Gościem Szymona Glonka w podcaście "DGPtalk: Obiektywnie o biznesie" jest dr hab. Marcin Kawiński, prof. SGH, Szkoła Główna Handlowa w Warszawie.
Sztuczna inteligencja a uczenie maszynowe
Wdarł się pewien chaos, jeżeli chodzi o nazewnictwo. Generalnie sztuczna inteligencja powstawała razem z czymś, co się nazywa uczenie maszynowe. Uczenie maszynowe bazuje na sieciach neuronowych, natomiast sztuczna inteligencja jako teoretyczny twór miała jeszcze bliżej aniżeli sieci neuronowe imitować zachowania ludzkiego mózgu. Obecnie możemy powiedzieć, że uczenie maszynowe jest głównym elementem, który jest obecnie niezbędny do tego, aby rozwijać sztuczną inteligencję. Podam przykład, żeby widzieć różnicę. Jeżeli nauczę algorytm rozpoznawania psa na fotografii, robię to, pokazując wiele zdjęć różnych stworzeń, prosząc o odpowiedź, czy dane zwierzę jest psem, czy też nie. To, co jest ważne w tym modelowaniu, to algorytm sam się uczy. Czyli ja podaję zbiory danych, natomiast algorytm już sam wyciąga wnioski, które elementy brać pod uwagę, aby poprawnie odróżnić psa od nie psa. I to robi uczenie maszynowe, czyli bardzo dobrze odróżnia pewne zjawiska w całej masie zjawisk. To jest bardzo potrzebne. Jeżeli chcemy ocenić zdolność kredytową klienta, jeżeli chcemy określić ryzyko klienta, który do nas przychodzi ubezpieczyć się, jeżeli chcemy wykryć fraud. To jest bardzo dobre sposób, aby z zalewu informacji wyciągnąć te, które są faktycznie ważne i które nas naprowadzą na prawidłową odpowiedź. Natomiast jeżeli pójdziemy krok dalej i poprosimy o stworzenie obrazu typowego psa, to tym już zajmie się sztuczna inteligencja. Czyli jeżeli mamy tworzenie czegoś nowego, nie jedynie kategoryzację – mówi Marcin Kawiński.
Jak uczy się algorytmy w finansach?
Zakłady ubezpieczeń czy banki już wcześniej próbowały modelować ryzyko i robiły to z dość dużym sukcesem. Wszystkie metody scoringowe de facto opierają się na bardzo zaawansowanym modelowaniu. Po głębokim wnioskowaniu statystycznym wyodrębniono te cechy, które są istotne z punktu widzenia wypłacalności klienta, szkodowości i tak dalej. To nie jest tak, że my się poruszamy w próżni. Te działania były bardzo zaawansowane. To, co robimy teraz w ramach uczenia maszynowego to operowanie na naszej bazie. Mamy wszystkich klientów, którzy przyszli, wypełnili wniosek i mamy tych klientów, którzy stali się niewypłacalni. Rolą osób odpowiedzialnych za uczenie maszynowe jest w cudzysłowie nakarmienie tych algorytmów odpowiednimi informacjami tak, aby ta precyzja była dostateczna. Od razu trzeba powiedzieć, że nie wrzucamy wszystkich danych, ponieważ przetwarzanie danych kosztuje, przygotowanie danych też kosztuje. Poza tym dane się dezaktualizują. W związku z tym, jeżeli chodzi o ubezpieczenia, to pod uwagę bierze się dane z ostatnich 3 do 5 lat. Dalej się nie sięga, ponieważ ocena ryzyka po prostu zmienia się w czasie – dodaje Kawiński.