Jakość danych i governance: fundament skutecznej analityki AI w finansach

W projektach AI w finansach i controllingu, bardzo szybko wychodzi na jaw jedna dość niewygodna prawda: największym wyzwaniem wcale nie jest sam model ani jego architektura, tylko dane, na których ma pracować. Na etapie pilotażu wszystko zwykle wygląda obiecująco — dane są często „oczyszczone”, zakres ograniczony, a środowisko kontrolowane. Model potrafi wtedy dawać wyniki, które są spójne i biznesowo sensowne, co buduje początkowy entuzjazm.

Zderzenie z rzeczywistością następuje dopiero wtedy, gdy podłączamy go do pełnych, produkcyjnych strumieni danych. Wtedy okazuje się, że te same pojęcia są różnie interpretowane w zależności od systemu, dane historyczne mają luki, a ich struktura zmieniała się w czasie. I w tym momencie dyskusja bardzo szybko przestaje dotyczyć strojenia modelu, a zaczyna dotyczyć tego, czy w ogóle mamy jedną, spójną wersję danych wejściowych.

W finansach często dane są naturalnie rozproszone pomiędzy wiele obszarów: zarządzanie ryzykiem, sprzedaż, operacje, księgowość czy raportowanie regulacyjne. Każdy z tych obszarów przez lata budował własne systemy i własne definicje kluczowych pojęć. W efekcie to samo pojęcie, na przykład „aktywny klient” czy „przychód netto”, może być liczone w kilku różnych wariantach, zależnie od tego, kto je definiuje i w jakim kontekście.

Dopóki te różnice nie zostaną ujednolicone, sztuczna inteligencja nie ma szans nauczyć się jednej rzeczywistości biznesowej. Zamiast tego uczy się kilku równoległych wersji prawdy, które nakładają się na siebie w sposób trudny do wychwycenia. To z kolei prowadzi do sytuacji, w której model działa poprawnie statystycznie, ale jego decyzje w praktyce są niespójne lub trudne do obrony biznesowo.

Data governance w praktyce bardzo rzadko wygląda jak elegancki dokument czy formalna polityka. Znacznie częściej sprowadza się do bardzo konkretnych i momentami niewygodnych pytań: skąd dokładnie pochodzi dana wartość, kto jest odpowiedzialny za jej definicję, jak została policzona i czy jesteśmy w stanie odtworzyć ją w czasie w identyczny sposób.

Dopiero wtedy pojawiają się realne mechanizmy, które pozwalają to uporządkować: katalog danych, śledzenie ich pochodzenia, wersjonowanie definicji biznesowych czy kontrola dostępu oparta na rolach. To wszystko przestaje być „ładną architekturą”, a staje się warunkiem koniecznym tego, żeby w ogóle móc ufać wynikom modeli analitycznych i wykorzystywać je w procesach decyzyjnych.

Wbrew częstemu przekonaniu, w finansach rzadko mamy do czynienia z realnym brakiem danych. Problemem nie jest ich ilość, tylko jakość, spójność i kontekst. Dane często są niepełne, opóźnione, albo zmieniały sposób wyliczania w czasie bez pełnej dokumentacji tych zmian. Zdarza się też, że pochodzą z różnych systemów, które nigdy nie były projektowane z myślą o wspólnym wykorzystaniu analitycznym.

Modele sztucznej inteligencji nie „rozumieją” tych niuansów. Dla nich dane są po prostu wejściem liczbowym, na którym uczą się wzorców. Jeśli te dane są niespójne, to wzorce również będą przypadkowe, nawet jeśli na pierwszy rzut oka wyniki wyglądają wiarygodnie. To właśnie dlatego wiele modeli dobrze wypada w testach, a zawodzi dopiero w środowisku produkcyjnym.

W praktyce wdrożeniowej bardzo szybko dochodzi się do momentu, w którym staje się jasne, że bez uporządkowania danych nie da się nawet ocenić, czy model działa poprawnie. Brakuje punktu odniesienia, bo nie istnieje jedna, spójna definicja tego, co jest „prawdą” w danych. Każdy wynik można zakwestionować, bo jego źródło i sposób powstania nie są w pełni przejrzyste.

W finansach ten problem jest dodatkowo wzmocniony przez regulacje i wymagania audytowe. Nie wystarczy, że model działa — trzeba jeszcze umieć wyjaśnić, skąd wziął się wynik, jakie dane go wygenerowały i czy można go w pełni odtworzyć. Bez tego sztuczna inteligencja nie jest narzędziem decyzyjnym, tylko czarną skrzynką, której nie da się używać w procesach o wysokiej odpowiedzialności.

Osoba wdrażająca rozwiązania AI w finansach bardzo często znajduje się w roli pośrednika między trzema różnymi perspektywami. Biznes oczekuje szybkich efektów i wartości, zespoły technologiczne koncentrują się na stabilności i architekturze, a obszary ryzyka oraz zgodności z regulacjami wymagają pełnej przejrzystości i możliwości audytu.

Bez wspólnego języka te trzy światy bardzo łatwo się rozjeżdżają. Data governance staje się wtedy nie tyle zestawem zasad, co sposobem na doprowadzenie do sytuacji, w której wszyscy mówią o tych samych danych i w ten sam sposób je rozumieją. Dopiero wtedy możliwe jest sensowne skalowanie rozwiązań opartych na sztucznej inteligencji.

Z doświadczenia projektowego wynika dość jednoznaczny wniosek: modele sztucznej inteligencji można doskonalić iteracyjnie, ale jeśli dane wejściowe są niespójne, każda kolejna iteracja tylko utrwala istniejące problemy. W efekcie zamiast poprawy jakości decyzji otrzymujemy coraz bardziej skomplikowany system, który nadal opiera się na niepewnych fundamentach.

Dlatego w finansach (ale nie tylko!) realne wdrożenia AI rzadko zaczynają się od modeli. Zaczynają się od porządkowania danych, ujednolicania definicji i budowania odpowiedzialności za informacje. Dopiero na takim fundamencie sztuczna inteligencja staje się narzędziem, które rzeczywiście wspiera decyzje biznesowe, a nie tylko je symuluje.