Con la parola “Fintech” si intende l’insieme di tecnologie innovative applicate in ambito finanziario e comprende, quindi, anche l’utilizzo di sistemi di intelligenza artificiale.
Gli ambiti di applicazione di questi sistemi nel mondo della finanza sono molteplici e ciascuno di questi necessita di essere approcciato con consapevolezza.
di Ilaria Olivari
Analisi e gestione del rischio
Una prima applicazione riguarda la gestione del rischio e in questo contesto i sistemi di IA aiutano le banche e gli istituti di credito a valutare la concessione di finanziamenti, valutando in modo più preciso i possibili rischi derivanti dalla concessione di credito.
Tra i dati elaborati a tal fine troviamo quelli sulle abitudini di rimborso di ogni individuo, il numero di prestiti attivi in quel momento, il numero di carte di credito intestate e altri dati che possono essere utilizzati per personalizzare il tasso di interesse su una carta o su un mutuo.
Inoltre, al fine di rendere più accurate le previsioni – indispensabili e centrali nel settore finanziario – l’utilizzo di sistemi dotati di apprendimento automatico (“Machine Learning”) che consentano di individuare dei trend, sono sempre più frequenti.
Cybersecurity e rilevamento delle frodi
Le numerosissime transazioni digitali che si verificano ogni giorno comportano la necessità di intensificare la sicurezza informatica.
In questo contesto, l’intelligenza artificiale può sfruttare i comportamenti di spesa di ogni individuo per generare una “regola” ed evidenziare eventuali movimenti insoliti per il conto in questione.
Oppure, banalmente, potrebbe rilevare comportamenti anomali se, per esempio, da uno stesso conto, venisse prelevata una somma di denaro da un paese estero a poco tempo di distanza rispetto ad un precedente prelievo effettuato in Italia.
Trading
Il trading finanziario si basa sulla capacità di prevedere il futuro. Sebbene ancora oggi non sia infallibile, nel corso del tempo questo settore ha imparato a sfruttare sempre di più̀ gli strumenti di intelligenza artificiale per prevedere l’andamento dei prezzi.
Le macchine sono le più̀ efficaci per questo genere di operazioni perché́ sono in grado di processare un’enorme quantità̀ di informazioni in tempi brevissimi.
Inoltre, l’IA può̀ suggerire le soluzioni più̀ idonee a soddisfare la domanda di ogni individuo, valutando il tipo di investimento e la specifica propensione al rischio.
Consulenza automatizzata
Attraverso l’utilizzo di piattaforme automatizzate è possibile offrire consulenza finanziaria. Gli evidenti vantaggi di questa particolare applicazione dell’intelligenza artificiale risiedono nel risparmio di soldi e di tempo, ma soprattutto nella facilità e velocità di accesso ad una consulenza disponibile 24 ore su 24.
Personal finance
Alcuni algoritmi possono oggi aiutare gli utenti a destreggiarsi nel mondo della gestione personale della finanza, suggerendo loro quali decisioni di spesa prendere per amministrare al meglio le entrate e le uscite, sempre sulla base di complesse e sofisticate elaborazioni di dati che sarebbero impossibili da parte dell’uomo.
Il problema della trasparenza: un requisito legale
Il principio – nonché requisito legale – della trasparenza, inteso come la possibilità di comprendere e interpretare i processi decisionali operati dai sistemi automatizzati, riveste un ruolo fondamentale: è infatti lo strumento che consente di avere una visione completa delle modalità con le quali un sistema opera, nel difficile tentativo di contrastare, in questo modo, il tipico effetto dell’opacità algoritmica.
Nei sistemi di intelligenza artificiale ci possono essere più livelli di trasparenza:
-
Un primo e profondo livello concerne l’implementazione stessa del sistema, la cui conoscenza riguarderebbe la logica e le tecniche specifiche che tale sistema utilizza per generare la relazione tra l’input e l’output, e i parametri a questo associati.
-
Un secondo livello riguarderebbe invece le specifiche informazioni sulla creazione del modello: ad esempio, l’indicazione del training set, l’indicazione della training procedure, i costi della funzione, nonché la finale valutazione della performance.
Infine, ad un livello più accessibile si pone la mera interpretabilità del sistema, che prescinde da una spiegazione tecnico-scientifica ma risponde comunque all’esigenza di dimostrare come l’algoritmo segua le specifiche istruzioni che gli sono state fornite, e come si allinei ai valori fondamentali protetti dall’ordinamento.
Una tale declinazione a diversi gradi di specificità del concetto di trasparenza è indispensabile per garantire che questa assolva al suo scopo: infatti, se il destinatario è un final user, è intuibile che la spiegazione non possa presupporre specifiche conoscenze tecnico-matematiche e pertanto debba essere fornita in modo conforme alle aspettative dell’utente.
Per quanto concerne gli elementi sui quali è opportuno che vengano fornite le spiegazioni, questi dovrebbero riguardare tutte le fasi del processo di Machine Learning: a partire dall’individuazione dei dati oggetto di elaborazione, a finire con la logica utilizzata dal modello nella creazione dei pattern.
L’interpretazione algoritmica può inoltre essere concepita ex ante, attraverso una specifica programmazione del modello in modo che sia facilmente comprensibile: tale ipotesi andrebbe a minare però l’accuratezza e la precisione del sistema, la cui eccessiva semplificazione si contrappone all’efficienza data dalla complessità di funzioni e dalla moltitudine di parametri utilizzati. Diversamente, sarebbe configurabile una valutazione ex post, attraverso l’estrazione di una spiegazione dal modello black-box con un’operazione di ingegneria inversa: in questo modo, si selezionano specifici modelli coinvolti in quella stessa elaborazione per rivelarne le proprietà e le modalità operative.
È importante comprendere che, nell’ottica di un’effettiva tutela degli individui rispetto alla crescente automazione, la stessa programmazione riveste un ruolo fondamentale: la trasparenza, applicata anche alla fase di implementazione dell’algoritmo, non è solo un requisito chiave per contrastarne l’opacità in termini di comprensione operativa, ma garantisce altresì una comprensione della robustezza del sistema, della sua sicurezza, affidabilità nonché della sua compliance con la legge.
Lo sviluppo tecnologico deve quindi necessariamente mirare a soluzioni che rendano possibile la comprensione degli algoritmi, anche nella loro declinazione e applicazione in ambito finanziario: solo così è infatti possibile valutare la bontà del risultato ottenuto e soprattutto, appurando con quali criteri è stata presa una decisione, è possibile coglierne le debolezze, le falle e le imprecisioni, per poterle correggere attraverso la garanzia di un tempestivo intervento umano.
Le domande che oggi si pongono riguardano, da un lato, le modalità con cui è possibile garantire e valutare l’accuratezza e la giustizia delle decisioni prese in modo automatizzato e, dall’altro, la possibilità – e necessità – di garantire un intervento umano al fine di prevenire, modificare o contrastare queste decisioni, ed evitare così che i loro effetti provochino danni, talvolta anche irrimediabili.