L’Intelligenza Artificiale nella Finanza: ritorno al futuro

Le infinite potenzialità ed applicazioni delle macchine intelligenti

L’Intelligenza Artificiale nella Finanza: ritorno al futuro

L’Intelligenza Artificiale nella Finanza: ritorno al futuro 1425 815 Finanza Café

“Sometimes for a fresh new start, we have to forget, sometimes to remember”. Qualche volta per andare avanti si è costretti a ripartire da un foglio bianco. Altre volte è necessario recuperare gli insegnamenti del passato e dargli nuova vita in un tempo che può davvero comprenderli e valorizzarli.
Ad oltre 60 anni dalla sua nascita teorica, l’Intelligenza Artificiale rappresenta la spinta all’evoluzione delle macchine, tornando a recuperare gli insegnamenti più profondi della mente umana.
La Finanza ne comincia a far uso nella sua versione “debole”, ovvero costruendo algoritmi che simulano il ragionamento umano in contesti specifici, per decisioni più veloci ed efficienti.


Tempo di lettura stimato: 7 minuti

Pillola di storia

L’intelligenza Artificiale (o Artificial Intelligence – AI), nasce storicamente nel 1956, quando il matematico McCarthy insieme ad altri studiosi, durante un convegno nel New Hampshire (USA), usò per la prima volta il termine e profetizzò che nell’arco di 10 anni, le macchine sarebbero state in grado di dimostrare teoremi matematici, battere un campione di scacchi, spiegare i comportamenti umani.
Il cervello umano funziona grazie a degli stimoli che vengono interpretati con un ragionamento, il quale genera dei comportamenti.
Secondo una definizione coerente, l’intelligenza artificiale è una disciplina scientifica ed ingegneristica che si occupa di realizzare macchine pensanti, ovvero macchine/programmi capaci di risolvere in modo del tutto autonomo problemi di diversa natura attraverso il ragionamento, prerogativa esclusiva del cervello.

Ad oggi solo uno degli obiettivi dichiarati nel ’56 da McCarthy è stato raggiunto: nel 1996 la macchina Deep Blue prodotta da IBM ha battuto il campione di scacchi Gasparov.

Dal 1956 ad oggi, gli studi sulle applicazioni dell’Intelligenza Artificiale non si sono mai fermati, andando ad abbracciare vari settori di business.
Oggi è possibile affermare che, soluzioni di AI cosiddette “deboli” sono in grado di garantire performance superiori a quelle sviluppabili dall’uomo, soprattutto in termini di efficienza, mentre non si registrano ancora successi nella replica delle capacità cognitive dell’uomo (Intelligenza Artificiale Forte). La macchina non è quindi ancora in grado di fornire soluzioni varie e complesse, di fronte a scenari che cambiano per via di regole non conosciute e dettate dalle emozioni.

I macro trend della finanza del futuro

Finanza Café si è occupata, già in diverse occasioni, della relazione tra Banche/Fintech/centralità del cliente, e man mano che passa il tempo si registra una sempre più stretta relazione tra le tre componenti che insieme contribuiscono a dare propulsione alla finanza tecnologica (per completezza si vedano gli articoli di Finanza Café su BlockchainOpen Banking, Cybersecurity).
La crisi finanziaria del 2008, non ci ha portato solo più consapevolezza nel gestire la finanza e più regole per arginarne la spregiudicatezza, ma anche nuove vie da percorrere che grazie al Fintech la stanno cambiando per sempre.

Prima di investigare più specificatamente le possibilità offerta dall’AI al mondo Finance, è utile inquadrarla all’interno di tutti i macro trend che guideranno il settore nei prossimi anni e che attrarranno i maggiori investimenti.

Le applicazioni di Intelligenza Artificiale nel mondo del finance e delle assicurazioni

Conducendo uno studio approfondito sulle varie applicazioni di AI, anche nella sua declinazione semplificata di Machine Learning, è interessante scoprire come queste abbiamo già fatto la loro apparizione anche nella relazione che l’industria ha instaurato con il cliente. Mentre nell’area B2B, ovvero nella relazione tra imprese (Business to Business), già nei primi anni 80 si sono registrati i primi successi (ad esempio nell’area della gestione ordini), nell’area B2C l’apparizione è più recente.
Quest’ultima è figlia sia dello sviluppo tecnologico e ricerca in AI, sia della confidenza che le persone hanno verso la tecnologia in generale (ne sono un esempio i primi assistenti virtuali, i Bot).

Di seguito sono descritte alcune delle principali applicazioni ad oggi in uso.

1. Consulente Finanziario Digitale

Si tratta di Assistenti Digitali o Coach usati dalle compagne assicurative, società finanziarie e banche che svolgono la funzione di aiutare l’utente a muoversi nel complicato universo normativo e di mercato del mondo finanziario. Tecnicamente sono transactional Bot, ovvero software che, navigando in rete, mettono in relazione i dati raccolti nella relazione con il cliente con i dati di mercato per fornire, con le giuste tempistiche, i giusti consigli all’utente. Un esempio, può essere una polizza assicurativa che scade, una diminuzione dei tassi su prestiti, o nuovi prodotti finanziari per investire sulla liquidità e mettere tutti questi dati in relazione in funzione del bisogni del cliente. Si può interagire con il consulente digitale, in rete,  tramite tastiera, o grazie ai processi di riconoscimento vocale anche parlandovi.
Provate ad immaginare prodotti quali Google Assistant, Bixby e Siri, specializzati nel Finance, che conoscono la vostra relazione cliente con l’istituto finanziario e vi rispondono e consigliano sulla base di quelle informazioni.
Il consulente digitale è l’utilizzo più diffuso di AI e spesso ha un nome di donna.

2. Chatbot con funzioni di ricerca e visualizzazione

Questi tipi di Chatbot, sono utilizzati per aiutare gli utenti a visualizzare i contenuti di un determinato sito senza dover navigare nel sito stesso, ma semplicemente richiedendo l’output desiderato.
Questa tipologia di strumento è particolarmente utile quando il cliente di una banca ha ad esempio un rapporto di tipo multi-prodotto ed ha bisogno di rappresentare/visualizzare la sua situazione finanziaria in modo semplice, veloce ed automatico, magari compiendo semplici operazioni di somma tra i saldi, o richiede rendimenti per tipologie di investimenti. “Erika, per favore mi dici quanto ha guadagno il titolo Eni nel periodo gennaio – marzo 2019?”

3. Profilazione del rischio cliente e sistemi di valutazione

In questo ambito ci si aspettano grandi progressi dall’IA.
Innanzitutto un’analisi più accurata del dato porterà ad una migliore profilazione del rischio cliente. Ciò consentirà, in seconda istanza, di individuare gli strumenti più adatti per soddisfarne le esigenze e, da ultimo, un miglioramento della redditività relativa.
Intelligenza Artificiale + Big data + Open banking, compieranno la vera rivoluzione, abbassando il livello dei Non Performing Loans facilitando, allo stesso tempo, la circolazione della liquidità, con un maggior livello di confidenza.
In altre parole, meno perdite per il sistema, meno costi per l’utilizzatore.

L’intervento dell’Intelligenza Artificiale non si ferma alla valutazione del cliente, prenditore del prestito, ma può essere utilizzato anche per coloro che devono investire in liquidità. Tramite AI si possono dipingere scenari di rischio, in base alla decisione di spesa, al proprio profilo di rischio, al momento di mercato, con una velocità prima impensabile. Il profilo di rischio cauto o aggressivo, tipicamente emozioni umane, possono essere tradotte statisticamente seguendo l’analisi di comportamenti affini sul mercato da parte di coloro che si sono definiti tali, relazionarlo con determinate situazioni esterne, quindi simulare la scelta al verificarsi di situazioni simili.

4. Automazione del processo di contestazione eventi (Claims Automated Process)

L’uso dei Bot di tipo transazionale, come nel caso del consulente digitale, è considerato il presente e futuro della relazione tra cliente ed assicurazione, per ciò che concerne il miglioramento dell’esperienza “denuncia del danno-risarcimento”.
Con il miglioramento del riconoscimento per immagini, del rintracciamento frodi, e il calcolo previsionale del danno, l’esperienza utente può essere largamente migliorata grazie all’intervento dell’AI che mette in relazione i suddetti aspetti. Nel caso di incidente d’auto ad esempio, il bot chiede di caricare il video o la foto dell’incidente, recupera autonomamente le informazione per compilare il modulo aggiungendo alla tipologia del danno i dati del guidatore e dell’auto.
Il Bot farà  girare i programmi di tracciamento frodi per evidenziare anomalie nella denuncia, quindi indicare i tempi per il rimborso e quantificarlo, suggerire dove portare l’auto e quando.

5. Analisi della contrattualistica aziendale

L’analisi dei contratti è un’attività ripetitiva nell’industria del Finance dove le clausole hanno un elevatissimo livello di standardizzazione. Manager e consulenti possono demandare quest’attività routinaria a modelli di Machine Learning.
Un Optical Character Recognition (OCR), può essere usato per digitalizzare i contratti ed un modello di Neuro-programmazione linguistica (NLP) sviluppato con logiche legali utilizzato per coglierne il significato e evidenziare/correggere le anomalie.

6. Previsione dei punti di attrito nella relazione con la clientela

Tramite Intelligenza Artificiale, si possono creare modelli basati sul comportamento dei clienti in grado di indicare ai Manager delle aziende i segni premonitori di una possibile rescissione del rapporto. In sostanza, si vanno a verificare i comportamenti dei propri clienti che hanno preceduto la fine del rapporto, e di altri che invece sono rimasti dopo aver manifestato intenzioni contrarie.

7. Algoritmi per il trading azionario

Gli algoritmi di supporto al trading azionario sono largamente usati all’interno delle banche di investimento.
Senza entrare negli effetti distorsivi che hanno avuto ed hanno sui mercati, accentuando le variazioni in presenza di elementi particolarmente negativi o positivi, questi algoritmi rappresentano uno strumento di grande efficienza. Soprattutto su operazioni di breve e brevissimo termine sono in grado di calcolare gli effetti sul prezzo di una molteplicità di fattori in relazione tra loro, che per una persona singola o gruppo di persone sarebbe impensabile.

8. Strumenti di ricerca aumentati

Parlando di Big Data, anche Finanza Café, nell’articolo pubblicato l’8 ottobre 2019, ha ricordato come le informazioni siano il nuovo oro. Il problema è che spesso si ha bisogno di grandi quantità di informazioni per prendere decisioni che 20 anni fa ne richiedevano forse un terzo. Si dedica quindi molto tempo alla ricerca ed organizzazione dei dati.
L’AI ha sviluppato modelli che riescono non solo a tracciare le informazioni significative per il ricercatore ma anche a creare le relazioni cercate.
Si pensi, all’analisi di bilancio per la definizione di un rating. Un modello di AI basato su logica di NLP può, come nel caso ricordato poc’anzi dell’analisi di contratti digitali, cercare tutti gli elementi significativi, metterli in relazione con le possibili evoluzioni sperimentate sul quel dato e consigliare all’analista le azioni da intraprendere o dipingere futuri scenari per lasciare allo stesso la decisione su quale sia il più probabile.

9. Modelli di valutazione

Si tratta di modelli di valutazione di determinati asset, quali ad esempio potrebbero essere gli immobili. Il modello di Machine Learning è basato sul riconoscimento di tutti i data point che gli analisti normalmente utilizzano per la valorizzazione ed in base all’esperienza storica vi associano un peso diverso a seconda del contesto.

Last thoughts

Parlare di ritorno al futuro nel caso dell’Intelligenza Artificiale è quanto mai significativo, se si pensa che l’evoluzione del comportamento delle macchine è dettata dalla capacità di queste di apprendere, ragionare e reagire, ovvero di apprendere l’innata prerogativa dell’essere umano.
Abbiamo visto come finora in questo la ricerca abbia fallito, ma l’approfondimento e lo studio volto al raggiungimento dell’obiettivo hanno portato tutta l’industria ed il Finance a superare i suoi confini ed evolversi per dare un servizio migliore a quello stesso essere umano che si vuole copiare. Come dire il viaggio è più importante della meta.