2018年7月12日 星期四

名家觀點/用AI輔助金融創新監理

名家觀點/用AI輔助金融創新監理


2018-07-12 01:26 經濟日報  林士傑(作者是台灣金融研訓院金融研究所所長)


探討科技如何輔助金融創新監理是熱門的議題,主要包括Regtech(法遵科技)、Suptech(監理科技)或LegalTech(法律科技)的解決方案,目前國際上熱烈討論的人工智慧要如何應用在這三層面。簡言之,就是利用人工智慧,將要處理或管控的問題,透過「機器學習」(Machine learning)轉化,並使用大量資料和演算法提升電腦能力,產出所需結果及決策模式。
在形成過程中,首先須先準備二項工作:一是準備投入已知或歷史資料測試,其次將資料進行演算法運算,對照誤差值來調整,然後找出一個最能完整描述解決問題或行為的方法。再配合大幅提升的電腦硬體運算效能,產生強大解決問題或行為判讀,甚至高度決策或預測能力,是近代人工智慧運用的核心技術。
人工智慧實際應用最重要的有三大關鍵,第一是資料,第二是演算法,第三是判讀近年因為有非結構化的大數據提供訓練資料,加上深度學習演算法高速運算的加持,人工智慧應用層面及價值突飛猛進,這些都是過去所沒有的技術環境,愈高階的機器學習,要學會一個策略所需要耗費的訓練資料數量及類型,超乎想像的多,但如果沒有這些大數據投入訓練,機器學習研判能力及效益就會大打折扣,這是人工智慧運用在金融監理科技上的限制:訓練資料的缺乏,導致運用效率偏低甚至造成系統偏誤。
值得注意的是,由於許多金融法遵情境需要靠經驗判斷,如程式設計者對金融業業務、內部控制及法規實務運作及情境案例的了解程度,可能較不直接,或設計邏輯思維有差異,演算法會產生偏誤或低決策效能,連帶使管理者對機器學習分析決策結果,會產生誤判,此外,駭客入侵演算法的問題,也一直還是存在。
未來Regtech主要應用在金融業中後台業務、內控三道防線報告、公司治理、個資辨識保護、交易控管、風險評估及法遵報告等重點項目,有三大應用主軸,第一是法遵(compliance),第二是辨識(identification) ,第三是報告(reporting)。分別有以下的建議:
一、機器學習可處理複雜的大量資料,金融業可以透過建立KYC、反洗錢黑名單、客戶個資盤點、生物辨識、異常交易情境資料累積包括語音、圖形、生物辨識、文字、數字等非結構性資料大數據,例如歐盟個資保護規範GDPR對個資定義及處理方式規定嚴格,歐盟客戶個資外洩規定必須在72小時回報監理機關,這對金融業是很大壓力,運用深度學習大量盤點分析個資大數據即時掌握狀況,迅速辨識及時回報才能掌握法遵要求避免受罰。
二、近期人工智慧有結合AlphaGo核心技術的強化學習等熱門領域應用,雖然運用在金融業效益還待探索,但由於具神經網路情緒決策,及訓練個體在懲罰或獎勵的環境下,逐步形成獲得最大利益的預期,未來適用於監理機關研擬新種法規,對業者利弊得失的模擬評估的技術開發值得期待。
三、深度學習中的CNN/RNN演算法具有強大影像辨識、文字語言影圖片判讀,以及自然語言(Natural Language)辨識及生成功能,金融業運用雲端大數據運算及GPU 處理進行深度學習,開發法遵科技,可以降低建置成本增加執行效益。
最後要提醒的是,人工智慧設計上仍有程度上的差別,在解決金融監理還有很多困難要克服,金融業法規環境高度專業,如果過度強調演算法技術甚至凌駕於金融法遵專業經驗之上,恐怕反會造成法遵及監理的科技風險,金融監理對人工智慧的運用仍要有所拿捏。

林士傑

現為台灣金融研訓院金融研究所所長。