Sztuczna Inteligencja (AI): Inteligencja Technologii czy Technologia Inteligencji? – część II

Architektura eksploracji danych i implementacja w praktyce

Część pierwsza kończy się wizją banku jako platformy życiowej, który poprzez datafikację – przekształcanie wszystkich aspektów życia klienta w dane – może ewoluować od dostawcy usług finansowych do zaufanego partnera życiowego. Kluczem jest budowa ekosystemów usług dodanych (VASP) wykraczających poza tradycyjną ofertę bankową.

Przygotowanie do implementacji

Przedstawione fundamenty teoretyczne stanowią podstawę dla części drugiej, która koncentruje się na praktycznej implementacji tej wizji poprzez metodologię uczenia maszynowego według Yana LeCuna, analizę PESTEL jako radar strategiczny oraz konkretne przykłady transformacji biznesowej, ilustrowane sukcesem DBS Bank.

Algorytm ewolucji inteligencji danych. Trzystopniowy model uczenia maszynowego (wg LeCun`a)

Od uczenia nadzorowanego do samouczącego (nienadzorowanego)

Yann LeCun, pionier deep learningu i laureat nagrody Turinga, zaproponował fundamentalną klasyfikację paradygmatów uczenia maszynowego, którą ilustruje genialną metaforą tortu. Tort reprezentuje całkowitą ilość informacji dostępnej w świecie, a różne paradygmaty uczenia maszynowego to sposoby, w jakie sztuczna inteligencja „konsumuje” różne kawałki tego tortu.

Metafora tortu LeCuna:

• Uczenie nadzorowane to wisienka na torcie – bardzo cenna i smakowita, ale stanowi zaledwie malutki ułamek całości
• Uczenie ze wzmacnianiem to lukier – słodki, atrakcyjny i ważny, ale wciąż stosunkowo niewielka część tortu
• Uczenie samouczące się (nienadzorowane) to cały biszkopt – ogromna masa, która stanowi fundament i większość tortu

Ta metafora rewolucjonizuje nasze rozumienie skali wyzwania. Oznaczone dane (supervised learning) to rzeczywiście niewielka część wszystkich dostępnych informacji. Większość wiedzy o świecie kryje się w nieustrukturyzowanych, nieoznaczonych danych – w sposobie, w jaki rzeczy się ze sobą łączą, w kontekście, w ukrytych wzorcach i w zależnościach.

Banki tradycyjnie skupiają się wyłącznie na wisience, czasami sięgają po lukier, ale całkowicie ignorują biszkopt. Tymczasem to właśnie w biszkopcie kryje się potencjał dla strategicznej AI, kontrfaktycznego myślenia i prawdziwego zrozumienia klienta jako człowieka, rozumianego nie tylko jako zbiór transakcji.

Uczenie nadzorowane (Supervised Learning): Fundament predykcyjnej inteligencji – Uczenie nadzorowane stanowi podstawę większości współczesnych zastosowań AI w bankowości. Charakteryzuje się wykorzystaniem oznaczonych zbiorów danych do trenowania modeli zdolnych do przewidywania konkretnych wyników.

Zastosowania w czterowymiarowym modelu AI:

• Generatywna AI: Modele językowe trenowane na parach pytanie-odpowiedź dla chatbotów bankowych
• Analityczna AI: Klasyfikacja ryzyka kredytowego, wykrywanie oszustw, segmentacja klientów
• Predykcyjna AI: Modele scoringowe, przewidywanie odejść klientów (churn prediction), prognozowanie popytu na produkty

Przykład praktyczny: System oceny zdolności kredytowej wykorzystujący uczenie nadzorowane może być wytrenowany na historycznych danych klientów (dochody, historia płatności, dane demograficzne) z oznaczonymi wynikami (spłacone/niespłacone kredyty). Model uczy się rozpoznawać wzorce prowadzące do sukcesu spłaty kredytu.

Uczenie ze wzmacnianiem (Reinforcement Learning): Optymalizacja decyzyjna w czasie rzeczywistym – Uczenie ze wzmacnianiem stanowi najbardziej zaawansowany paradygmat, umożliwiający systemom AI naukę poprzez interakcję ze środowiskiem i otrzymywanie nagród lub kar za podejmowane działania.

Zastosowania w czterowymiarowym modelu AI:

• Strategiczna AI: Optymalizacja długoterminowych strategii klientowskich, dynamiczne zarządzanie portfelem
• Predykcyjna AI: Adaptacyjne systemy rekomendacyjne uczące się z feedback’u klientów
• Analityczna AI: Dynamiczna optymalizacja procesów operacyjnych

Przykład praktyczny: System zarządzania portfelem inwestycyjnym wykorzystujący reinforcement learning może uczyć się optymalnych strategii alokacji aktywów przez ciągłe obserwowanie wyników swoich decyzji i dostosowywanie strategii w odpowiedzi na zmieniające się warunki rynkowe.

Uczenie samouczące się (Self-Supervised Learning): Odkrywanie ukrytych wzorców – Uczenie samouczące się reprezentuje najbardziej obiecujący kierunek rozwoju AI, umożliwiający systemom naukę z nieoznaczonych danych poprzez automatyczne generowanie zadań treningowych.

Zastosowania w czterowymiarowym modelu AI:

• Generatywna AI: Zaawansowane modele językowe (GPT, BERT) uczące się reprezentacji języka
• Analityczna AI: Wykrywanie anomalii, odkrywanie ukrytych wzorców w danych transakcyjnych
• Predykcyjna AI: Tworzenie reprezentacji klientów umożliwiających przewidywanie nowych potrzeb

Przykład praktyczny: System analizy zachowań klientów może wykorzystać uczenie samouczące się do identyfikacji ukrytych wzorców w danych transakcyjnych bez potrzeby wcześniejszego oznaczania danych. Model może samodzielnie odkryć, że określone sekwencje transakcji wskazują na przygotowania do ważnych życiowych wydarzeń (ślub, przeprowadzka, narodziny dziecka).

Mapowanie paradygmatów LeCuna na Drabinę Przyczynową Pearl’a

Szczebel 1 (Obserwacja) ↔ Uczenie nadzorowane Identyfikacja wzorców i korelacji w danych historycznych poprzez trenowanie na oznaczonych przykładach.
Szczebel 2 (Interwencja) ↔ Uczenie ze wzmacnianiem Aktywne eksperymentowanie i uczenie się skutków podejmowanych działań przez system nagród i kar.
Szczebel 3 (Wyobraźnia) ↔ Uczenie samouczące się Tworzenie modeli wirtualnej rzeczywistości umożliwiających symulowanie kontrfaktycznych scenariuszy.

Implementacja w praktyce: Od teorii do transformacji biznesowej

Analiza PESTEL jako radar strategiczny w bankowości

Współczesne środowisko biznesowe charakteryzuje się narastającą złożonością i nieprzewidywalnością, gdzie tradycyjne metody analizy danych historycznych okazują się niewystarczające do przewidywania przyszłych trendów. W tym kontekście analiza czynników PESTEL staje się strategicznym radarem wczesnego ostrzegania, umożliwiającym bankom identyfikację słabych sygnałów transformacji, zanim staną się one widoczne w danych transakcyjnych.

Przykładowe kluczowe determinanty makroekonomiczne wpływające obecnie na sektor bankowy obejmują czynniki demograficzne i społeczne:

• Depopulacja i starzenie się społeczeństwa – zmniejszająca się baza klientów wymaga przejścia od strategii wzrostu poprzez akwizycję do maksymalizacji wartości życiowej istniejących klientów (LTV)
• Migracja wewnętrzna (urbanizacja) – kreuje potrzeby związane z mobilnością, nowymi formami mieszkalnictwa i zmianami stylu życia
• Emigracja zewnętrzna i odpływ imigrantów – wpływa na zapotrzebowanie na usługi transgraniczne, transfery międzynarodowe i produkty dla społeczności diasporycznych

Identyfikacja tych trendów poprzez systematyczną analizę PESTEL pozwala bankom na proaktywne dostosowywanie strategii i oferty, wyprzedzając w sposób znaczący konkurencję.

Smart Data vs Big Data: Rewolucja jakościowa w analityce bankowej

Przejście od tradycyjnego Big Data do Smart Data reprezentuje fundamentalną zmianę paradygmatu analitycznego w bankowości. Podczas gdy Big Data koncentruje się na gromadzeniu maksymalnej ilości informacji, Smart Data natomiast skupia się na kontekstowym wymiarze – posiada dane wzbogacone o informacje o okolicznościach, motywacjach i celach klienta. Przyczynowość czyli fokus na zrozumieniu „dlaczego” zamiast tylko „co” i predykcyjność czyli zdolność do przewidywania przyszłych potrzeb, nie tylko ekstrapolacji trendów, to tylko niektóre z wartości które oferuje.

Praktyczny przykład transformacji: Tradycyjne Big Data: „Klient X wykonuje średnio 15 transakcji miesięcznie kartą płatniczą” Smart Data: „Klient X zwiększa wydatki na żywność i kosmetyki dziecięce, prawdopodobnie spodziewa się dziecka, co stworzy potrzeby związane z kredytem mieszkaniowym, ubezpieczeniem życiowym i planowaniem edukacyjnym w perspektywie 5-18 lat”

Modele przyczynowe: Od korelacji do zrozumienia

Implementacja modeli przyczynowych w bankowości oznacza przejście od powierzchownej analizy korelacji do głębokiego rozumienia mechanizmów decyzyjnych klientów. Wykorzystanie Drabiny Przyczynowej Pearl’a pozwali bankom na poziomie obserwacji np. identyfikację wzorców w danych historycznych (Przykład: „Klienci w wieku 25-35 lat częściej korzystają z kredytów konsumpcyjnych”). Na poziomie interwencji np. testowanie wpływu konkretnych działań na zachowania klientów (Przykład: „Obniżenie oprocentowania kredytu o 0,5% zwiększa konwersję o 23% w segmencie młodych profesjonalistów”). Na poziomie kontrfaktycznym np. symulowanie alternatywnych scenariuszy i ich konsekwencji (Przykład: „Co by się stało, gdyby wprowadziliśmy program lojalnościowy zintegrowany z ekosystemem mobilności w momencie wzrostu cen paliw o 20%?”)

Bank jako platforma życiowa: ekosystem wartości dodanej

Logiczną konsekwencją transformacji w kierunku organizacji kreującej dane jest ewolucja modelu biznesowego od dostawcy usług finansowych do platformy życiowej, integrującej różnorodne doświadczenia i usługi. Transformacja ta obejmuje:
– Budowę ekosystemów usług dodanych (VASP – Value Added Service Platforms)
– Personalizację na poziomie wartości życiowej klienta (LTV – Life Time Value)
Budowa ekosystemów usług dodanych (VASP) to tworzenie przez bank zintegrowanych platform, wykraczających poza tradycyjną ofertę finansową. VASP-y mogą obejmować różne aspekty życia klientów, m.in.: zdrowie, mieszkanie, mobilność, edukację, pracę czy rozrywkę. Każda z tych platform tworzy unikalne dane, niedostępne dla tradycyjnych konkurentów, które mogą być potencjalnym źródłem generowania nowych przychodów.

Bank zorientowany na wartość życiową klienta (CLV) projektuje doświadczenia uwzględniające jego życiowe potrzeby i aspiracje. Finansowanie jest tylko jednym z elementów kompleksowego wsparcia w realizacji życiowych celów. Przykładowo, platforma mieszkaniowa nie tylko oferuje kredyt hipoteczny, ale kompleksowe wsparcie w całym procesie zmiany miejsca zamieszkania, od poszukiwania nieruchomości, przez przeprowadzkę, po urządzenie i zarządzanie nowym lokalem/nową nieruchomością.

Perspektywy rozwoju: Droga ku Artificial Capable Intelligence

Nadchodząca era Artificial Capable Intelligence (ACI) otworzy przed sektorem bankowym bezprecedensowe możliwości transformacji. ACI, charakteryzująca się zdolnością do hierarchicznego planowania i realizacji złożonych, wieloetapowych celów, umożliwi bankom jakościową rewolucję w budowaniu doświadczeń w relacji z klientami.

Etyczne wymiary transformacji: odpowiedzialność za zaufanie

Transformacja banku w platformę życiową niesie ze sobą nie tylko korzyści biznesowe, ale również istotne wyzwania etyczne. Organizacja, która aspiruje do centralnej roli w życiu klienta, musi przyjąć na siebie znacznie większą odpowiedzialność niż tradycyjna instytucja finansowa.

Dostęp do bezprecedensowej ilości danych o kliencie – nie tylko finansowych, ale również dotyczących zdrowia, mobilności, relacji społecznych czy preferencji – wymaga ogromnej odpowiedzialności za ich etyczne wykorzystanie. W niektórych sytuacjach może to wiązać się z rezygnacją z potencjalnych zysków na rzecz dobra klienta.

Szczególnie istotna jest subtelna granica między personalizacją a manipulacją. Zaawansowane modele AI potrafią identyfikować i wykorzystywać psychologiczne predyspozycje oraz słabości klienta. Zgodnie z duchem AI Act, wymagać to będzie systematycznej ewaluacji etycznych aspektów algorytmów rekomendacyjnych i mechanizmów podejmowania decyzji.

Bank-platforma musi więc stać się nie tylko technologicznie zaawansowany, ale również etycznie świadomy – łącząc efektywność biznesową z fundamentalną odpowiedzialnością za dobrobyt swoich klientów.

Przykład sukcesu: DBS Bank – od cyfryzacji do datafikacji

Singapurski bank DBS rozpoczął swoją transformację od radykalnej zmiany misji – z „Making Banking Easy” na „Live More, Bank Less”. Ta pozornie drobna zmiana odzwierciedlała fundamentalną redefinicję roli banku: z instytucji finansowej w platformę wspierającą sensytywne potrzeby życiowe.
Kluczowe elementy transformacji DBS obejmowały:
– Stworzenie ekosystemu usług niefinansowych, który generuje unikalne dane i wgląd w wzorce zachowań klientów
– Implementację zaawansowanych modeli przyczynowych dla lepszego zrozumienia motywacji klientów
– Rozwój platform usług dodatkowych oferujących wsparcie dla różnych aspektów życia – od mieszkania, przez podróże, po edukację

Transformacja DBS przyniosła spektakularne rezultaty: wzrost wartości życiowej klienta (CLV) o 43%, redukcję kosztów akwizycji klienta o 68% dzięki efektowi platformy oraz tytuł „Najlepszego Banku Cyfrowego na Świecie” przez pięć kolejnych lat.

Sukces DBS pokazuje, że transformacja banku w platformę życiową nie jest utopijną wizją, lecz realną strategią biznesową, która przynosi wymierne korzyści zarówno dla organizacji, jak i dla jej klientów.

Podsumowanie i wizja przyszłości – W stronę symbiozy technologii i człowieczeństwa

Przedstawiona w artykule transformacja od tradycyjnej bankowości opartej na danych do organizacji aktywnie kreującej klienta nie jest utopijną wizją, lecz strategiczną koniecznością w świecie rosnącej złożoności i zmieniających się oczekiwań klientów. Jak pokazuje przykład DBS Bank, odważne przekraczanie granic tradycyjnego myślenia bankowego i implementacja strategii datafikacji prowadzi zarówno do wymiernych rezultatów biznesowych, jak i do budowy trudnej do skopiowania przewagi konkurencyjnej.
Fundamenty tej transformacji opierają się na trzech przełomowych odkryciach współczesnej nauki o AI, które razem tworzą spójną architekturę nowego paradygmatu bankowego:

• Drabina Przyczynowa Pearl’a pokazuje, że prawdziwe zrozumienie wymaga przejścia od korelacji („co się stało?”) przez interwencję („co się stanie, jeśli?”) do wyobraźni („co by było, gdyby?”). Ten model stanowi intelektualną mapę drogową dla organizacji dążących do przekształcenia z reaktywnych obserwatorów przeszłości w proaktywnych architektów przyszłości.
• Metafora Tortu LeCuna rewolucjonizuje nasze podejście do danych, pokazując, że tradycyjna bankowość skupia się na „wisience” (oznaczone dane transakcyjne), czasami sięga po „lukier” (feedback z interakcji), ale całkowicie ignoruje „biszkopt” (ogromną masę kontekstowych informacji o życiu klienta), w którym kryje się prawdziwy potencjał zrozumienia motywacji i przyszłych potrzeb. To w tym „biszkopcie” – w uczeniu samouczącym się – znajduje się klucz do strategicznej AI i kontrfaktycznego myślenia.
• Wizja Kompetentnej AI Suleymana oferuje praktyczną ścieżkę implementacji – od obecnych narzędzi AI do systemów zdolnych do hierarchicznego planowania i realizacji złożonych celów życiowych klientów. ACI stanowi pomost między dzisiejszą generatywną
  AI a przyszłą ogólną sztuczną inteligencją, oferując bankom możliwość transformacji w prawdziwych partnerów życiowych swoich klientów.

Synteza tych trzech perspektyw – przyczynowość Pearl’a, spektrum danych LeCuna i capabilities ACI Suleymana – tworzy nowy paradygmat bankowości, gdzie AI przestaje być jedynie „inteligencją technologii” (narzędziem optymalizacji), a staje się „technologią inteligencji” (partnerem w kreowaniu wartości).

Motywacje i potrzeby klientów są trudne do identyfikacji przez tradycyjne metody analityczne. Przyszłość sektora bankowego będzie należeć do organizacji, które potrafią wykorzystać analizę czynników PESTEL i narzędzia wnioskowania przyczynowego do identyfikacji tych często głęboko ukrytych motywacji i potrzeb. W rezultacie, zgodnie z ideą opisaną przez Petera Druckera, mówiącą, że „celem biznesu jest stworzenie klienta”, zamiast reagować na potrzeby klientów, będą mogły je aktywnie kreować. Co więcej, aktywne tworzenie nowych przestrzeni wartości może pozwolić nawet wyprzedzać oczekiwania klientów.

Kluczem do sukcesu jest zrozumienie, że dychotomia zawarta w tytule artykułu „AI: Inteligencja Technologii czy Technologia Inteligencji?” znajduje swój sens w synergicznym połączeniu obu wymiarów. Prawdziwa transformacja sektora bankowego będzie możliwa tylko wtedy, gdy instytucje finansowe przekroczą barierę postrzegania AI wyłącznie jako narzędzia optymalizacji procesów i zaczną wykorzystywać ją jako strategiczny fundament nowego modelu relacji z klientem.

Nadchodząca era Artificial Capable Intelligence otwiera przed sektorem bankowym bezprecedensowe możliwości transformacji – nie tylko produktów i usług, ale fundamentalnej roli banku w życiu klienta. To transformacja od dostawcy usług finansowych do zaufanego partnera życiowego, który wykorzystuje całe spektrum możliwości AI – od „wisienki” uczenia nadzorowanego, przez „lukier” uczenia ze wzmacnianiem, po „biszkopt” uczenia samouczącego się – do kreowania przyszłości wraz ze swoimi klientami.

Przyszłość bankowości nie zostanie zbudowana przez tych, którzy wciąż analizują przeszłość w nadziei, że pozwoli im ona przewidzieć kierunki rozwoju. Przyszłość będzie należeć do tych, którzy zrozumieją, że klient nie jest jedynie zbiorem cyfr w Big Data, lecz człowiekiem z aspiracjami, emocjami i życiowymi celami, które technologia może wspierać, ale nigdy nie zastąpić.

Jak trafnie zauważył Albert Einstein: „Szaleństwem jest robić to samo i spodziewać się różnych rezultatów.” Być może to jest ten właściwy moment, który wymaga intelektualnej odwagi – aby, nie podważając fundamentów istniejącego porządku, poszukać czegoś więcej: wizjonerskiego podejścia zdolnego do konstruktywnego przeprojektowania relacji bank-klient. To właśnie ta żywa ciekawość poznawcza rodzi w nas chęć eksploracji nowego wymiaru bankowości, która podąża w kierunku symbiozy technologicznej precyzji z głębokim zrozumieniem ludzkiej natury.

Czas na odważne przekraczanie granic …

Bibliografia
1. Pearl J., Mackenzie D. (2021) Przyczyny i Skutki. Rewolucyjna nauka wnioskowania przyczynowego, Copernicus Center Press.
2. Gigerenzer G. (2023) Zdrowy umysł w sieci algorytmów, Copernicus Center Press
3. Suleyman M., Bhaskar M. (2024) Nadchodząca fala. Sztuczna inteligencja, władza i najważniejszy dylemat ludzkości w XXI wieku, Wydawnictwo Otwarte, Kraków
4. Mayer-Schönberger V., Cukier K. (2017) Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie, MT Biznes.
5. Kreft J. (2019) Władza algorytmów. U źródeł potęgi Google i Facebooka, Wydawnictwo UJ.
6. LeCun Y., Bengio Y., Hinton G. (2015) Deep learning, Nature.
7. Przanowski K., Fidos W. (2021) Czy warto wyceniać dane w dobie cyfrowej transformacji? KONTROLERINFO Nr25 (Grudzień 2021)
8. Fidos W. (2020) Czy sztuczna inteligencja pomoże bankom wygrać ze złożonością organizacji. https://itwiz.pl/czy-sztuczna-inteligencja-pomoze-bankom-wygrac-ze-zlozonoscia-organizacji/