Искусственный интеллект (ИИ) — сегодня в моде. Каждый разработчик старается рассказать всему миру, что уж в его-то революционном продукте искусственного интеллекта больше, чем у всех остальных, поэтому он лучше всех и его надо брать. В общем, та же история, что недавно была с облаками, а до этого — с «зелёными» eco-friendly продуктами.
Теперь, когда волна немного схлынула, а любители модных слов переключились на блокчейн, можно взглянуть на ИИ объективно: что он даёт на самом деле? Приносит ли он деньги не стартапам, которым очень хочется продаться подороже, а серьёзному бизнесу? Как оказалось — да. Хоть и с оговорками.
Как ИИ помогает распознавать лица
В компьютерном распознавании лиц нет ничего удивительного, да и новой эту область назвать язык не поворачивается — первая рабочая система увидела свет ещё в шестидесятых годах прошлого века.
Вычислительные мощности с тех пор росли экспоненциально, так что возникает вопрос: почему же Большой Брат всё ещё не наблюдает за нами всегда и везде? Ответ прост: до последнего времени распознавание лиц не использовало ИИ, поэтому было не слишком эффективно.
В начале двухтысячных, например, полиция в Англии и СЩА пыталась применять распознавание лиц для борьбы с преступностью — эксперименты оказались не очень удачными.
В аэропорту Бостона за два года результата не было вовсе, как и в городе Тампа (Флорида). Британский опыт был успешнее — автоматическая система ни разу не обнаружила заданные цели, но зато преступность упала, по словам местных правоохранительных органов, более чем на 30%!
Система-то практически не работала, но люди об этом не знали — и на всякий случай опасались совершать противоправные действия.
Ну а сейчас, в эпоху ИИ, эффективность распознавания лиц резко возрастает за счёт применения нейросетей. Осталось лишь немного подождать — и они будут повсюду. А где-то, например, в Китае, «светлое будущее» уже наступило.
Но правоохранительные органы — не единственные бенефициары новой технологии. Конечно, для всех компаний, работающих с большим объёмом розничных клиентов, важно как-то контролировать ситуацию. Но между точкой продаж еды на вынос и финансовой организацией есть существенная разница: риск. Если пиццерия не сможет эффективно развивать продажи в заданном районе и у нужной целевой аудитории — это одно. А если банк выдаст кредитов одному и тому же человеку на разные паспорта, а потом ещё и даст ему совершить переводы со взломанных аккаунтов настоящих клиентов, это уже совсем другой масштаб проблемы.
Мировой опыт: первые шаги
Мировым пионером распознавания лиц в кредитно-финансовой сфере, по крайней мере, судя по открытым источникам, выступил Deutsche Bank ещё в далёком 1997-м году.
По отзывам, система уже тогда могла узнавать людей, не обращая внимания на усы, бороды, изменившиеся причёски и даже солнечные очки. Она требовала примерно 13 секунд на выбор лучшего изображения, обработку, сравнения с базой и выдачу результата.
Система продавалась под названием ZN-Face, а разработана она была на деньги Лаборатории военных исследований США.
У нас, как всегда, «не имеет аналогов»
Россия пришла к этому с лёгким опозданием, но зато сразу с крупнейшим в банковском мире внедрением этих технологий в промышленных масштабах.
Первопроходцем стал «Почта Банк» в 2015 — причём не только для обслуживания клиентов, но и ради собственных сотрудников, дополняя биометрическим распознаванием лиц двухфакторную аутентификацию при работе с финансами.
Разработчиком выступила компания VisionLabs, частная и российская, а продуктом была VisionLabs LUNA. Технологии развивались стремительно, в сравнении с ZN-Face результат VisionLabs LUNA выдавала в десять раз быстрее, а никаких специальных камер устанавливать было уже не нужно.
По заявлению Павла Гурина, члена правления «Почта Банка», внедрение технического решения компании VisionLabs окупило себя в течение нескольких месяцев, а за 2016 год позволило предотвратить совершение потенциально мошеннических сделок на сумму порядка 1,5 млрд рублей.
Кроме того, сработал тот же эффект, что и в нулевых в Англии, — преступники, узнав о системе распознавания лиц, перенесли свои усилия на другие объекты.
Отрасль в целом развивается: именно на платформе биометрической идентификации на базе VisionLabs собрался работать Сбербанк. Более того, Сбербанк объявил о договоренности приобрести 25,07% акций компании, а платформа будет работать и внутри банка и продаваться на внешний рынок.
Перспективы и фантазии
У этих систем большое будущее. Клиенты банков в любом случае позволяют организациям обработку своих персональных данных, поэтому главным вопросом становится эффективное использование этих данных. Те, кто будет по старинке подшивать данные в личные дела и собирать лежащие мёртвым грузом архивы, вряд ли смогут победить в рыночной системе.
Ведь дело не только в предотвращении мошенничества. Да, с такой системой можно выявить мошенников, пытающихся взять кредит на украденный паспорт, или инсайдеров, пытающихся украсть у вашего банка деньги. Но речь даже не об этом, а о маркетинговом потенциале системы, способной автоматически отслеживать поведение существующих и потенциальных клиентов, оценить лояльность, собрать данные об интересах и подготовить персональные предложения, максимизирующие и лояльность, и прибыль. Точно так же, как традиционная реклама уступает digital-технологиям, умный биометрический маркетинг даёт очевидные преимущества в таргетировании.
Но и на предотвращении мошенничества и маркетинге биометрия не останавливается. Уже давно существуют системы, в том числе использующие ИИ, которые оценивают «качество» клиента. Да, по официальным данным о доходах и расходах плюс кредитной историей можно сделать неплохой прогноз. Но на то и существует обработка больших данных и машинное обучение, чтобы обнаруживать неочевидные для человека взаимосвязи. Нейросети уже могут распознавать эмоции по лицу, собирают данные о внешнем виде, а потом самообучаются и сравнивают наблюдения с фактическим поведением клиента. Не за горами день, когда за время ожидания в очереди клиент уже будет оценен и классифицирован как способный или не способный принести прибыль, а кредитный лимит — рассчитан автоматически с точностью, недостижимой для человека.
Подводные камни
Но есть, конечно, и проблемы. Самая очевидная из них — использование неэффективной системы или непрофессиональное её внедрение. Например, «на стенде» модель работала и самообучалась с традиционной базой данных в локальном доступе, а в «боевых условиях» вдруг направляется на взаимодействие через интернет, и заказчик удивляется, откуда взялось проседание быстродействия в сотню раз. Или были допущены глупые ошибки при внедрении — один плюс вместо минуса и работающая в целом идеально система начнёт отказывать не худшим, а лучшим потенциальным клиентам! А если вы думаете, что работающие в серьёзных отраслях серьёзные люди не путают плюс и минус, то вспомните упавший недавно с тремя спутниками ракетоноситель «Протон», у которого сборщики перепутали полюса датчика угловых скоростей. А ведь это ещё оптимистичный сценарий, где ошибку можно будет заметить. Что, если ошибка гораздо тоньше? На её обнаружение могут уйти годы, и вместо выгоды получатся сплошные убытки.
Есть и другой нюанс. Нейросети — система сложная. Самообучающаяся. Звучит красиво? На практике это означает, что система сама решает, что ей нравится, а что нет, и не горит желанием объяснить весь логический процесс постороннему.
В 2015 году компания Google получила жалобу на то, что её распознающие изображения алгоритмы классифицируют часть чернокожих людей как горилл. Разумеется, проблему надо было решать. В 2018 году выяснилось: единственным способом решения этой проблемы Google посчитал блокировку поиска горилл и некоторых других приматов. И дело не в том, что компании не хватило денег или человеческих ресурсов, уж тут-то проблем точно не было. Просто переучить систему очень, очень сложно, часто проще начать с нуля. А бизнесу это не подходит, ему нужно рабочее решение — и сейчас, а не спустя пару лет.
Так что систему нельзя внедрить и забыть. Идея сэкономить на постпродажной поддержке соблазнительна, но, если не проводить регулярных тестов, проверок и оптимизаций, в один прекрасный день система, которую банк пытается приспособить под определение качества клиента, может решить, что ей не нравятся люди с, например, родинкой на левой щеке. А что, её опыт показал, что такие люди реже платят по кредиту вовремя. Но нейросеть об этом никому не расскажет, и с каждым ушедшим из отделения человеком с родинкой на левой щеке будет уходить и потенциальная прибыль. Вряд ли ради этого всё и затевалось, не правда ли?
И напоследок — люди не очень любят, когда за ними следят. По крайней мере, не все и не всегда. Конечно, любой человек, подходящий к банкомату, в общем-то, знает, что нужно улыбнуться, ведь его снимает скрытая камера. Но знать — это одно, а ощущать — совсем другое.
Поэтому следует избегать ситуаций, подобных той, что произошла в Осло в прошлом году, когда «заглючивший» рекламный экран показал посетителям пиццерии, что каждый проходящий мимо распознавался и оценивался безо всякого на то согласия. Казалось бы, какое применение ИИ может быть безобиднее, чем показывать мужчинам рекламу пиццы, а женщинам — салатов? Однако разразился жуткий скандал, рекламу пришлось в спешке убрать, посетителей — убеждать в кристальной чистоте помыслов, а что творилось в юридическом поле деятельности, так и вовсе неизвестно.
Некоторые люди всячески стараются обмануть системы распознавания лиц — от попыток закрыть лицо банданами и глубокими капюшонами они переходят к попыткам реверс-инжиниринга распознающих лица систем и создания специальных носимых на лице объектов, сбивающих существующие алгоритмы. К счастью, в банковской сфере с этим проще: те, кто всерьёз опасается распознавания своего лица, обычно негативно относятся и к обработке персональных данных, без согласия на которую не обходится ни одно заявление на кредит. А значит, хоть в одной сфере деятельности от внедрения систем биометрической идентификации не возникает PR-рисков. И на том спасибо.
Кирилл Кожевников
Вам понравилось? Поставьте лайк и подпишитесь на новые статьи!