От статистики к генеративным моделям

Читать PDF-версию (2 стр.)

Термин «искусственный интеллект» охватывает семейство методов, общая черта которых состоит в том, что компьютерная система производит результаты — прогнозы, классификации, рекомендации или текст, — которые в ином случае потребовали бы человеческого суждения. Определение, принятое Организацией экономического сотрудничества и развития (ОЭСР) в 2019 году и пересмотренное в 2023 году, описывает систему ИИ как машинную систему, которая на основании получаемых входных данных выводит, как генерировать результаты, способные влиять на физическую или виртуальную среду. Как конвенция Совета Европы, так и Регламент Европейского союза об ИИ (AI Act) по существу восприняли эту формулировку, что придаёт понятию общее ядро в правовых системах, значимых для Базеля.¹

Более старые представители этого семейства используются финансовыми учреждениями давно. Кредитный скоринг на основе логистической регрессии стал стандартом в потребительском кредитовании в 1980-е и 1990-е годы. Актуарии десятилетиями применяют обобщённые линейные модели при страховом ценообразовании. Выявление мошенничества в карточных платежах опирается на нейронные сети с 1990-х годов. Методы машинного обучения, такие как градиентный бустинг и случайные леса, пришли в управление рисками и мониторинг транзакций в 2010-е годы, поскольку они точнее фиксированных правил выявляют закономерности в больших массивах данных.²

Генеративные модели отличаются от своих предшественников в двух отношениях, важных для финансовых услуг. Они работают с неструктурированной информацией — договорами, электронными письмами, аналитическими отчётами и записями разговоров, — из которой состоит бо́льшая часть знаний банка или юридической фирмы. Кроме того, это системы общего назначения, которые обучаются небольшим числом поставщиков с огромными затратами, а затем адаптируются тысячами пользователей для собственных задач. Первая особенность объясняет их быстрое внедрение в бэк- и мидл-офисе. Вторая объясняет, почему надзорные органы обеспокоены концентрацией, зависимостью и ограниченной способностью пользователей понять, как системы приходят к своим результатам.³

Примечания

1. OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449, принята 22 мая 2019 года, определение пересмотрено 8 ноября 2023 года; ст. 3(1) Регламента (EU) 2024/1689 (AI Act); ст. 2 Рамочной конвенции Совета Европы об искусственном интеллекте и правах человека, демократии и верховенстве права (CETS No. 225). Подлежит проверке. ↩
2. Об истории статистических методов и методов машинного обучения в кредитном скоринге, страховании и выявлении мошенничества см. обзор в Financial Stability Board, Artificial Intelligence and Machine Learning in Financial Services, 1 ноября 2017 года. Подлежит проверке. ↩
3. Об особенностях базовых моделей (foundation models) и их последствиях для финансовых учреждений см. BIS, Annual Economic Report 2024, глава III, «Artificial intelligence and the economy: implications for central banks», июнь 2024 года. Подлежит проверке. ↩

Только для общего ознакомления. Настоящая статья не является юридической или налоговой консультацией, не заменяет консультацию по конкретному делу и не создаёт отношений между адвокатом и клиентом. Она отражает правовое положение по состоянию на октябрь 2026 г.