AI toont potentie voor verbetering operationeel risicomanagement

De Volksbank heeft samen met Solid Professionals een innovatieproject afgerond waarbij door co-creatie nieuwe inzichten zijn verkregen door gebruik te maken van kunstmatige intelligentie (AI). Door een model te ontwikkelen dat automatisch tekstuele risico-omschrijvingen kwantificeert, verkrijgt de risicomanager nu een alternatieve inschatting van de operationele risico’s. De resultaten worden momenteel verder verkend.

Zoals iedere bank, moet ook de Volksbank ieder jaar rapporteren over de belangrijkste operationele risico’s, oftewel de risico’s die voortvloeien uit mogelijke tekortkomingen bij het intern toezicht of in de werking van de bank. Denk bijvoorbeeld aan vergissingen, fraude of computerproblemen. Zo’n risico-inschatting bestaat uit een tekstuele beschrijving van een risico, de kans dat een risico zich voordoet, de impact van het risico en tot slot de ‘risk response’ – veelal maatregelen die worden genomen om het risico te verminderen.

De Volksbank klopte aan bij Solid Professionals met de vraag in hoeverre het mogelijk is kunstmatige intelligentie in te zetten om risico-omschrijvingen te kwantificeren, en zo het proces van herbeoordelingen effectiever en efficiënter te maken.

“De bank was op zoek naar een model dat aan de hand van woorden een passende kans/impact toe kan kennen aan de omschreven risico’s”, vertelt Matthias Geerse, Principal Consultant bij Solid Professionals. “Deze geautomatiseerde inschatting kan dan worden vergeleken met de inschatting van het bedrijfsonderdeel zelf. Indien deze twee scores te veel van elkaar afwijken kan het bewuste risico vervolgens handmatig worden gecontroleerd door de risk manager.”

500 miljoen zinnen

Omdat het omschreven risico’s betreft, maakt het model gebruik van natural language processing (NLP). Iedereen die te maken heeft met data-analyse, weet dat deze staat of valt bij schone data. Daarom is het zogeheten pre-processen van groot belang. “In het geval van tekstuele omschrijvingen komt dit bijvoorbeeld neer op het vervangen van hoofdletters door kleine letters, het voluit schrijven van getallen en werkwoorden en het reduceren van meervoudsvormen tot hun stam”, legt Geerse uit. 

“Met behulp van een word embedding, een soort digitaal woordenboek, wordt vervolgens gezocht naar synoniemen voor woorden”, vervolgt hij. “De word embedding leert taal door 500 miljoen zinnen te lezen, afkomstig van nieuwsberichten, blogs en fora. Woorden die vaak in dezelfde context worden genoemd zijn zeer waarschijnlijk synoniemen of hebben een soortgelijke betekenis. Zo bouwt het model een goed beeld op van de betekenis van elk woord.”

Door synoniemen te leren, kan het model verschillende woorden die grofweg dezelfde betekenis hebben aan elkaar gelijkstellen. Op die manier wordt het model minder kwetsbaar voor de verschillende specifieke woordkeuzes binnen een bepaalde risicobeschrijving.

Omschrijven, voorspellen, voorschrijven

Om erachter te komen welke risico’s de risk manager handmatig aan een extra controle moet onderwerpen, worden drie analytische stappen doorlopen: descriptive analytics, predictive analytics en prescriptive analytics.

“We hebben aangetoond dat kunstmatige intelligentie een waardevolle bijdrage kan leveren aan operationeel risicomanagement.”

Geerse: “Descriptive analytics draait om het beschrijven van de data. Wat kunnen we leren van de data met behulp van directe analyses? Predictive analytics gaat een stap verder en doet een voorspelling op basis van de data. Vanaf deze tweede stap komt AI in het spel. Om te voorspellen maken we gebruik van een Naive Bayes-model. Dit is een machine learning model dat vaak wordt ingezet bij het categoriseren van teksten.”

Als deze eerste twee stappen succesvol zijn, kan tot slot prescriptive analytics worden toegepast: “We vragen het model om ons een advies te geven op basis van de voorspelde uitkomsten. In deze context vragen we het model welke risico’s moeten worden gecontroleerd omdat ze mogelijk te hoog of te laag zijn ingeschat. Door de inschatting van ons NLP-model te vergelijken op kans en impact met die van het bedrijfsonderdeel, kunnen we de meest afwijkende risico’s uitlichten. Daarmee zijn we aanbeland bij het uiteindelijke doel: de risk manager te helpen bij het vinden van afwijkende risico’s.”

Completer en effectiever

Mathyn Scheerder, nu Consultant bij zusterbedrijf Amsterdam Data Collective, was ook betrokken bij het project. Hij kijkt met voldoening terug op de eerste resultaten: “We hebben aangetoond dat kunstmatige intelligentie een waardevolle bijdrage kan leveren aan operationeel risicomanagement. Doordat ons model kwalitatief ingeschatte risico’s op een objectieve manier met elkaar kan vergelijken, kan het afwijkende risico’s vinden en tonen aan de risk manager.”

“Op deze manier hebben we waardevolle inzichten gecreëerd voor de Volksbank. Het toevoegen van een AI-model leidt tot een vollediger beeld van de operationele risico’s. Uiteindelijk maakt dit de controle completer en effectiever.”

Bovendien wijst hij erop dat de mogelijke toepassingen van NLP veel verder gaan dan operationeel risicomanagement. “Denk aan het classificeren van transacties op basis van de omschrijving of automatisch informatie uit jaarverslagen van bedrijven halen om de kredietwaardigheid van een tegenpartij te beoordelen. Er valt hier nog veel winst te behalen voor financiële instellingen.”