Το τελευταίο διάστημα υπάρχει μια έντονη κινητικότητα σε ευρωπαϊκό επίπεδο, έτσι ώστε η τεχνολογική καινοτομία να συνεισφέρει περισσότερο στην τραπεζική εποπτεία. Οι πρωτοβουλίες της Ευρωπαϊκής Κεντρικής Τράπεζας στοχεύουν στην εξερεύνηση των δυνατοτήτων που προσφέρει η τεχνητή νοημοσύνη στο διεπιστημονικό πεδίο του suptech, το οποίο θα μας απασχολήσει ιδιαίτερα τα επόμενα χρόνια.
Η ψηφιοποίηση είναι τα τελευταία χρόνια ο βασικός στόχος σχεδόν σε όλους τους κλάδους. Ωστόσο, ο ψηφιακός μετασχηματισμός είναι μια φιλόδοξη και μακροχρόνια διαδικασία, καθώς απαιτεί επανεξέταση των οργανωτικών δομών και ευρεία προσαρμογή της εργασιακής κουλτούρας. Το 2020, η Ευρωπαϊκή Κεντρική Τράπεζα παρουσίασε ένα ολοκληρωμένο σχέδιο δράσης για την προώθηση του ψηφιακού μετασχηματισμού τόσο στις ευρωπαϊκές όσο και στις εθνικές εποπτικές αρχές.
Το σχέδιο δράσης προωθεί την καινοτομία και την ψηφιοποίηση, έτσι ώστε να συμπληρώσει και να βελτιώσει τα σημερινά συστήματα και τις πρακτικές που χρησιμοποιούνται στην τραπεζική εποπτεία. Το ζητούμενο δεν είναι να αντικατασταθούν τα υπάρχοντα συστήματα, αλλά να χρησιμοποιηθούν νέες τεχνολογίες που θα τα κάνουν πιο ακριβή και αξιόπιστα.
Η τεχνητή νοημοσύνη αρωγός στην εποπτική διαδικασία
Η τεχνητή νοημοσύνη είναι η τεχνολογία που επιτρέπει στον υπολογιστή να σκέφτεται και να ενεργεί με ανθρώπινο τρόπο. Πρόκειται για μια τεχνολογία, η οποία έχει ήδη αλλάξει τη ζωή μας σε διάφορους τομείς, αφού επιτρέπει στις μηχανές να πραγματοποιούν πλήθος ενεργειών και να σκέφτονται έξυπνα, ώστε να μας προσφέρουν αυτόματες προτάσεις και σχετικά αποτελέσματα μέσω της ανάλυσης μεγάλου όγκου δεδομένων. Το ερώτημα είναι αν υπάρχει χώρος για την εφαρμογή της τεχνητής νοημοσύνης στην τραπεζική εποπτεία, ένα πεδίο το οποίο βασίζεται σε τεράστιο βαθμό στην επαγγελματική εμπειρία και την εξειδικευμένη κρίση των εποπτικών αρχών.
Η τεχνητή νοημοσύνη μπορεί να εντοπίσει μοτίβα που οι άνθρωποι αποτυγχάνουν να εντοπίσουν και έτσι να ενισχύσει την ποιότητα της εποπτείας
Η απάντηση είναι ναι. Η βασική προϋπόθεση για την επιτυχημένη εφαρμογή της τεχνητής νοημοσύνης στην τραπεζική εποπτεία είναι η διαθεσιμότητα των δεδομένων, ώστε οι εποπτικές αρχές να έχουν πρόσβαση σε μεγάλο όγκο δεδομένων σε διαφορετικές μορφές. Η τεχνητή νοημοσύνη μπορεί να εντοπίσει μοτίβα που οι άνθρωποι αποτυγχάνουν να εντοπίσουν και έτσι να ενισχύσει την ποιότητα της εποπτείας. Μπορεί επίσης να κάνει την εποπτεία ταχύτερη και αποδοτικότερη με την επισήμανση στους επόπτες τυχόν παρεκκλίσεων σε πραγματικό χρόνο.
Το σημαντικότερο στοιχείο της τεχνητής νοημοσύνης που της επιτρέπει να μπορεί να εκτελέσει τέτοιες πολύπλοκες εργασίες είναι η μηχανική μάθηση, η οποία μπορεί να επιτηρείται από τον άνθρωπο αλλά μπορεί και όχι. Και οι δύο μορφές μπορούν να εφαρμοστούν στην τραπεζική εποπτεία. Στην επιτηρούμενη μορφή της μηχανικής μάθησης, ο υπολογιστής χρησιμοποιεί δεδομένα που έχουν υποσημειωθεί από τον άνθρωπο, ώστε οι πληροφορίες να ταξινομηθούν ανά κατηγορίες.
Έτσι, καθίσταται εφικτό ο υπολογιστής να συναγάγει προβλέψεις με βάση τον μεγάλο όγκο των πληροφοριών, όπως για παράδειγμα να προβλέψει τον κίνδυνο των μη εξυπηρετούμενων δανείων στην Ευρωζώνη, βασιζόμενος σε οικονομικούς δείκτες, σε πληροφορίες σχετικά με τις τράπεζες και σε ιστορικά δεδομένα. Στη μη επιτηρούμενη μηχανική μάθηση, ο υπολογιστής μαθαίνει από τα δεδομένα χωρίς καθοδήγηση από τον άνθρωπο. Για παράδειγμα, μελετώντας τα κύρια χαρακτηριστικά των εποπτικών δεδομένων μπορεί να εντοπίσει ζητήματα ρευστότητας στις τράπεζες.
Η μηχανική μάθηση, ειδικά στα μη δομημένα δεδομένα, σχετίζεται άμεσα με την επεξεργασία φυσικής γλώσσας. Με βάση αυτή, ο υπολογιστής μπορεί να αξιολογήσει τις πληροφορίες που παρέχονται σε μορφή κειμένου, όπως ετήσιες εκθέσεις, εκθέσεις ελέγχου ή αξιολογήσεις κεφαλαίων και ρευστότητας, συνοψίζοντας τις πληροφορίες και επισημαίνοντας τα κυριότερα ζητήματα που χρήζουν περαιτέρω διερεύνησης.
Supervision Innovators Conference
Οι προκλήσεις του ψηφιακού μετασχηματισμού στην τραπεζική εποπτεία ήταν ένα από τα θέματα που συζητήθηκαν στο πρώτο συνέδριο Supervision Innovators της ΕΚΤ, το οποίο πραγματοποιήθηκε ψηφιακά στις 30 Νοεμβρίου 2020 και συγκέντρωσε συμμετέχοντες από όλο τον κόσμο, για να συζητήσουν τις τελευταίες εξελίξεις στην τεχνητή νοημοσύνη και τον ψηφιακό μετασχηματισμό στην τραπεζική εποπτεία.
Όπως τόνισε η Jekaterina Govina, μέλος του Εποπτικού Συμβουλίου της ΕΚΤ, η τεχνητή νοημοσύνη μπορεί να συμβάλλει στην τραπεζική εποπτεία μειώνοντας την μεροληψία του ανθρώπινου παράγοντα και απαλλάσσοντας τους επόπτες από επαναλαμβανόμενα καθήκοντα.
Μάλιστα, όπως επεσήμανε ο Pentti Hakkarainen, εκπρόσωπος της ΕΚΤ στο Εποπτικό συμβούλιο και πρόεδρος της διευθύνουσας επιτροπής της Digital Agenda, στόχο της ΕΕ δεν αποτελεί μόνο να εντάξει την καινοτόμο τεχνολογία στην καθημερινότητα της τραπεζικής εποπτείας, αλλά και να τη διαδώσει σε όλο τον κόσμο, αποτελώντας πρωτοπόρο στο πεδίο αυτό.
Για να γίνει κάτι τέτοιο, απαιτείται συνεργασία και διαμοιρασμός των πληροφοριών μεταξύ των φορέων που δραστηριοποιούνται στον χώρο. Για τον σκοπό αυτό, η ευρωπαϊκή τραπεζική εποπτεία έχει δημιουργήσει ένα δίκτυο στο οποίο ακαδημαϊκοί, νεοσύστατες επιχειρήσεις και ηγετικές αρχές μπορούν να συνεργαστούν μεταξύ τους, ενώ έχει ήδη ανακοινώσει το επόμενο Supervision Innovators Conference για το φθινόπωρο του 2021.
SupTech Hub
Το SupTech Hub είναι ένα δίκτυο που διερευνά τη δυναμική της τεχνητής νοημοσύνης και άλλων πρωτοποριακών τεχνολογιών στην τραπεζική εποπτεία
Για να διερευνήσει τη δυναμική της τεχνητής νοημοσύνης και άλλων πρωτοποριακών εποπτικών τεχνολογιών (supervisory technologies) στο πλαίσιο της τραπεζικής εποπτείας, η ΕΚΤ έχει δημιουργήσει το SupTech Hub. Πρόκειται για ένα δίκτυο που συνδέει όλους τους σχετικούς φορείς, βοηθά τις εποπτικές αρχές να μάθουν περισσότερα σχετικά με τις τελευταίες τεχνολογίες και υποστηρίζει το ανθρώπινο δυναμικό στη χρήση προηγμένων εργαλείων αναλύσεων και την ανάπτυξη νέων τεχνολογιών.
Το δίκτυο αποτελείται από επαγγελματίες και ερευνητές διαφόρων κλάδων, όπως της πληροφορικής, της στατιστικής και του τραπεζικού δικαίου, ώστε τα διαφορετικά γνωστικά αντικείμενα και δεξιότητες να συνδυαστούν και να οδηγήσουν σε πρωτοποριακές ιδέες και εφαρμογές.
Στο πλαίσιο αυτό, χρηματοδοτούνται σχετικά projects, ενώ παρέχονται και σεμινάρια και workshops στους εργαζόμενους της ΕΚΤ αλλά και των εθνικών εποπτικών αρχών. Επιπλέον, έχει συσταθεί και η πλατφόρμα Virtual Lab, η οποία διευκολύνει τη διασυνοριακή ομαδική εργασία και επιτρέπει στις ευρωπαϊκές εποπτικές αρχές να διερευνήσουν καινοτόμες ιδέες και να συνεργαστούν, ώστε η αποτελεσματική κατανομή της γνώσης να έχει το μεγαλύτερο δυνατό αποτέλεσμα.
Κίνδυνοι και προκλήσεις
Βέβαια, υπάρχουν δύο πλευρές σε κάθε νόμισμα. Όσο περισσότερο η τραπεζική εποπτεία βασίζεται στις σύνθετες τεχνολογίες, τόσο πιο εκτεθειμένη θα είναι στους κινδύνους που σχετίζονται με αυτές. Οι αλγόριθμοι δεν είναι πάντα σε θέση να κατανοήσουν πολύπλοκες διεργασίες, όμως πάντα για το τελικό αποτέλεσμα υπεύθυνος είναι ο άνθρωπος και όχι η μηχανή.
Επιπλέον, οι προκλήσεις της κυβερνοασφάλειας, όταν μιλάμε για τέτοιας έκτασης και σημασίας δεδομένα, σε μια εποχή μάλιστα στην οποία οι κυβερνοεπιθέσεις αυξάνονται συνεχώς, καθιστούν πιο επίκαιρο από ποτέ τον προβληματισμό για την ανεύρεση της σωστής ισορροπίας ανάμεσα στην τεχνολογική πρόοδο και τη βέλτιστη μείωση των ρίσκων που αυτή φέρνει μαζί της.
Θωμάς Μπαρκιάς, Senior Supervisor, Ευρωπαϊκή Κεντρική Τράπεζα
Οι κατωτέρω απόψεις ανήκουν στον συνεντευξιαζόμενο και δεν εκφράζουν απαραίτητα την ΕΚΤ.
Ποιες συγκεκριμένες εφαρμογές έχει η τεχνητή νοημοσύνη στην τραπεζική εποπτεία; Μπορείτε να μας δώσετε κάποια παραδείγματα της SupTech στην καθημερινή εποπτική πρακτική της Ευρωπαϊκής Κεντρικής Τράπεζας;
Ως Ενιαίος Εποπτικός Μηχανισμός (αποτελούμενος από την ΕΚΤ και τις εθνικές εποπτικές αρχές των συμμετεχουσών χωρών), ερευνάμε τις δυνατότητες της εποπτικής τεχνολογίας (SupTech) και αναπτύσσουμε νέα εργαλεία, για να ενισχύσουμε την καθημερινή εποπτεία. Τέτοια εργαλεία περιλαμβάνουν, αλλά δεν περιορίζονται μόνο σε τεχνητή νοημοσύνη. Η SupΤech καλύπτει όλες τις μορφές καινοτόμου τεχνολογίας που χρησιμοποιούμε για την υποστήριξη της εποπτείας.
Επομένως, το υπολογιστικό νέφος (cloud computing) ή τεχνικές μηχανικής εκμάθησης (machine learning) που εφαρμόζουμε για εποπτικούς σκοπούς θα μπορούσαν επίσης να χαρακτηριστούν ως SupTech. Ως επόπτες ενδιαφερόμαστε για αυτές τις δυνατότητες, ώστε να καταστήσουμε την εποπτεία πιο αποτελεσματική και προληπτική, για παράδειγμα με την επιτάχυνση της συλλογής και ανάλυσης δεδομένων και τη βελτίωση των εν γένει εποπτικών μας δυνατοτήτων.
Μια σημαντική εφαρμογή τέτοιων τεχνολογιών που ήδη δοκιμάζουμε είναι η χρήση της επεξεργασίας φυσικής γλώσσας και της μηχανικής εκμάθησης στην απλούστευση και ενίσχυση της διαδικασίας αξιολόγησης για την καταλληλότητα των νέων μελών των διοικητικών οργάνων (fit and proper) – μια ευπρόσδεκτη εξέλιξη δεδομένου του υψηλού αριθμού των διορισθέντων που κοινοποιούνται στην ΕΚΤ κάθε χρόνο (σχεδόν 3.000 το 2019).
Η επεξεργασία φυσικής γλώσσας, όπου οι υπολογιστές δομούν και αξιολογούν μεγάλες ποσότητες πληροφοριών που παρέχονται σε μορφή κειμένου, είναι ένας από τους σημαντικότερους τομείς της τεχνολογίας, στην οποία επικεντρώνεται η ΕΚΤ. Σε μια άλλη εξέλιξη, η ΕΚΤ δημιουργεί μια ενιαία και ασφαλή διαδικτυακή πύλη, μέσω της οποίας οι τράπεζες θα μπορούν να υποβάλλουν αιτήματα εξουσιοδότησης. Στόχος είναι η περαιτέρω ψηφιοποίηση και αυτοματοποίηση των διαδικασιών αδειοδότησης, προκειμένου να υποστηριχθούν οι τράπεζες στην υποβολή πληρέστερων αιτήσεων, να μειώσουν τη γραφειοκρατία και να αυξήσουν τη διαφάνεια όσον αφορά στην πορεία των αιτήσεων.
Επιπλέον, στην ΕΚΤ, αναπτύξαμε αυτό που ονομάζουμε Truffle Analytics, το οποίο υλοποιήθηκε για τη Διαδικασία Εποπτικού Ελέγχου και Αξιολόγησης, ή SREP1 για συντομία. Με βάση τη μηχανική εκμάθηση, αυτό το εργαλείο αναλύει τις αποφάσεις SREP και βοηθά στον εντοπισμό ομοιοτήτων μεταξύ διαφορετικών τραπεζών και στον εντοπισμό τάσεων. Δεδομένου ότι κάθε κύκλος SREP περιλαμβάνει πάνω από 5.000 σελίδες δομημένων εγγράφων, θα ήταν αδύνατο να πραγματοποιηθεί μια τέτοια ανάλυση χειροκίνητα.
Ποια είναι τα βασικότερα εμπόδια που καλείται να ξεπεράσει η προσπάθεια της αξιοποίησης της τεχνητής νοημοσύνης στην τραπεζική εποπτεία;
Παρά τις ευκαιρίες και τα οφέλη της SupTech, οι αρχές παγκοσμίως επαγρυπνούν για τους πιθανούς κινδύνους που θα μπορούσαν να προκύψουν από τη χρήση τέτοιων τεχνολογιών, οι οποίοι θα μπορούσαν να δυσχεράνουν και την περαιτέρω χρήση τους. Με βάση μια πρόσφατη έρευνα του Συμβουλίου Χρηματοπιστωτικής Σταθερότητας (FSB), οι απαντήσεις κατέδειξαν ως μείζον θέμα την κατάλληλη στελέχωση, ακολουθούμενο από πιθανούς κινδύνους κυβερνοασφάλειας, τον κίνδυνο φήμης και ζητήματα ποιότητας δεδομένων.
Οι εποπτικές και ρυθμιστικές αρχές ανέφεραν, επίσης, μια σειρά από προκλήσεις στον σχεδιασμό και την εφαρμογή μιας στρατηγικής SupTech. Αυτές περιλαμβάνουν, αναμενόμενα, ζητήματα σχετικά με την εξεύρεση κατάλληλων ανθρώπινων πόρων και δεξιοτήτων, την ποιότητα των δεδομένων και τη μεθοδολογία σχετικά με την ενσωμάτωση της SupTech σε εσωτερικές διαδικασίες. Η διακυβέρνηση και η υπευθυνότητα σχετικά με τη χρήση των εργαλείων SupTech προέκυψαν επίσης ως σημαντικές περιοχές.
