоит обратить на две последних проблемы.
работы генеративных состязательных сетей представлен на рисунке 4 [12].
Состязательные нейронные сети также можно использовать для выявления мошеннических операций, решения некоторых задач в рамках инвестиционного прогнозирования [11].
Грамотное применение систем с элементами ИИ порождает различные положительные эффекты для бизнеса [1, с. 32]. Можно выделить три группы подобных эффектов (табл. 2).
Главным технологическим драйвером в развитии методов ИИ являются «Large Language Models» (LLM) - модели глубокого обучения с большим количеством параметров, обученные на текстовых данных. Разработка подобных моделей требует существенных технических и финансовых средств, которыми располагают только крупные представители финансового рынка. Примерами отечественных LLM могут послужить «Neonka» (18 млн. параметров), «ruGPT» (13 млн. параметров), «Fred-T5» (1,7 млн. параметров), принадлежащие «Сберу», а также «YandexGPT» (примерно 100 млн параметров) от компании «Яндекс» [12-15]. Из-за возможности разрабатывать LLM конкурентоспособность крупных игроков финансового рынка существенно увеличиваются.
Риск утечки и компрометации данных из-за использования ИИ-технологий был обозначен в качестве проблемы, требующей внимания, Центральным банком РФ [16; 17]. Существуют два способа решения данной проблемы: повышение безопасности моделей в контексте предотвращения утечек и законодательное регулирование.
Главные тренды развития методов ИИ в РФ совпадают с мировыми, за исключением тренда на импортозамещение. Описание основных трендов представлено в табл. 3 [1, с. 53-55].
Таблица 2 - Положительные эффекты от использования технологий искусственного интеллекта
Группы положительных эффектов Положительные эффекты
Рост бизнеса Создание новых продуктов и бизнес-моделей, увеличение доходов
Расширение возможностей Улучшение клиентского опыта, предсказание потребностей клиентов, повышение узнаваемости бренда компании, получение дополнительной информации для принятия решений, совершенствование HR-процессов
Повышение эффективности Снижение расходов, совершенствование процессов принятия решений, повышение эффективности бизнес-процессов, повышение скорости принятия решения, улучшения взаимодействия между подразделениями компании
Рисунок 5 - Тепловая карта внедрения кейсов с искусственным интеллектом в разрезе функций и ожидаемых эффектов
Таблица 3 - Тренды развития искусственного интеллекта
Тренд Описание
Демократизация ИИ Удешевление и повышение доступности к ИИ-технологиям
Слияние интернета вещей (1оТ) и инструментов ИИ Сбор данных с помощью смарт-устройств и последующего анализа с помощью интеллектуальных технологий
Развитие креативности моделей ИИ Развитие возможностей генерации новых и оригинальных идей, решений, произведений
Кибербезопасность в области ИИ Использование методов ИИ для поиска уязвимостей и предотвращения киберугроз
Импортозамещение технологий ИИ Процесс замены зарубежных программных продуктов и аппаратного обеспечения на отечественные аналоги, а также разработки «дружественных страх»
С учетом представленных трендов и тенденций роста «интеллектуального» рынка, можно предположить, что в дальнейшим ис-
пользование ИИ-технологий в финансовой сфере лишь увеличится в следствии их удешевления, повышения уровня безопасности
и новых возможностей благодаря слиянию с IoT.
Таким образом, в настоящее время методы ИИ активно применяются различными участниками финансового рынка России. «Умные» инструменты способны оптимизировать различные процессы и принести выгоду компании в зависимости от выбранных решений и технологий. Главными проблемами внедрения технологий на основе алгоритмов ИИ является недостаток специалистов, длительность проектов, нехватка данных, сложность обучения LLM и проблема безопасности данных. Главные тренды развития направления ИИ в РФ в целом совпадают с мировыми.
Список источников
1. Исследование АФТ «Применение технологий искусственного интеллекта на финансовом рынке», расширенная версия». URL: https://www.fintechru. org/analytics/issledovanie-aft-primenenie-tekhnologiy-iskusstvennogo-intellekta-na-finansovom-rynke-rasshirennaya-/?sphrase_id=7020 (дата обращения: 22.09.2024).
2. Альманах «Искусственный интеллект: индекс 2022 года» №12. URL: https://aireport.ru/ai_index_ russia-2022 (дата обращения: 22.09.2024).
3. Статья РБК: «Искусственный интеллект в финансах: как банки используют нейросети». URL: https:// trends. rbc. ru/trends/industry/61 e924349a7947761 b46f2d8 (дата обращения: 28.09.2024).
4. Статья Marketing logic: «Росбанк начал использование искусственного интеллекта для управления сетью». URL: https://marketing-logic.ru/news/7 (дата обращения: 28.09.2024).
5. Статья Aim digital: «Банковские технологии и тренды мобильного банкинга 2023». URL: https://www. in-aim.ru/blog/bankovskie-tekhnologii-i-trendy-mobilnogo-bankinga-2023-/ (дата обращения: 28.09.2024).
6. Статья Yandex Practicum «Для чего начинающим аналитикам нужны деревья решений». URL: https:// practicum.yandex.ru/blog/chto-takoe-derevo-reshenii-kak-ego-postroit/#chto-takoe (дата обращения: 11.10.2024).
7. Статья Habr «Наглядно о том, как работает сверточная нейронная сеть». URL: https://habr.com/ru/ companies/skillfactory/articles/565232/ (дата обращения: 11.10.2024).
8. Статья Habr: «FRED-T5. Новая SOTA модель для русского языка от SberDevices». URL: https://habr.com/ ru/companies/sberdevices/articles/730088/ (дата обращения: 28.09.2024).
9. Kim, Alex G. and Muhn, Maximilian and Nikolaev, Valeri V., Financial Statement Analysis with Large Language Models (May 20, 2024). Chicago Booth Research Paper, Fama-Miller Working Paper. URL: https://papers.ssrn.com/ sol3/papers.cfm?abstract_id=4835311 (дата обращения: 28.09.2024).
10. Яковенко E. С., Сушков В. М., Леонов П. Ю. Решение графовых классификационных задач как ин-
струмент обнаружения мошеннических банковских транзакций // Информатизация в цифровой экономике. 2024. Т. 5. № 2. С. 231-244. URL: https://1economic.ru/ lib/121050 (дата обращения: 11.10.2024).
11. Статья FasterCapital: «Генераторно-состяза-тельные сети и инвестиционное прогнозирование: как создавать синтетические данные и изображения». URL: https://fastercapital.com/ru/content/Генераторно-состязательные-сети-и-инвестиционное-прогнозирование--как-создавать-синтетические-данные-и-изображения.Мт! (дата обращения: 11.10.2024).
12. Статья Otus: «Несколько слов про генеративные состязательные сети». URL: https://otus.ru/nest/ post/156/ (дата обращения: 11.10.2024).
13. Статья Habr: «Все, что нам нужно - это генерация». URL: https://habr.com/ru/companies/sberdevices/ articles/550056/ (дата обращения: 28.09.2024).
14. Статья Habr: «Это не чат, это GigaChat. Русскоязычная ChatGPT от Сбера». URL: https://habr.com/ru/ companies/sberbank/articles/730108/ (дата обращения: 28.09.2024).
15. Статья «YandeGPT 3. Новое поколение генеративных текстовых нейросетей». URL: https://ya.ru/ai/ gpt-3 (дата обращения: 28.09.2024).
16. Статья «Tadviser»: «Искусственный интеллект». URL: https://www.tadviser.ru/index.php/ Статья:Искусственный_интеллект_в_банках (дата обращения: 28.09.2024).
17. Докладе ЦБ РФ: «Применение искусственного интеллекта на финансовом рынке». URL: https:// cbr.ru/Content/Document/File/156061/Consultation_ Paper_03112023.pdf (дата обращения: 11.10.2024).
References
1. AFT research "Application of artificial intelligence technologies in the financial market", extended version". URL: https://www.fintechru.org/analytics/issledovanie-aft-primenenie-tekhnologiy-iskusstvennogo-intellekta-na-finansovom-rynke-rasshirennaya-/?sphrasejd=7020 (accessed: 09/22/2024).
2. Almanac "Artificial intelligence: index 2022" No. 12. URL: https://aireport.ru/ai_index_russia-2022 (date of application: 09/22/2024).
3. RBC article: "Artificial intelligence in finance: how banks use neural networks." URL: https://trends.rbc.ru/ trends/industry/61e924349a7947761b46f2d8 (accessed: 09/28/2024).
4. Marketing logic article: "Rosbank has started using artificial intelligence to manage the network." URL: https:// marketing-logic.ru/news/7 (accessed: 09/28/2024).
5. Aim digital article: "Banking technologies and mobile Banking trends 2023". URL: https://www.in-aim. ru/blog/bankovskie-tekhnologii-i-trendy-mobilnogo-bankinga-2023 (date of access: 09/28/2024).
6. Yandex Practicum article "Why novice analysts need decision trees." URL: https://practicum.yandex.ru/blog/ chto-takoe-derevo-reshenii-kak-ego-postroit/#chto-takoe (date of application: 11.10.2024).
7. Habr article "Visually on how a convolutional neural network works". URL: https://habr.com/ru/companies/ skillfactory/articles/565232 / (date of request: 11.10.2024).
8. Habr article: "FRED-T5. The new SOTA model for the Russian language from SberDevices". URL: https://habr.
36 научно-практический журнал
com/ru/companies/sberdevices/articles/730088 / (date of access: 09/28/2024).
9. Kim, Alex G. and Muhn, Maximilian and Nikolaev, Valeri V., Financial Statement Analysis with Large Language Models (May 20, 2024). Chicago Booth Research Paper, Fama-Miller Working Paper. URL: https://papers.ssrn.com/ sol3/papers.cfm?abstract_id=4835311 (date of reference: 09/28/2024).
10. Yakovenko E. S., Sushkov V. M., Leonov P. Yu. Solving graph classification problems as a tool for detecting fraudulent bank transactions. Informatization in the digital economy. 2024. Vol. 5. No. 2. pp. 231-244. URL: https://1economic.ru/lib/121050 (date of application: 11.10.2024).
11. FasterCapital article: "Generator-competitive networks and investment forecasting: how to create synthetic data and images." URL: https://fastercapital. com/ru/content/reHepaTopHO-cocTH3aTenbHbie-ceTM-M-MHBecTMqM0HH0e-np0rH03Mp0BaHMe--KaK-c03flaBaTb-CMHTeTMHecKMe-flaHHbie-M-M3o6paweHMfl.html (date of request: 11.10.2024).
12. Otus article: "A few words about generative adversarial networks." URL: https://otus.ru/nest/post/156 / (date of request: 11.10.2024).
13. H abr article: "All we need is generation." URL: https:// habr.com/ru/companies/sberdevices/articles/550056 / (date of access: 09/28/2024).
14. Habr article: "This is not a chat, this is GigaChat. Russian-language ChatGPT from the Savings Bank." URL: https://habr.com/ru/companies/sberbank/articles/730108 (date of access: 09/28/2024).
15. Article "YandeGPT 3. A new generation of generative text neural networks". URL: https://ya.ru/ai/gpt-3 (date of application: 09/28/2024).
16. The article "Tadviser": "Artificial intelligence". URL: https://www.tadviser.ru/index.php/CTaTba:Artificial intelligence in Banks (date of issue: 09/28/2024).
17. The report of the Central Bank of the Russian Federation: "The use of artificial intelligence in the financial market." URL: https://cbr.ru/Content/Document/ File/156061/Consultation_Paper_03112023.pdf (date of application: 11.10.2024).
