|
Σύμφωνα
με το Forbes, το 70% των οικονομικών εταιρειών
χρησιμοποιεί ήδη τεχνητή νοημοσύνη για να
προβλέπει θέματα σχετικά με την πρόγνωση
πιστωτικού ρίσκου και να ανιχνεύει απάτες.
Ειδικά στο θέμα της εξαπάτησης καταναλωτών, που
στην Ελλάδα είναι πλέον ένα τεράστιο κοινωνικό
και ηθικό πρόβλημα για το οποίο συνυπεύθυνες
είναι και οι τράπεζες, η JPMorgan Chase ήδη
χρησιμοποιεί εφαρμογές ανίχνευσης απάτης.
Συγκεκριμένα, μέσω ενός αλγορίθμου αποστέλλει
λεπτομέρειες συναλλαγών με πιστωτικές κάρτες σε
κέντρα δεδομένων, τα οποία και αποφασίζουν εάν
πρόκειται για απάτη.
Φυσικά,
ένα τόσο επαναστατικό εργαλείο δεν θα μπορούσε
να αγνοήσει το πλέον επιτακτικό και φλέγον
ζήτημα του 21ου αιώνα: αυτό της κλιματικής
αλλαγής και της βιώσιμης ανάπτυξης.
Παραδοσιακά, φορείς αξιολόγησης κριτηρίων ESG,
όπως για παράδειγμα η Moody’s, βασίζονταν σε
αναλυτές για την αναγνώριση και αξιολόγηση
δεδομένων. Ωστόσο, με σκοπό να αντιμετωπίσουν
αποτελεσματικά τεράστιους όγκους δεδομένων που
μπορούν να είναι ουσιώδεις για την επένδυση με
κριτήρια ESG, σήμερα πλέον έχουν υιοθετήσει
υπολογιστικούς αλγορίθμους που μπορούν να
αυτοματοποιήσουν πολύπλοκες εργασίες και να
αναλύσουν πληροφορίες με γρήγορη ταχύτητα. Για
παράδειγμα, η RepRisk χρησιμοποιεί καθημερινά τα
μέσα ενημέρωσης ως πηγές πληροφοριών, λαμβάνει
υπόψη τις εταιρικές ανακοινώσεις και άλλα νέα
για την αξιολόγηση ESG, ενώ άλλες πλατφόρμες
χρησιμοποιούν τα δεδομένα από τις εκθέσεις
βιώσιμης ανάπτυξης.
Συγκεκριμένα, η τεχνητή νοημοσύνη ήδη
χρησιμοποιείται ευρέως στα εξής:
Συλλογή
και ανάλυση δεδομένων: Μειώνεται σημαντικά ο
χρόνος συλλογής και ανάλυσης τεράστιων ποσοτήτων
δεδομένων. Αυτό βοηθάει τους επενδυτές να
κατανοήσουν τις τάσεις της αγοράς, τις
προτιμήσεις των καταναλωτών και τις προβλέψεις
ανάπτυξης των εταιρειών.
Πρόβλεψη
αγορών και επενδυτικών αποφάσεων: Οι τάσεις των
αγορών προβλέπονται μέσω αλγορίθμων μηχανικής
μάθησης και νευρωνικών δικτύων, δίνοντας τη
δυνατότητα στους επενδυτές να λαμβάνουν πιο
ενημερωμένες αποφάσεις.
Μετρήσεις επιδόσεων ESG: Η αξιοποίηση αλγορίθμων
μηχανικής μάθησης επιτρέπει την ανάλυση
ιστορικών δεδομένων και δεδομένων πραγματικού
χρόνου, δίνοντας την ευκαιρία σε επενδυτές και
οργανισμούς να μετρούν και να συγκρίνουν τις
επιδόσεις ESG μεταξύ εταιρειών, κλάδων και
περιοχών.
Η
αμερόληπτη συλλογή και χρήση των δεδομένων είναι
ένα από τα πλέον σημαντικά ζητήματα
προβληματισμού. Η Google, έχοντας αντιληφθεί
αυτόν τον κίνδυνο, δηλώνει ότι προσπαθεί να
διδάξει στους προγραμματιστές τις εκτιμήσεις
περί δικαιοσύνης κατά την κατασκευή, αξιολόγηση
και ανάπτυξη μοντέλων τεχνητής νοημοσύνης και
μηχανικής μάθησης. Ενα δεύτερο ζήτημα είναι αυτό
της διαφάνειας στη λήψη αποφάσεων. Οι αλγόριθμοι
της τεχνητής νοημοσύνης θεωρούνται μαύρα κουτιά,
επειδή δεν παρέχουν διαφάνεια στη διαδικασία
λήψης αποφάσεων.
Μείζον
είναι και το ζήτημα της ασφάλειας και της
ιδιωτικότητας. Η πρόσβαση σε ευαίσθητα δεδομένα,
όπως προσωπικές πληροφορίες, οικονομικά αρχεία ή
δεδομένα ιδιοκτησίας της εταιρείας, προϋποθέτει
τον σχεδιασμό ισχυρών μέτρων ασφαλείας για την
αποτροπή μη εξουσιοδοτημένης πρόσβασης ή
παραβίασης δεδομένων.
Εν
κατακλείδι, ενώ οι επενδυτικές αποφάσεις και ESG
ratings βασισμένες σε τεχνητή νοημοσύνη πιθανώς
δεν θα αντικαταστήσουν πλήρως τους αναλυτές στο
άμεσο μέλλον, αποτελούν ένα πολύ χρήσιμο
συμπληρωματικό εργαλείο που συμβάλλει στις
προγνώσεις και βελτιώνει σημαντικά την κατανόηση
των αποτελεσμάτων αξιολόγησης (ESG ratings), που
πλέον γίνονται σε καθημερινή βάση αφού έχει
λυθεί το θέμα της επεξεργασίας τεράστιας
ποσότητας δεδομένων.
* Ο κ.
Νίκος Αυλώνας είναι πρόεδρος του Κέντρου
Αειφορίας (CSE), επισκέπτης καθηγητής στο
Οικονομικό Πανεπιστήμιο Aθηνών (IMBA) και το
Πανεπιστήμιο του Ιλινόι – Σικάγο.
* Το
άρθρο δημοσιεύτηκε αρχικά στην Καθημερινή της
Κυριακής. |
