Μια νέα έρευνα της Juniper Research αναφέρει ότι τα έσοδα από την εφαρμογή της Τεχνητής Νοημοσύνης και Αυτοματοποιημένης Μάθησης (Machine Learning) στο FinTech και ειδικά στον τομέα εκτίμησης ρίσκου για καταναλωτικά δάνεια θα αυξηθεί κατά 960% μέχρι το 2021, φτάνοντας τα 17 δισ. δολ.
Η Αυτοματοποιημένη Μάθηση είναι ένα υποσύνολο της Τεχνητής Νοημοσύνης και χρησιμοποιεί ειδικούς αλγόριθμους οι οποίοι τροφοδοτούνται με δεδομένα από πολλές πηγές έτσι ώστε να προσφέρει αυτοματοποιημένες και ειδικευμένες υπηρεσίες στους χρήστες μέσω Internet και όχι μόνο, χωρίς τη μεσολάβηση του ανθρώπινου στοιχείου – υπαλλήλου.
Από το 2011 οι επενδύσεις στην Αυτοματοποιημένη Μάθηση έχουν ανοδική πορεία τόσο στα VC όσο και για την έρευνα και ανάπτυξη με δυο Startups που ειδικεύονται στο θέμα, Kabbage και ZestFinance, να έχουν σηκώσει 500 εκατ. δολ. ενώ οι μικροί και μεγάλοι παίκτες στο χώρο της Τεχνητής Νοημοσύνης έχουν επενδύσει σε έρευνα και ανάπτυξη 83 δισ. δολ. το 2015.
Μέχρι πρότινος η Αυτοματοποιημένη Μάθηση ήταν κάτι το εξωτικό, ακριβό και απαιτούσε μεγάλη υπολογιστική ισχύ για να υλοποιηθεί ενώ η πρόσβαση σε Big Data ήταν περιορισμένη. Πλέον τα ανοικτά δεδομένα, η “επανάσταση” των APIs και η δυνατότητα να χρησιμοποιούνται GPUs (οι επεξεργαστές των καρτών γραφικών των υπολογιστών για παιχνίδια) αλλά και η τεράστια κατανεμημένη ισχύς στο Cloud την έχουν φέρει πιο κοντά σε πολλές Startups που δραστηριοποιούνται στο χώρο του FinTech και όχι μόνο.
Ο τομέας εκτίμησης ρίσκου, ο οποίος είναι εξαιρετικά κρίσιμος στην ασφαλιστική αγορά αλλά και στην αγορά χορήγησης δανείων σε καταναλωτές, θα επωφεληθεί το μέγιστο από αυτή την εξέλιξη της τεχνολογίας. Μικρές και μεγάλες εταιρείες αλλά και τράπεζες θα μπορούν να φτιάξουν γρήγορα και με μεγάλη ακρίβεια το προφίλ του πελάτη που αιτείται δάνειο χρησιμοποιώντας δεδομένα οικονομικής και γενικής φύσεως που είναι διαθέσιμα είτε δημόσια είτε ιδιωτικά.
Προφανώς η μεγάλη ανάπτυξη του συγκεκριμένου τομέα θα επέλθει τόσο από την μείωση των επισφαλών δανείων όσο και από την χορήγηση δανείων σε “καλούς” πελάτες οι οποίοι με βάση τις παραδοσιακές αξιολογήσεις δεν θα έπαιρναν ένα δάνειο.
