Z Kamilem Konikiewiczem – dyrektorem AI w PKO BP, rozmawiałem o realnych zastosowaniach sztucznej inteligencji, o trudnościach i złożoności tego rodzaju wdrożeń, a także o tym, czego należy się spodziewać, a co jeszcze długo będzie jedynie niespełnioną wizją futurystów.
Od lewej: Kamil Konikiewicz (PKO BP), Łukasz Piechowiak (Fintek.pl).
Łukasz Piechowiak: Zacznijmy od mocnego uderzenia. Co to jest sztuczna inteligencja?
Kamil Konikiewicz.: To bardzo szerokie pojęcie, używane w rozmaitych kontekstach, ale spróbuję przytoczyć różne ujęcia. Z jednej strony AI to pewien twór czy domena, której celem jest nauczenie naśladowania człowieka przez maszynę. Z drugiej strony, sztuczna inteligencja to określenie bytu, który być może powstanie za kilkadziesiąt lat, posiadającego zdolność do postrzegania rzeczywistości, wyciągania wniosków i podejmowania działań analogicznie do tego jak robią to ludzie. Naturalnie i w sposób autonomiczny.
Wyraźnie zaznaczam, że kiedy mówimy o sztucznej inteligencji w obecnych zastosowaniach, czy w banku, czy w innych branżach, to mówimy o czymś co się nazywa Narrow AI (lub Weak AI), czyli system sztucznej inteligencji wyspecjalizowany do rozwiązywania trudnych, szczegółowych, ale dobrze zdefiniowanych zadań. Przykładem może być program do gry w szachy, czy też chińskie Go. Do bardziej praktycznych zastosowań można zaliczyć np.: systemy wspierające diagnostykę onkologiczną poprzez automatyczną analizę zdjęć rentgenowskich czy obrazu rezonansu magnetycznego. Choć nie tylko – są to też systemy, które pomagają w codziennym życiu np. osobom niewidomym, które dzięki wsparciu AI mogą bezpieczniej i wygodniej poruszać się po ulicach. Innym zastosowaniem, z biznesu bankowego, jest asystent głosowy, który pomaga w korzystaniu z bankowości elektronicznej lub mobilnej.
Kamil Konikiewicz, PKO BP
Ł.P.: Czyli mówimy o algorytmach, które rozwiązują konkretne problemy?
K.K.: Dokładnie tak. Mówimy o rozwiązaniach, które doszły do takiego poziomu zaawansowania, że kiedy patrzymy przez pryzmat poszczególnych „use caseów” (przypadek użycia, scenariusz użycia), to robi to już ogromne wrażenie. Jesteśmy jednak jeszcze daleko od momentu, gdy powstanie byt potrafiący – właściwie wszystkie z te rozwiązania – wykonywać całkowicie automatycznie, a jednocześnie uczyć się nowych w sposób nienadzorowany przez człowieka.
Do uniwersalnej sztucznej inteligencji jeszcze nam daleko, ale mówi się to jest kwestia kilkudziesięciu lat. Czas pokaże, bo jest to dyscyplina bardzo nieprzewidywalna. Obecnie mamy eksplozję pomysłów na zastosowania Narrow AI, ale nawet największe autorytety w dziedzinie sztucznej inteligencji nawołują: „enough papers, let’s build AI now!”. Oznacza to, że wystarczy już teorii, czas na praktykę, bo mamy już wystarczająco potężne narzędzia do rozwiązywania wielu problemów i stawiania czoła wyzwaniom, nie tylko biznesowym, ale też społecznym. Zacznijmy je wdrażać, wykorzystywać tę wiedzą, którą zgromadziliśmy.
Ł.P.: Dobrze, zanim przejdziemy dalej… jak Pan zaczął swoją przygodę ze sztuczną inteligencją czy też, by być bardziej precyzyjnym, z Narrow AI? Jak zostać ekspertem w tej dziedzinie?
K.K.: Ja zaczynałem od zaawansowanej analizy danych i pracując przy projektach z tego obszaru przez lata budowałem swoje doświadczenie. Nie jest to jednak jedyna droga i profil kompetencyjny – gdybym zaczął przedstawiać członków mojego zespołu, to właściwie każdy z nich ma wyspecjalizowane doświadczenie i umiejętności w różnych dziedzinach. Mamy osoby, które mają wykształcenie o profilu lingwistycznym. To one odpowiadają za układanie języka, którym posługuje się nasze rozwiązanie, w taki sposób, by było to zrozumiałe i intuicyjne dla każdego użytkownika. Mamy specjalistów odpowiedzialnych za analizę danych – programistów, analityków biznesowych, a także osoby odpowiedzialne za analizę procesową.
Ł.P.: Czyli rozwiązania oparte o sztuczną inteligencję są bardzo eklektyczne, bo potrzebują wiedzy z wielu dziedzin?
K.K.: Tak. Profile ludzi, z którymi pracujemy i których mamy w zespole są bardzo zróżnicowane. Sztuczna inteligencja nie jest oderwaną od dotychczasowego biznesu dziedziną, która wymaga zatrudnienia kilkudziesięciu specjalistów od data science. Data science to jest wierzchołek góry lodowej, o którym ostatnio najczęściej się mówi, bo jest przy tym dużo szumu medialnego. Przy machine learning, czyli uczeniu maszynowym, o którym mówi się o wielu lat, samo uczenie algorytmów zajmuje 10% całego czasu pracy lub nawet mniej. Reszta to naprawdę często pieczołowite, mrówcze i czasochłonne prace mające na celu to, by maszyna tzn. program, którą uczymy – rozumiała i umiała odpowiednio zareagować na dostarczone jej dane.
Ł.P.: Gdybym był młodym finansistą, który myśli o karierze w sektorze bankowym, tworząc rozwiązania AI, to jaką książkę musiałbym przeczytać i jaki film obejrzeć, by zrozumieć, czym jest sztuczna inteligencja?
K.K.: Jest tego bardzo dużo, ale większość filmów, które dotyczą tematów sztucznej inteligencji to wizje artystów przedstawiające daleką przyszłość, bo opowiadają o autonomicznych bytach, które same rozumują i uczą się. Jeśli chodzi o bieżące dokonania w dziedzinie AI, to poleciłbym dokument o tym jak współczesna technologia doszła do etapu, w którym jest w stanie pokonać arcymistrza w Go – „AlphaGo” (do obejrzenia na YouTube). To film, który w bardzo ciekawy sposób pokazuje zarówno postęp technologiczny, ale i też naszą bardzo ludzką reakcję na sytuację, w której ten postęp zaczyna obejmować obszary do tej pory zarezerwowane wyłącznie dla człowieka.
Ł.P.: Właśnie, czy gracie w Go?
K.K.: Na razie preferujemy planszówki, bo dają możliwość gry w kilka osób naraz. Go to bardzo ciekawa gra, która łączy elementy myślenia strategicznego, przewidywania, ale też wymaga pewnego rodzaju intuicji i przeczucia. W przypadku Go trudność dla komputerów polega na tym, że wraz z wydłużeniem horyzontu przewidywania ruchów szybko następuje eksplozja numeryczna, tzn. każdy kolejny ruch zwiększa liczbę kombinacji o kilka rzędów wielkości. Pod tym względem szachy są dużo mniej złożone, dlatego w tej grze przełom związany z AI nastąpił już ponad 20 lat temu. Dzisiaj posiadamy technologie i tworzymy algorytmy, które potrafią pokonać umysł człowieka w czymś co było naszą domeną od zarania dziejów, a mianowicie nie tylko w logicznym myśleniu, ale też intuicyjnym.
Ł.P.: A książka?
K.K.: Dla osób początkujących w dziedzinie analizy danych i uczenia maszyn poleciłbym „Everybody lies” Setha Stevensa Davidowitza oraz „Weapons of Math Destruction” Cathy O’Neil. Pierwsza z nich pokazuje przekrój przypadków zastosowań technologii i jak głęboko zakorzenione są one w naszym codziennym życiu, a zaczyna się od przewrotnego studium tego, co sami mówimy o sobie jako mieszkańcach danego kraju, regionu czy kontynentu versus to co o nas mówią frazy czy wyszukiwania z Google. Druga książka opowiada o tym jak nieumiejętnie używane algorytmy mogą tworzyć nierówności społeczne np. w systemie sądowniczym czy socjalnym. Te lektury mogą dać czytelnikowi bardzo ciekawe refleksje.
Ł.P.: Czyli przechodzimy do tematu etyki w sztucznej inteligencji. No dobrze, w takim razie co sztuczna inteligencja może zrobić dobrego w systemie bankowym dla ludzi, dla klientów i banków. Co może, a co już robi?
K.K.: Dla klienta sprawia, że bankowanie jest łatwiejsze, szybsze i bardziej dostępne. Mogę przytoczyć kontekst projektu, który mam przyjemność prowadzić. Aktualnie budujemy asystenta głosowego, który pomaga klientom w aplikacji mobilnej, ale też i w obsłudze telefonicznej, realizować różnego typu procesy bankowe. Z jednej strony możemy więc mówić o większej wygodzie najczęściej wykonywanych codziennych operacji bankowych, jak zlecanie przelewów czy wyszukania czegoś w historii transakcji. Pracujemy nad tym nie tylko dlatego, że chcemy by było wygodniej realizować przelewy za pomocą poleceń wydawanych głosem.
(…) Chodzi też o to, że prawdopodobnie niebawem dojdziemy do ściany, jeśli chodzi o pojemność ekranu i pojemność interfejsu graficznego (…)
Chodzi też o to, że prawdopodobnie niebawem dojdziemy do ściany, jeśli chodzi o pojemność ekranu i pojemność interfejsu graficznego. Liczba opcji i funkcji dostępnych w serwisach transakcyjnych, czy aplikacjach mobilnych zaczyna się robić tak ogromna, że przeciętnemu klientowi jest coraz trudniej poruszać się po bankowym interfejsie, nawet jeśli są one tworzone zgodnie ze wszystkimi wytycznymi, czy najlepszymi praktykami user experience. Dlatego w pewnym zakresie chcemy przejść do poziomu, gdzie klient nie musi troszczyć się o to, gdzie jest w bankowym systemie transakcyjnym dana opcja lub usługa, tylko po prostu wydaje polecenie głosowe. To samo dotyczy połączeń z infolinią – zamiast wybierać temat rozmowy przeklikując się przez kolejne opcje, klient może po prostu powiedzieć co chce załatwić i natychmiast uzyskać odpowiedź lub połączenie z właściwym konsultantem lub… botem.
Ł.P.: Czy asystent głosowy PKO BP już działa tak jak byście tego chcieli? A przede wszystkim dla kogo jest to rozwiązanie, bo chyba nie projektowaliście go tylko z myślą o geekach?
K.K.: Zdecydowanie nie celujemy w 1% czy 2% fascynatów technologii, tylko przygotowujemy rozwiązanie dla wszystkich klientów. Nie chcemy stworzyć tylko i wyłącznie głosowej wersji IKO, tzn. po kolei odtwarzać wszystkie funkcje dostępne w aplikacji mobilnej w wersji głosowej. To nie ma być automat reagujący wyłącznie na wybrane komendy, ale bardziej partner do dyskusji, do czego stopniowo dojdziemy. To, że wybraliśmy takie a nie inne funkcje transakcyjne i zadania do wsparcia przez asystenta głosowego, wynika z tego, że chcemy by byłon dostępny dla jak najszerszej grupy użytkowników i mogli się oni oswoić z nową technologią. Naszą koncepcją jest, by od podstawowych funkcji (przelewy, doładowania, przeszukiwanie historii, czy po prostu nawigacja po IKO) przejść do zaawansowanego asystenta, który będzie podpowiadał użytkownikowi co zrobić ze zgromadzonymi na koncie pieniędzmi czy też jakie decyzje finansowe podejmować, by osiągać najbardziej optymalne rezultaty.
(…) Nie chcemy stworzyć tylko i wyłącznie głosowej wersji IKO, tzn. po kolei odtwarzać wszystkie funkcje dostępne w aplikacji mobilnej w wersji głosowej. To nie ma być automat reagujący wyłącznie na wybrane komendy, ale bardziej partner do dyskusji, do czego stopniowo dojdziemy (…)
Ł.P.: Coś na zasadzie: „drogi kliencie, nie wiem czy nie zdajesz sobie sprawy, że Twój ulubiony kontrahent spóźnia się z płatnością. Wyślij mu ponaglenie, to działa w 90% przypadków?”
K.K.: Można mnożyć przykłady. Wszystko zaczyna się od tego, żeby mieć możliwość w miarę szybkiego i sprawnego wyszukania, czy podsumowywania operacji, które klient wykonuje na swoim koncie według nazwy odbiorcy lub kategorii. Z tego wyłania się cały szeroki wachlarz możliwości wsparcia klienta. Możemy przypomnieć mu o zaległych opłatach, podpowiedzieć, czy za coś nie przepłaca lub płaci dwukrotnie za podobny produkt, pomóc mu wyszukać odpowiedni produkt. Możemy odpowiedzieć na rozmaite relatywnie proste pytania, ale wbrew pozorom niezwykle wyrafinowane od strony technologicznej.
Przykładowa ciekawostka – jedna z naszych klientek rzuciła pomysł i zapytała: „chciałabym wiedzieć czy już przyszedł zwrot ze sklepu internetowego? Czy muszę się logować do aplikacji i szukać odpowiedniej transakcji, czy może mogę zapytać: hej, czy przyszedł już zwrot?”. To nie takie proste, by asystent mógł odpowiedzieć po prostu: „Tak, przyszedł”, bo trzeba nauczyć program kontekstu, następnie inteligentnie przeszukać transakcje klienta i tak jak człowiek – szybko odpowiedzieć. Jeśli użytkownik ma czekać kilkanaście sekund na odpowiedź asystenta głosowego, to będzie wolał sam zrobić kilka kliknięć ręcznie. To jednak nie koniec, bo rozmowa nie musi się skończyć na odpowiedzi asystenta. Użytkownik będzie mógł ją kontynuować: „skoro przyszedł zwrot, to przenieś te pieniądze np. na konto oszczędnościowe”.
Ł.P.: Dobrze. Ale rozmawiamy o interfejsie użytkownika. Sztuczna inteligencja, tudzież Narrow AI to również rozwiązania, które można wykorzystywać w back office banku. Jaką niesie to korzyść? Skoro ustaliliśmy, że to są algorytmy, to jak wykorzystywać je w takim przedsiębiorstwie jakim jest bank? Od razu zastrzegam, że prosta odpowiedzieć, że to obniża koszty i uwalnia zasoby nie będzie dla mnie satysfakcjonująca.
K.K.: Wspomnę o trzech grupach zastosowań. Pierwsza, to usprawnienie procesów, w których chodzi o powtarzalne, schematyczne zadania np. wprowadzanie danych do systemów, sczytywanie czy przepisywanie z miejsca do miejsca, czy też proste instrukcje warunkowe – obsługę wniosków kredytowych czy rozpatrywanie reklamacji. Te zadania trafiają do banku , muszą być rozpatrzone w miarę szybko – klient jest zainteresowany odpowiedzią, a nie procesem. Ponieważ większość danych jest wprowadzana za pośrednictwem formularza, to pewne rzeczy można zautomatyzować nie angażując człowieka do operacji typu „kopiuj-wklej”. Dzięki temu człowiek może zajmować się tym, co jest jego domeną, czyli świadomym nadzorem i empatią.
Kolejna sprawa to są zastosowania wokół szeroko pojętego bezpieczeństwa. Rzeczy związane z biometrią, proste rzeczy jak np. to, czy pracowników lub kontrahentów moglibyśmy sprawdzać bez udziału lub z minimalnym zaangażowaniem ludzi, nie tylko na podstawie dokumentu, ale też na podstawie obrazu z kamery, czy odcisków palców. To są wszystko elementy, które zahaczają mocno o sztuczną inteligencję. Mamy też wytworzone wewnątrz banku rozwiązania, które pilnują bezpieczeństwa naszych zasobów finansowych, weryfikując tożsamość pracowników lub współpracowników.
Asystenta czy chatbota można też wykorzystać do szeregu zastosowań w HR czy wewnętrznym Helpdesku w banku, który ma ponad 20 000 pracowników. Automatyzacja w komunikacji usprawnia działanie organizacji – do tego nie trzeba przekonywać nikogo, a szczególnie tego, kto musi przykładowo odpowiedzieć na 40 takich samych lub bardzo podobnych pytań dziennie.
Ł.P.: Z innej beczki. Czy jako szef działu sztucznej inteligencji w banku ma Pan więcej czy mniej pracy?
K.K.: Zdecydowanie coraz więcej – obserwuję wyraźnie rosnący apetyt jednostek biznesowych na zastosowania AI.
ŁP.: A w jakim miejscu się teraz znajdujemy? To jest pytanie o określenie pozycji jako bank, branża, świat.
K.K.: Jako bank znajdujemy się w punkcie, w którym udowodniliśmy, że tego typu technologia ma realne zastosowania i przyniesie same korzyści. My w banku jesteśmy po dużej fali wdrożeń w ramach tego projektu, który prowadzimy i wydaje się, że ludzie zobaczyli, że to nie jest zawieszona w próżni mrzonka, tylko rzeczywistość.
Ł.P.: A co Pan sądzi o startupach, które twierdzą, że mają AI?
K.K.: Skromnie i ostrożnie podchodzę do sformułowania sztuczna inteligencja. To pojęcie jest nadużywane w odniesieniu do prostych rozwiązań, które opierają się na zaszytej w środku wiedzy eksperckiej. Z doświadczenia mogę powiedzieć, że 30-40% firm, które przychodzą z AI na sztandarach, nie mają z tym pojęciem nic wspólnego. Te liczby niestety znajdują potwierdzenie w niedawno publikowanych badaniach rynkowych.
Ł.P.: To co zwykle mają startupy?
K.K.: Koncepcję, ale często na bardzo wstępnym i ogólnym poziomie. Mało który startup po pierwszym spotkaniu przekonuje nas do kontynuacji rozmów. Jeśli chodzi o filtrowanie, to ogrom pracy wykonują koledzy i koleżanki z programu Let’s Fintech. Ale wracając do pytania, gdzie jesteśmy, to jeszcze raz podkreślę, że udowodniliśmy, że to działa i przynosi realną wartość biznesową w różnych aspektach. W niedługim czasie będziemy zapewne chwalić się naszymi wdrożeniami z zakresu obsługi klienta, kanałów cyfrowych, bezpieczeństwa wewnętrznego i biometrii.
„(…) Mało który startup po pierwszym spotkaniu przekonuje nas do kontynuacji rozmów.”
Ł.P.: Czym się różnią kanały cyfrowe od obsługi klienta w tym ujęciu?
K.K.: Gdy mówimy o kanałach cyfrowych, czyli przede wszystkim o aplikacji mobilnej IKO, to realizujemy przede wszystkim funkcje transakcyjne. W przypadku kanałów obsługowych mam na myśli infolinię, gdzie wdrażamy rozwiązania informacyjne. Mamy też proces, gdzie przypominamy klientom o płatnościach. Mamy też czwarty temat związany z bezpieczeństwem wewnętrznym.
Ł.P.: Dobra, a jako branża, to gdzie jesteśmy?
K.K.: Tu trzeba być ostrożnym. Kiedyś popularne było sformułowanie Big Data, które było mocno „przehajpowane”. Często wizja i realizacja są… no co tu dużo mówić – najlepiej oddającym znaczenie tej sytuacji jest sformułowanie „over-promise”, czyli niespełniona obietnica. Mamy też, z drugiej strony, bardzo wiele wdrożeń, setki udanych realizacji, które przynoszą realną wartość, które nie są znane szerszej publiczności. Aczkolwiek patrząc na poziom tzw. „hype” versus to, co faktycznie dowoziły te projekty, to czasem czujemy niedosyt.
Ł.P.: Kto jest cichym liderem rozwoju sztucznej inteligencji w Polsce, na świecie? Czy to jest GAFA (Google, Amazon, Facebook, Apple)?
K.K.: Tak, oni są liderem. Może nie tyle jeśli chodzi o rozwój w zrozumieniu i postępów badawczych. Oni są liderem na pewno ze względu na skalę wdrażania.
Ł.P.: Podsumowując, AI jest trochę „przehajpowane” medialnie, zwłaszcza w kontekście startupów, ale mamy też rzeczywiste wdrożenia przynoszące korzyść biznesową. Polska na tym tle zapewne nie jest liderem, ale może chociaż kompetencyjnie jesteśmy w czołówce?
K.K.: Nie jest źle. Zawsze byliśmy mocni w szeroko pojętych naukach ścisłych i programowaniu. To z całą pewnością. Jeśli chodzi o wdrożenia, to chyba każdy z nas chciałby, aby w pewnych obszarach sprawy biegły szybciej np. przy rozwiązywaniu rozmaitych kwestii społecznych czy zdrowotnych.
Ł.P.: Właśnie, AI w ochronie zdrowia może zdziałać cuda.
K.K.: Wyraźnie jesteśmy na początku rozwoju telemedycyny. AI raczej długo nie będzie nas leczyć, ale może z powodzeniem wejść do procesu diagnostycznego jako wsparcie człowieka. Może podnosić alarm, gdy zauważy pewne nieprawidłowości w wynikach badań i wspierać lekarza w podjęciu decyzji, bo przecież człowiek może coś przeoczyć. AI w tym aspekcie byłaby nieoceniona.
Ł.P.: Jak AI radzi sobie z indywidualizacją? Każdy człowiek jest inny, ma inne potrzeby. Przeciętny Kowalski nie istnieje.
K.K.: Na rynku funkcjonują stereotypy. Nad danymi można się pastwić w nieskończoność dokonując dziesiątek segmentacji, ale często nie prowadzą one do niczego innego niż wewnętrznej satysfakcji analityka. Łatwo popełnić błąd logiczny przy konstrukcji rozwiązania, np. można coś przesadnie uprościć przyjmując, że dany schemat będzie pasować gdzieś indziej. Przyjmujemy też często, że klienci banku „A” są tacy, a klienci banku „B” są inni – to samo dotyczy regionów czy branż. Chyba każdy dobry analityk doskonale zdaje sobie sprawę z tego, że taka idealna homogeniczność nie jest prawdziwa za wyjątkiem czysto hipotetycznych bytów.
Mogą być różne reakcje, zapotrzebowania, sposoby formułowania potrzeb. Algorytmy pomagają nam zrozumieć te różnice i odnaleźć nisze. Natomiast jedna rzecz, to je poprawnie zidentyfikować, a druga to przygotować dla nich odpowiednio atrakcyjną podpowiedź lub ofertę.
Druga sprawa, to świadomość, że my nie działamy na teoretycznym środowisku i możemy w nim sobie w nieskończoność badać, jak użytkownik zareaguje na jakieś działania. Zazwyczaj jest jedna szansa lub jedna szansa na 100, by klientowi zaproponować coś, co będzie dla niego atrakcyjne. Bardzo łatwo doprowadzić do sytuacji, że np. wysyłane komunikaty będą traktowane jako nieistotne, bo 9 na 10 razy była to nietrafiona podpowiedź lub oferta. Nie ma tu nieskończonej liczby prób.
„Zazwyczaj jest jedna szansa lub jedna szansa na 100, by klientowi zaproponować coś, co będzie dla niego atrakcyjne. (…)”
Na koniec – nie zawsze można dokonać pomiaru osiągniętych celów. Naturalnie, gdy jest cel finansowy, to jest to policzalne i mierzalne, ale gdy celem jest sprawdzenie zadowolenia użytkownika, sprawienie by był szczęśliwszy… to jest czasem niemożliwe, ale robimy co w naszej mocy.
Ł.P.: Dziękuję za rozmowę.
K.K.: Ja również.
Z Kamilem Konikiewiczem rozmawiał Łukasz Piechowiak.
Kamil Konikiewicz w PKO Banku Polskim kieruje Biurem Rozwoju Sztucznej Inteligencji i realizuje m.in. projekt budowy asystenta głosowego w kanałach cyfrowych i telefonicznych, a także inne inicjatywy z zakresu NLP oraz wizji komputerowej. Wcześniej pracował w SAS, prowadząc regionalny zespół analityczny na region Europy Środkowo-Wschodniej i Bliskiego Wschodu. Posiada ponad 14-letnie doświadczenie zdobyte podczas realizacji ponad 30 projektów dla krajowych i zagranicznych firm z sektora telekomunikacyjnego, bankowego i energetycznego. Absolwent Wydziału Matematyki i Nauk Informacyjnych Politechniki Warszawskiej, na kierunku Matematyka. Wykładowca w ramach podyplomowych studiów Analizy Statystyczne i Data Mining w Biznesie na SGH.
Ostatnie podcasty