Davor Runje i Hajdi Ćenan predstavili airtAI; bankama pomažu učiti o našim transakcijama

U orkestraciji domaćeg serijskog poduzetnika i IT stručnjaka Davora Runje te poduzetnice i marketinške stručnjakinje Hajdi Ćenan, nakon vHeart startupa koji se profilirao na londonskoj insurtech i healthtech sceni – stiže nam još jedan startup. Ovaj put smjer su financije, a svoju startup ideju objedinili su pod nazivom – airtAI. Njihovo rješenje namijenjeno je malim i srednjim bankama koje zanima primjena novih tehnologija poput umjetne inteligencije (AI) kako bi bolje upoznali svoje korisnike, a čime bi i bolje pripremali ponude i komunikaciju svojih proizvoda i usluga.

airtAI će takav uvid klijentima omogućiti uz pomoć obrade podataka. Svojim rješenjem procesiraju transakcije postojećih klijenata banaka i na osnovu njih predviđaju kako će klijenti raspolagati novcem u budućnosti. Primjerice, kolika je vjerojatnost da će korisnik kupiti gorivo na konkretnoj benzinskoj postaji ili kolika je vjerojatnost da će za vikend otići u shopping ili na izlet u prirodu. Kako ističu u najavi, na osnovi ovog temeljnog modela, izrađuju se modeli koji rješavaju konkretan poslovni problem, na primjer kolika je vjerojatnost da je klijentu potreban kredit ili prilika za ulaganje.

Kako airt prepoznaje želje i potrebe?

Tehnike dubokog učenja su u pozadini svih uspjeha umjetne inteligencije kojima smo svjedoci zadnjih nekoliko godina, objašnjava mi Hajdi koja je u airtu preuzela ulogu CEO-a. Te tehnike zahtijevaju velike količine podataka i veliku procesorsku snagu da ih se obradi – no za mnoge probleme u praksi, potrebna količina podataka je još najveći problem. Na primjer, nije velik problem pronaći milijune fotografija pasa i mačaka ili prijevode rečenica s engleskog na njemački jezik, ali jest problem naći podatke za rijetke objekte ili jezike, ističe.

Da bi se doskočilo tom problemu, moderni AI sustavi procesiraju velike količine podataka koje su dostupne, ali nisu direktno vezane uz problem koji se pokušava riješiti. Na primjer, ako želite napraviti sustav koji će prevoditi sa svahilija na hrvatski, prvo ćete trenirati sustav koristeći neprevedene tekstove na svahiliju i hrvatskom kojih ima puno, a tek u drugom koraku ćete trenirati prijevod na parovima rečenica na hrvatskom i svahiliju.

Istu metodologiju mi koristimo u bankarstvu: ogromne količine transakcija koristimo da bismo bolje razumjeli pojedinačne klijente i njihove navike, a nakon toga rješavamo konkretne poslovne probleme, od plasmana odgovarajućeg kredita do prevara na karticama. Na primjer, ako naglo skoči vaša potrošnja u DM-u i baby centru, a računi za režiju su relativno mali, to je dobar signal da vam je potreban stambeni kredit jer ste dobili prinovu u obitelji.

Takvih primjera ima jako puno, dodaje Hajdi, a glavna komparativna prednost njihovog sustava jest da im sam otkriva takve pravilnosti bez da ih oni eksplicitno specificiraju. To u praksi znači da sustav koji su izgradili na jednom tržištu mogu brzo i jednostavno prilagoditi bilo kojem drugom tržištu, bez obzira koliko se ona razlikuju.

Procesiranje podataka jednog bankovnog korisnika

Što se tehničke strane tiče, Hajdi objašnjava kako sustav trenutno podržava skaliranje na klastere do cca. 1000 CPU jezgri i 100 GPU-a odnosno imaju hardversku moć data centra s više desetaka fizičkih procesora. Skaliranje na klasteru je strahovito ubrzalo proces pripreme podataka za treniranje s početnih 100 sati na 1 sat za milijardu transakcija koristeći 128 jezgri.

U kontekstu toga zanimalo me i koliko bi u prosjeku trajalo procesiranje podataka jednog korisnika koji ima račun u banci već 20 godina.

Prosječan klijent ima otprilike 200 transakcija godišnje, tj. 1000 u zadnjih pet godina. Ako imate banku veličine 1.000.000 klijenata, to je otprilike 1 milijarda transakcija. Koristeći klaster sa 128 CPU jezgri, priprema podataka traje otprilike sat vremena, a trening i hipervalidacija modela na 8 GPU-a otprilike 20 sati. Podaci stariji od pet godina su često bitno lošije kvalitete i obično ih ne uzimamo u obzir.

Ako se pak pitate što je sa zaštitom osobnih podataka i GDPR-om, banke privolu od svojih korisnika za obradu takvih podataka već imaju, a s čim airt ima malo veze. Iako poboljšavaju komunikaciju prema krajnjim korisnicima, oni ne mijenjaju postojeći način komunikacije banke prema njima, odnosno njihovo rješenje nije u direktnom kontaktu s korisnikom.

Budućnost bankarstva je u novim tehnologijama

Svoj prvi model airt je stavio u produkciju još 2018. godine kada su pokrenuli suradnju s jednom bankom i jednom kartičarskom kućom, objašnjava Hajdi:

U tih godinu i pol kontinuirano smo testirali i unaprjeđivali modele i danas smo spremni ponuditi skalabilno rješenje za nekoliko bankarskih problema koje se dokazalo u praksi. Iskustva banaka su odlična jer mjerljivo mogu povećati prihode ili smanjiti troškove, ali također i iskustva krajnjih korisnika kojima banka postaje partner koji prati njihove potrebe i nudi im konkretna rješenja u trenutku kad su im najpotrebnija. Mogućnost personalizirane komunikacije, koju prije svega omogućavaju digitalni kanali u kombinaciji s ovako naprednim analitičkim sustavima, budućnost je bankarstva.

Ususret toj budućnosti ovakvo financijsko rješenje čini se kao dobar potez. Taman smo na pola godine od stupanja PSD2 regulative na snagu, a koja je otvorila bankarske podatke trećim stranama. Što znači da se za korisnike i njihovo bolje iskustvo trenutno ne bore samo banke međusobno, već i s nizom drugih, agilnijih aktera kao što su financijski startupi i bigtech koji ulaze na njihov dosad prilično zaštićen teritorij. Trenutno, s obzirom na to –banke su u nezavidnoj poziciji. Žele li zadržati svoj status i mjesto, moraju pod hitno početi bolje koristiti podatke koje već imaju te početi primjenjivati nove tehnologije.

Naravno, to nije jednostavno kako zvuči – banke kao korporacije ograničava spor proces implementacije takvih rješenja, a s druge strane AI stručnjaka nema dovoljno i najčešće su jako skupi, napominje Hajdi. Upravo tu u igru dolaze startupi poput airta ili primjerice Woriga, a koji služe kao svojevrstan most između brzopromjenjivog svijeta tehnologije i velikih, sporih sustava poput bankarskih.

AI rješenje u manje od nekoliko tjedana

airtAI je svoje rješenje za banke izgradio na najnovijim tehnikama dubokog učenja koji su razvijeni za razumijevanje jezika, ali su prilagođeni za procesiranje bankarskih podataka. Većinom je na rješenju radio sam Davor Runje, kao CTO airta, a pomagao mu je njihov senior data scientist Frane Kačić Peko. Poseban izazov bio im je savladati (pred)procesiranje povijesnih podataka – jedan od najvećih problema u primjeni AI rješenja općenito, ističe Hajdi.

airt specificira točnu vrstu i format podataka koje je potrebno učitati u rješenje koje se može instalirati i pokrenuti u sâmom data centru banke (nije potrebno spajanje na vanjsku mrežu), kako bi se pokrenulo treniranje modela te dobio željeni output. Cijeli proces se može odviti u tjednima, za razliku od mjeseci (ili čak godina) koliko trenutno traju implementacije AI rješenja.

airtAI trenutno proof-of-concept implementacije odrađuje u 3 mjeseca, a cilj im je automatizacijom procesa smanjiti to vrijeme na tjedan dana.

Priprema ljudskih i hardverskih resursa

Kako vidimo, implementacija AI rješenja zahtijeva vremena, ali i različite preduvjete, od kojih su definitivno najvažniji hardverski i ljudski resursi. Veće banke si mogu priuštiti ili zapošljavanje velike količine AI stručnjaka i izradu vlastitih rješenja in-house, ili angažiranje velikih (konzultantskih) firmi da izrade custom-made rješenja za njih. Manje i srednje banke nemaju taj luksuz, priča mi Hajdi, pa iako mnoge pokušavaju nešto interno odraditi, većina nije zadovoljna razinom kvalitete i sofisticiranosti razvijenih rješenja, i posljedično, rezultatima koje dobiju njihovom implementacijom.

Upravo zato su se i u airtu fokusirali na banke koje imaju do 10 milijuna klijenata, a kojima bi rješenje poput airtovog značajno olakšalo primjenu novih tehnologija u poslovanju.

S obzirom na nekolicine data centara i korištenje njihove računalne snage u oblaku, treniranje modela on premises je nesvakidašnji pristup, ali u slučaju banaka prilično logičan i potreban korak iz sigurnosnih razloga. Za treniranje u samoj banci, klijenti na raspolaganju moraju imati određenu hardversku i softversku konfiguraciju ali, za slučaj da već nemaju dovoljno dobru opremu, tu se ne radi o prevelikoj investiciji, ističe Hajdi, govorimo o ulaganju od cca 10k eura što za banke zaista nije veliki iznos.

Što se tiče osoba s njihove strane koje su potrebne u procesu, govorimo o data scientistu koji može odraditi eksport i formatiranje podataka prema našim specifikacijama te ih kasnije uploadati u naš docker image, a za koji je potrebna osoba iz IT-a koja ga može instalirati u data centru banke.

Osvještavanjem o umjetnoj inteligenciji do prvih prilika

airt je u samo dvije godine suradnje i razvoja uspio doći do trenutka kada klijentima može ponuditi skalabilno rješenje za nekoliko vrsta problema. S druge strane, ironično, s obzirom na to da je njihova najveća investicija u izradi rješenja bilo – vrijeme, njihova daljnja nadogradnja i održavanje rješenja ne zahtijeva velike kapitalne investicije – mogu ga ponuditi po znatno prihvatljivi(ji)m uvjetima, dodaje Hajdi.

Dapače, za one skeptične klijente smo čak spremni i na podjelu rizika – rješenje mogu dobiti potpuno besplatno, a mi se naplaćujemo samo od provizije nastale kroz povećane prihode.

A kako znamo, banke jesu veoma tradicionalna poslovanja, spora u promjenama, a još sporija u primjeni najnovijih tehnologija. Takav klijent je uvijek izazov bez obzira na industriju, a nije ni airtu bilo lako dobiti prvu priliku. Međutim, objašnjava Hajdi, kad do nje i dođe, dalje je sve na vama i na vašim rezultatima.

Srećom, naši rezultati su nam otvorili nove prilike i danas je puno lakše nego što je to bilo 2017. kad smo pokrenuli razgovore o prvim pilotima u bankama. Osim primjene u financijskoj industriji, u ove zadnje tri godine koliko se bavimo umjetnom inteligencijom, stvaranjem AI communityja i osvještavanjem javnosti o njoj, vidimo pomake u shvaćanju potrebe za njenom implementacijom. I u svakoj kompaniji postaje sve lakše pronaći osobe koje to isto rade i interno, ali naravno, lociranje prave osobe može potrajati.