Artikkelin sisältö

Analyysi

Tekoäly ja massiiviset data-aineistot muovaavat rahoitusmarkkinoita

Tekoäly (artificial intelligence tai AI) ja massiiviset data-aineistot ovat nopeasti vakiinnuttamassa asemaansa osaksi rahoitusmarkkinoiden arkipäivää. Näitä edistyneitä teknologioita sovelletaan rahoitusprosessin kaikissa eri vaiheissa aina riskienhallinnasta portfolioiden optimointiin. Näillä uusilla menetelmillä ja teknologoilla on erinomaiset edellytykset tehostaa olemassa olevaa toimintaa ja luoda kokonaan uusia tuotteita, palveluita ja jakelukanavia. Näissä innovaatioissa on kuitenkin ominaisuuksia, jotka voivat altistaa markkinat uudentyyppisille haavoittuvuuksille. Siksi kehitystä tulee seurata tarkasti.

Tässä artikkelissa esitetyt mielipiteet ovat kirjoittajien omia eivätkä välttämättä edusta Suomen Pankin näkemystä.

AI on osa suurempaa digitalisaation trendiä

Tekoäly ei tapahdu tyhjiössä, vaan se on osa isompaa digitalisoitumisen murrosta, joka tuottaa yhä enemmän sellaista dataa, jota voidaan hyödyntää liiketoiminnan eri vaiheissa. Tätä ilmiötä kiihdyttävät innovaatiot edistyneessä analytiikassa ja datan prosessoimisessa, kuten mm. koneoppimisessa ja pilvipalveluissa. Nämä innovaatiot ovat kehityksen keskiössä, sillä AI tarvitsee datan lisäksi huomattavan edistynyttä osaamista, teknologiaa ja infrastruktuuria toimiakseen.

Tekoäly on määritelmänä kuitenkin haastava, sillä se ei yleisesti ottaen viittaa mihinkään yksittäiseen tekniseen toimintoonElements of AI, Helsingin Yliopisto ja Reaktor, 2018.. Termiä AI käytetään pikemminkin kuvaamaan useampien erilaisten toimintojen lopputuloksena syntyvää kokonaisuutta. World Economic Forum (WEF) esimerkiksi määritteleeThe new physics of financial services, WEF, elokuu 2018. tekoälyn sellaisiksi teknologioiksi tai teknologioiden yhdistelmäksi, joita voidaan käyttää säännönmukaisuuksien tunnistamiseen, ennustamiseen, päätöksentekoon, interaktiivisuuteen tai palvelujen ja tuotteiden räätälöimiseen.

Tällaiset edistyneet teknologiaratkaisut ovat jo arkipäivää ja niitä sovelletaan yhä laajemmin rahoitusmarkkinoiden eri osa-alueilla. Tällä hetkellä yleisimmät tekoälyn käyttökohteet ovat mm. sääntelyssä ja asiakaspalvelussa, mutta näitä teknologioita käytetään myös luottoriskien hallintaan, sekä arvopaperikauppaanArtificial intelligence and machine learning in financial services, FSB, 2017.,Monitoring of fast-paced electronic markets, BIS, 2018.. Tekoälyratkaisujen laajempi käyttöönotto tulee vaikuttamaan liiketoiminnan periaatteisiin ja markkinoiden toimintaan. Selkein muutos on siinä, että yritysten kilpailuetu tulee olemaan yhä tiiviimmin sidottuna laadukkaaseen dataan, datan määrään ja yrityksen kykyyn tuottaa näistä datamassoista liiketoiminnalle arvokasta informaatiota.

Kuvio 1. Pankkien IT-investointien ennustetaan kohdistuvan kasvavassa määrin uusiin teknologioihin

Suurimmat haasteet edistyneissä teknologiaratkaisuissa liittyvät laatuun ja läpinäkyvyyteen

Data on tämän neljänneksi teolliseksi vallankumoukseksi nimetyn teknologiavetoisen murroksen polttoainetta. Laadukkaan datan avulla yritykset voivat optimoida koko arvoketjunsa. Datavetoiset yritykset voivat tehostaa liittymäpintojaan arvoketjun muiden toimittajien kanssa esimerkiksi tehokkaiden rajapintojen avulla. Data luo yrityksille myös edellytykset ymmärtää asiakkaita paremmin ja syventää näitä asiakassuhteita. He voivat tarjota kuluttajien henkilökohtaisille preferensseille paremmin soveltuvia digitaalisia palveluita, mutta he voivat myös oppia milloin kuluttajille kannattaa tarjota näitä tuotteita.

Datavetoisen liiketoiminnan etu perustuu vahvasti kustannustehokkuuteen, sillä ohjelmistoratkaisujen rajakustannukset ovat hyvin matalat. AlkuinvestointienVaadittavat alkuinvestoinnit IT-infrastruktuuriin ja ylläpitoon voivat olla huomattavia, mutta esimerkiksi pilvipalveluita voidaan hyödyntää näiden investointitarpeiden kustannusten alentamiseen. jälkeen nämä ohjelmistotuotteet ovat usein monistettavissa laajoille joukoille digitaalisten jakelukanavien välityksellä. Prosessi on teoriassa itseään vahvistava, eli mitä enemmän dataa onOn tärkeää huomioida, että laadukkaan informaation jalostaminen raakadatasta ei ole mikään yksinkertainen operaatio, vaan vaatii useita erilaisia työvaiheita, jotka eivät varsinaisesti liity tekoälyyn., sitä älykkäämpiä ja paremmin asiakkaan yksilöllisiin tarpeisiin räätälöityjä tuotteita voidaan kehittää. Älykkäämmät ja paremmin räätälöidyt tuotteet houkuttelevat lisää asiakkaita, joilta saadaan kerättyä enemmän dataa, jonka avulla voidaan kehittää tuotteita vieläkin paremmiksi. AI-projekteissa onnistujat pystyvät siten nopeasti kasvattamaan edelläkävijän etuaan (nk. first-mover advantage) ja saavuttamaan markkinaosuuksia.

Tätä tarkoitusta varten dataa kerätään nykyään valtavia määriä. Tutkimusyhtiö IDC ennustaakin datan määrän kasvavan 175 tsettatavuunYksi tsettatavu on miljardi teratavua. vuoteen 2025 mennessä. Datan hienojakoistuminen ja frekvenssin kasvaminen luovat kuitenkin kasvavaa tarvetta automaatiolle ja järjestelmien kehittämiselle, koska käsiteltävät datamassat ovat niin massiivisia, että perinteisempien analytiikka- ja infrastruktuuriratkaisujen kapasiteetti ylitetään moninkertaisesti. Nämä uudet tietojärjestelmät on yleensä rakennettu tiedon yhteiskäyttöisyyden periaatteelle, eli sille ajatukselle että data tulisi olla mahdollisimman helposti hyödynnettävissä myös muissa järjestelmissä ja analyysissä. Lisäksi näissä kehittyneissä tietojärjestelmissä on täysin uudentyyppisiä ominaisuuksia. AI-menetelmiä voidaan esimerkiksi nykyään soveltaa yhä laajemmassa määrin myös puolistrukturoidulle ja strukturoimattomalle datalle, kuten sosiaalisen median viestien tai sopimustekstien analysoimiseen.

Tietomassoissa korostuu laadun ja tietoturvan merkitys. Suurissa tietoaltaissa (nk. data lake) tiedon suojaus ja arkaluontoisen datan anonymisointi voi olla erityisen monimutkainen toimenpide, koska tiedon strukturoimaton luonne vaikeuttaa tietohallintoa ja turvallisuusauditointeja. Tällaisten massiivisten data-aineistojen kohdalla on siksi haastavaa varmistua datan alkuperästä ja aitoudesta, sekä vaikeampaa valvoa sitä että kaikki arkaluonteinen materiaali on suojattu riittävän hyvin ja sitä ei käytetä väärin.

Massiivisten data-aineistojen kanssa työskentely tuottaa haasteita myös analyysille, sillä pieniltäkin tuntuvat ongelmat datan laadussa voivat tuottaa vääristymiä tuloksissa. AI-menetelmillä saatavat tulokset riippuvat siten täysin niille syötettävän datan laadusta (nk. garbage in, garbage out -ilmiö). Ongelmaksi voi tällöin muodostua se, että malli voi systemaattisesti tuottaa virheellisiä johtopäätöksiä esimerkiksi luottokelpoisuuden arvioimisessa.

Tällaisia datan laatuun liittyviä ongelmia, voi vahvistaa se, että AI-ratkaisuissa yleisesti käytettävät algoritmit eivät ole yksinkertaisia lineaarisia malleja. Esimerkiksi koneoppimisen avulla tuotettujen päätöspuiden syvyys ja monimutkaisuus voi tehdä näiden mallien toimintalogiikan ymmärtämisen äärimmäisen vaikeaksi. Tämä nk. black box -ilmiö on sitä vahvempi, mitä heikommin pystymme erittelemään yksittäisten parametrien vaikutuksen mallin käyttäytymiseen. Mikäli näiden mallien toimintalogiikkaa ei tunneta kunnolla, niin mallin tuottamia systemaattisia virheitä ei välttämättä havaita ajoissa.

Puutteellinen mallintaminen, data ja algoritmit voivat pahimmillaan johtaa korvausvaatimuksiin, tai tilanteeseen jossa riskit ovat joko pahasti aliarvioitu ja/tai hyvin keskittyneet. Ymmärrys näiden teknologioiden puutteista näyttäisi kuitenkin parantuvan ja tekoälyn sovellukset ovat usein liitetty liiketoiminnan riskienhallintaan. Englannin keskuspankin äskettäin teettämässä kyselyssäMachine learning in UK financial services, Englannin keskuspankki ja FCA, 2019. vastaajat näyttävät olevan hyvin perillä näiden välineiden ongelmista ja siksi koneoppimista soveltavissa AI-prosesseissa käytetään pääsääntöisesti ihmisiä vahvistamaan päätökset tai ongelmallisiksi merkityt tapaukset.

Uusilla toimijoilla on paremmat edellytykset soveltaa toiminnassaan edistynyttä teknologiaa

Laadukkaat tekoälyn sovellukset vaativat organisaatiolta hyvin korkeaa analyyttisen kypsyyden tasoa ja hyvin erilaisten asiantuntijoiden saumatonta yhteistyötä. AI-ratkaisuissa korostuvat järjestelmien, ohjelmoinnin, tilastollisten menetelmien ja liiketoiminnan substanssiosaamisen merkitys. Monien AI-projektien epäonnistumisenTutkimusyhtiö IDC arvioi, että neljänneksellä organisaatioista, jopa puolet AI-projekteista epäonnistuvat (Artificial Intelligence Global Adoption Trends & Strategies, IDC, 2019). taustalla on mm. liian kapea osaamispohja.

Perinteisten pankkien ja luottolaitosten suurin kompastuskivi on ollut siinä, että heidän tietovarastonsa ja tietoarkkitehtuurinsa perustuvat usein vanhentuneelle teknologialle. Näihin vanhentuneisiin ratkaisuihin on sisältynyt paljon manuaalisia prosessiratkaisuja, jotka eivät ole perustuneet jakamisen ajatukselle ja joita ei ole rakennettu tukemaan uusia edistyneitä teknologiaratkaisuja. Data on tällaisissa järjestelmissä usein siiloutunutta ja sitä on hankala soveltaa analyysikäyttöön. Tämä on vaikeuttanut sellaisten uusien innovaatioiden jalkauttamista, joilla olisi voitu parantaa esimerkiksi luottoriskien arvioimista tai tehostaa viranomaisraportoinnin tuotantoa. Uusilla toimijoilla ei ole ollut vastaavanlaisia vanhoja järjestelmiä ylläpidettävänään, vaan he ovat voineet rakentaa tietoarkkitehtuurinsa suoraan ketterien periaatteiden mukaan tukemaan datavetoisen liiketoiminnan erityistarpeita.

Kansainvälinen järjestelypankki (BIS) on viime aikoina kiinnittänyt erityistä huomiota siihen miten suurten teknologiajättienTeknologiayhtiöt kuten Alibaba, Amazon, Facebook, Google ja Tencent. (nk. big tech) tuleminen vaikuttaa rahoitusmarkkinoiden toimintaanAnnual Economic Report: Big tech in finance, BIS, 2019.. Huolena on erityisesti se, että näillä suurilla teknologiayhtiöillä on erinomaiset edellytykset hyödyntää liiketoiminnassaan dataa ja hyvät valmiudet monistaa toimivaksi todettua liiketoimintaa globaalisti eri maanosissa. Lisäksi nämä suuret teknologiayhtiöt pystyvät tukemaan tappiollistakin liiketoimintaa muiden liiketoimien tuottamilla kassavirroilla markkinaosuuksien saavuttamiseksi.

Mikäli innovaatiot ja kilpailuetu ovat tulevaisuudessa pääosin sidottu dataan ja nämä teknologiajätit hallitsevat suurinta osaa tästä datan keruusta, ei ole selvää, että heillä on kannustin jakaa tällaisia tietovarastoja kilpailijoidensa kanssa. Uhkana on, että rahoitusmarkkinoiden syvenevä datavetoisuus johtaa uudentyyppisiin kilpailurajoitteisiin, datamonopoleihin, markkinoiden vahvempaan jakautumiseen markkinoita dominoiviin massatuotteisiin ja hyvin kapeaa markkinasegmenttiä hyödyntäviin erikoistuotteisiin.

Markkinoilla on kuitenkin näkyvissä paljon aloitteita ja yhteistyöprojekteja, jotka perustuvat datan ja lähdekoodin avoimelle jakamiselle. Erityisesti julkisyhteisöt ovat kunnostautuneet tarjoamalla dataa maksuttomasti koneluettavassa muodossa. Avoimen datan ja lähdekoodin aloitteilla voidaan ehkäistä datan monopolisoitumista, mutta myös vähentää kehitystyön kustannuksia, lisätä päätöksenteon läpinäkyvyyttä ja avata ovia uusille datavetoisille innovaatioille.

Nopea kasvu ja uusien tulokkaiden kokemattomuus voivat lisätä haavoittuvuuksia

Vaikka tekoälyyn ja massiivisiin data-aineistoihin perustuvat tuotteet voivat osaltaan tehostaa rahoituksen välittymistä, niin kova kilpailu AI-teeman ympärillä voi kannustaa toimijoita lanseeraamaan tekoälyyn perustuvia ratkaisuja kovalla aikataululla ja tiukalla budjetilla.

Uudentyyppisillä fintech-toimijoilla ei välttämättä kuitenkaan ole samanlaista teknistä osaamista ja kokemusta rahoitustoiminnasta perinteisiin rahoituslaitoksiin verrattuna, vaikka ne usein tarjoavatkin pankkimaisia palveluita. Ei ole selvää kuinka hyvin aloittavien yritysten liiketoimintamalleissa ja innovatiivisissa tuotteissa on otettu huomioon luottosyklien eri vaiheet ja kuinka hyvin nämä kestäisivät kireämmän rahapolitiikan tai poikkeuksellisen volatiilien markkinaolosuhteiden ajanjaksot. Tällaiset puutteet voivat korostua asiakasdatassa, jonka historia ei välttämättä ulotu kovin pitkälle menneisyyteen, ei sisällä samanlaisia suhdannehuippuja ja taantumia, tai jonka laadusta ei ole varmuutta. Mikäli tuotteita ja palveluita ei ole suunniteltu ja testattu riittävän hyvin, tai jos näiden tuotteiden riskienhallinnassa esiintyy puutteita, niin näihin voi sisältyä rakenteellisia haavoittuvuuksia.

Tässä mielessä moni perinteisempi toimija voi itse asiassa olla uusia toimijoita selvästi paremmassa asemassa soveltamaan kehittyneitä analyysimenetelmiä, sillä näiden perinteisten rahoituslaitoksien vahvuus on juuri tekoälyn kannalta tärkeissä pitkissä aikasarjoissa ja erilaisten riskien arvioinnissa. Ongelmana on mukauttaa olemassa olevat järjestelmät uusiin menetelmiin ja työskentelytapoihin soveltuviksi. Tällaiset yhteensovittamishankkeet ovat kuitenkin kalliita ja voivat siten lisätä kustannuspaineita lyhyellä aikavälillä.

Kuvio 2. Yleisimmillä hakutermeillä mitattuna kiinnostus tekoälyn menetelmiin on kehittynyt nopeasti

Teknologia voi luoda myös uudentyyppisiä kytköksiä eri toimijoiden välillä

Hyvät ja laadukkaat tekoälyratkaisut eivät kuitenkaan synny tyhjästä, vaan ne edellyttävät edistynyttä tietoarkkitehtuuria ja osaavia asiantuntijoita. Tätä ongelmaa on osin pyritty ratkaisemaan panostamalla erilaisiin avoimen lähdekoodin ratkaisuihinUseat markkinoiden johtavista koneoppimisen ohjelmistokirjastoista (esim. Pytorch ja Tensorflow -kirjastot) perustuvat alun pitäen suurten teknologiayhtiöiden, kuten Facebook ja Google kehittämiin sisäisiin ohjelmistoratkaisuihin, jotka on päätetty julkaista avoimen lähdekoodin lisenssillä., mutta viime vuosina on yleistynyt ilmiö, jossa näitä järjestelmäkehityksen ja -testaamisen kuluja on pyritty laskemaan tuotteistamalla kehitettävä järjestelmä omaksi palveluksi. Esimerkiksi operationaalisista varainhallinnan back-office -järjestelmistä on tehty tuotteita, joita voidaan tarjota muille toimijoille maksua vastaan.

Liiketoiminnan kannalta tällaisten palveluidenNäistä palveluista käytetään yleensä nimitystä Software-as-a-Service (SaaS), tai Platform-as-a-Service (PaaS). hyödyt ja kustannussäästöt voivat olla huomattavia. Pilvialustoilla toimivien palveluntarjoajien yleistyminen on tarkoittanut sitä, että näitä järjestelmiä voidaan ottaa nopeasti käyttöön. Työasemaksi riittää oma tietokone, sillä kaikki laskenta ja tallennus voidaan tehdä joustavasti ja kustannustehokkaasti pilvipalvelun toimittajan laskentajärjestelmässä ilman suuria käyttöönottoprojekteja ja huomattavia investointeja järjestelmäarkkitehtuuriin ja ylläpitoon.

Näiden palvelujen laadun parantuessa, yhä suuremmalla osalla toimijoista on kannustin siirtyä tällaisten palvelujen kuluttajaksi, kuin ryhtyä tuottamaan näitä toimintoja itsenäisesti. Tämä voi parantaa yksittäisten yritysten kilpailukykyä, mutta voi myös luoda uuden tyyppisiä haavoittuvuuksia rahoitusjärjestelmään, mikäli osat markkinoista tulevat hyvin riippuvaisiksi muutamien avaintoimijoiden tuotteista. Ongelmat, toimintahäiriöt ja haavoittuvuudet tällaisissa markkinoiden kannalta kriittisissä palveluissa voivat nopeasti heijastua kaikkien markkinaosapuolten toimintaan.

Markkinoiden kehitystä tulee seurata tarkasti

Oikein käytettynä tekoäly ja massiiviset data-aineistot voivat edistää monella tapaa parempaa maailmaa. World Economic Forum listaaHarnessing artificial intelligence for the earth, WEF yhteistyössä PwC ja Stanford Woods Institute for the Environment, 2018. useita erilaisia kanavia, joita pitkin nämä ratkaisut voivat tukea innovaatioita ja resurssien tehokkaampaa hyödyntämistä. Näihin teknologioihin liittyy kuitenkin monia teknisiä, eettisiä ja markkinoiden luonnetta koskevia haasteita, joita tulee seurata tarkasti.

Syvenevän digitalisoitumisen myötä syntyvät uudet tuotteet ja palvelut eivät välttämättä ole rajattuja maantieteellisiin alueisiin. Niiden rajat ylittävä luonne voi luoda haasteita valvoa mm. sitä, että kuluttajansuoja ja yksityisyys tulee huomioitua näissä palveluissa. Tämä voi luoda uudenlaisia tarpeita tiiviimmälle kansainväliselle koordinaatiolle näiden teknologioiden valvonnassa.

Hyvin voimakas kasvu teknologiapainoisilla toimialoilla vaikuttaa työvoiman kysyntään. Se paitsi lisää teknologiaosaajien kysyntää näillä aloilla, mahdollisesti muuttaa laajemminkin niitä tietoja- ja taitoja, joita vaaditaan yhä suuremmalta osalta työvoimaa digitalisoituvassa taloudessa. Tällaisiin ilmiöihin vastaaminen vaatii aktiivista sopeutumista pitkällä aikavälillä mm. koulutuspolitiikan osalta.

Mitä laajemmin nämä teknologiat määrittelevät rahoituksen välittymistä, niin sitä enemmän ne myös muovaavat eri toimijoiden rooleja ja näiden välisiä kytköksiä. Nämä muutokset voivat muuttaa markkinoiden rakenteita ja toimijoiden rooleja. Muutokset vaikuttavat myös siihen, millä tekijöillä on vaikutusta rahoitusmarkkinoiden vakauteen ja vakausriskeihin. On siksi tärkeää varmistaa, että datavetoinen liiketoiminta ja innovaatiot tapahtuvat sellaisessa kehikossa, jossa kaikilla toimijoilla on yhtäläiset ja reilut toimintaedellytykset.

Takaisin ylös