Крис Коуэн, директор BTP Data, встретился с Хавьером Кампосом в конце напряженной недели, чтобы поговорить с ним о Experian Data Labs.
Хавьер является главой лаборатории данных Experian в Великобритании и регионе EMEA и недавно был избран членом Консультативного совета по искусственному интеллекту Банка Англии и FCA. Он возглавляет команду лучших неакадемических специалистов в области науки о данных. Его команда работает над широким спектром передовых инициатив, чтобы помочь Experian в развитии способности использовать большие данные, а также работает совместно с клиентами Experian над исследованием и разработкой передовых коммерческих продуктов данных.
Расскажите мне об Экспериане. Мы все знаем, что это крупная компания, предоставляющая данные о финансовых услугах, но насколько она велика?
Масштабы ресурсов данных Experian ошеломляют. Хотя Experian имеет довольно низкий профиль за пределами финансовых услуг, он был похож на Google 60-х годов, довольно революционным. Первая настоящая компания данных — и с тех пор она накапливает данные. Сегодня у него петабайты данных, охватывающие 45 стран, 163 млн записей кредитной истории бизнеса, 1,3 млрд записей потребительской кредитной истории и 82 млн бесплатных членов-потребителей. Он действительно имеет 360-градусный обзор как людей, так и компаний.
С какими основными вещами вам приходится иметь дело в Data Lab?
Что ж, основные проблемы на самом деле связаны не столько с технологиями и аналитикой, сколько с соблюдением нормативных требований и безопасностью. Еще одна важная проблема заключается в том, как интегрировать наши идеи и решения с основными бизнес-подразделениями. Интеграция продвинутого ИИ в бизнес-направление может оказаться самой большой проблемой, потому что внедрение модели ИИ не является стандартной операционной процедурой для большинства направлений бизнеса, по крайней мере, так оно и было. Вам нужны специальные навыки, чтобы быть в состоянии сделать это. Трудно найти людей, знакомых с тем, что такое модель машинного обучения и как ее можно интегрировать в повседневные ИТ и операции, а также с такими навыками.
Значит, вы не отвечаете за внедрение своих инноваций?
Роль лаборатории данных заключается в инновациях. Наша роль заключается во многом на стадии исследований и разработок в процессе разработки продукта. Однако, естественно, нам необходимо участвовать в консультировании и оказании помощи бизнес-направлениям по техническим аспектам внедрения этих инноваций. Ответственность за принятие и внедрение наших инноваций лежит на бизнес-направлениях. В основном это вопрос навыков, а не технических, потому что навыков мало. На самом деле, чтобы решить проблему с навыками, мы дошли до того, что купили компанию из-за ее навыков, просто чтобы восполнить нехватку в бизнес-направлениях.
Какие процессы и технологии вы используете для развития своих аналитических идей?
Мы следуем довольно классическому процессу НИОКР. Мы разрабатываем наши гипотезы, проводим «эксперименты», берем наши успешные эксперименты и переводим их на этап проверки концепции, а в случае успеха переходим к испытаниям. Если испытание проходит успешно, мы работаем с бизнес-подразделением над созданием и коммерциализацией инновации.
С точки зрения технологий и инструментов мы можем делать практически все, что захотим, с любой технологией, и у нас есть собственная специализированная технологическая среда, которая позволяет нам размещать очень большие наборы данных, с которыми мы имеем дело. Наш выбор технологий и инструментов полностью определяется проблемами, которые нам нужно решить, и задачами, которые нам нужно преодолеть. Выбор технологий может быть довольно широким, потому что, как я уже говорил ранее, мы не просто занимаемся анализом данных, мы также рассматриваем вопросы безопасности и предотвращения мошенничества, а также соответствия требованиям.
Есть ли какие-либо основные инструменты торговли в Data Labs?
Нашими основными инструментами являются AI и ML, которые позволяют нам обрабатывать и обрабатывать данные, с которыми мы имеем дело. Мы имеем дело с такими большими наборами данных, что вам нужно использовать инструменты AI/ML просто для того, чтобы иметь возможность видеть лес за деревьями и идентифицировать сигналы и закономерности, которые мы ищем.
Лаборатория данных также оценивает и экспериментирует со всеми соответствующими новыми технологиями, которые могут помочь решить проблемы с большими данными и пониманием. Например, мы использовали Graph, передовые технологии безопасности, мы даже рассматривали квантовые вычисления. Мы постоянно сканируем научное, открытое программное обеспечение и отраслевые сообщества на наличие любых новых технологий или выпусков, которые могут быть применены определенным образом к нашим проблемам.
С точки зрения бизнеса, что ИИ позволяет вам делать в Experian?
Мы используем ИИ для многих вещей. В некоторых странах, где это разрешено нормативно-правовой базой, мы используем его в текущей основной деятельности Experian по расчету все более и более точных оценок финансового риска и кредитоспособности, а также позволяем делать это в режиме реального времени. Мы также используем его во многих других областях, таких как мошенничество, борьба с отмыванием денег, маркетинг и так далее.
В частности, предотвращение мошенничества является областью, которая быстро развивается. Это возросло с ростом цифровой экономики. Теперь у нас есть модели для уменьшения количества ложных срабатываний при транзакциях по кредитным картам. Наш последний продукт, который мы только что запустили в США, обнаруживает и предотвращает «мошенничество с синтетическими идентификаторами», когда организованные преступные организации крадут различные наборы данных и создают так называемые «профили Франкенштейна». Это синтетический профиль, в котором все отдельные поля заполнены реальными данными, но комбинации на самом деле не существует. Этот тип профиля может «обойти» существующие системы, основанные на правилах, которые просто проверяют каждое поле профиля по существующей базе данных, но не проверяют человека в целом. ИИ намного лучше решает, является ли данный профиль реальным или синтетическим.
Является ли ИИ всем, чем его раскручивают?
Хотя вокруг ИИ много шумихи, на самом деле основная технология не сильно продвинулась вперед с момента своего появления несколько десятилетий назад. Математические основы одного из самых последних успешных алгоритмов искусственного интеллекта, «глубокого обучения», были разработаны в 1960-х годах, а ключевая статья «обратное распространение» была впервые опубликована в 1989 году. чтобы взлететь, и то, что сдвинуло его с места, — это масштаб данных, доступных сейчас. Это произошло из-за стремительного роста источников данных, в частности мобильных устройств, а также всевозможных устройств мониторинга. Кроме того, увеличивается пропускная способность сети для ее передачи и ИТ-мощности для ее обработки и обработки.
На данный момент мы находимся на этапе ИИ, который больше связан с грубой силой, чем с чем-то революционным. Алгоритмы машинного обучения обрабатывают огромные наборы данных, находят закономерности и вычисляют вероятности. Не поймите меня неправильно, это дает замечательные идеи, однако настоящий ИИ, каким его представлял себе Тьюринг, скорее всего, потребует разработки «эвристического ИИ», а для совместной работы потребуется множество различных типов семейств алгоритмов. Предстоит проделать большую работу, прежде чем это станет мейнстримом.
Вы бы сказали, что ИИ теперь является зрелым технологическим инструментом?
Сейчас ИИ приближается к переломному моменту, который я бы сравнил с эволюцией электричества. Электричество началось как изолированное изобретение, но ключевое изменение произошло, когда оно перешло в централизованную сеть с возможностью распределения. Перед сеткой вам нужно расположить электрические устройства рядом с источником энергии. Сеть позволила устройствам широко использовать ее. Это то, что происходит с ИИ. Это изменение сделает его трансформационным так же, как электричество стало трансформационным. Распределенный ИИ обеспечит гораздо более быструю доступность данных и сделает их доступными в режиме реального времени. Распределенный ИИ позволит лучше и быстрее принимать решения в каждой части организации, поскольку принятие решений, поддерживаемое ИИ, выдвигается на передний план организаций.
В заключение, что вы думаете об опасностях ИИ?
ИИ сейчас является мейнстримом и вызывает серьезные преобразования. Нет никаких сомнений в том, что он возьмет на себя работу, которую в настоящее время выполняют люди, но лично я не думаю, что кошмарный сценарий устранения людей из рабочего ландшафта ИИ, вероятно, будет происходить намного дольше, чем это подразумевается в СМИ. Нет ничего неизбежного в том, что ИИ возьмет на себя все. ИИ способен делать то, на что не способны люди, например видеть закономерности в миллиардах строк данных, но ИИ далек от того, что могут делать люди. На мой взгляд, настоящий ИИ в том виде, в каком его представляют себе люди, вряд ли будет существовать намного дольше, чем люди думают.
