Hundrevis i sving for å holde tritt med kunstig intelligens i DNB

Konserndirektør for Products & Innovation i DNB, Per Kristian Næss-Fladset, har som alle andre fått med seg den siste tidens turbulens i kunstig intelligens-flaggskipet Open AI. 

Men sirkuset i selskapet bak ChatGPT har ikke gjort ham søvnløs, til tross for at han sitter med ansvaret for det omfattende KI-arbeidet i DNB.

For det jobbes intenst med kunstig intelligens i mange deler av organisasjonen i DNB. Flere hundre personer jobber i større eller mindre grad med å implementere eller eksperimentere med KI generelt og generativ KI spesielt.

Jobb bak lukkede dører

Foreløpig pågår det meste av arbeidet bak lukkede dører og Næss-Fladset kommer ikke til å slippe løs generativ KI før all funksjonalitet er dobbel-, trippel- og kvadruppelsjekket.

– Det er mange ting vi må tenke skikkelig gjennom. En ting er hva vi kan bruke det til. Viktigere er hva vi bør bruke det til, og hvordan vi kan gjøre det på en måte som er til det beste for for kundene våre, sier Næss-Fladset, og fortsetter:

–  Før vi gjør noe må vi være komfortable med risikoen vi tar, uten at vi lar oss bli hemmet av å være altfor forsiktige.

To spydspisser

Med seg har Næss-Fladset de to spydspissene i organisasjonen på kunstig intelligens. 

New Tech Lab, som befinner seg helt i frontlinjen og prøver å finne nye teknologier som kan være til gagn for DNB og Emerging Technologies, er gruppen som skal omsette ideene i praktisk bruk. 

Det er et team på 20 personer, som jobber med å utvikle plattformen som gjør teknologien tilgjengelig for systemene som skal tas i bruk i DNB.

Som så mange andre som jobber med å ta i bruk generativ KI-funksjonalitet i organisasjonen, bruker DNB den ChatGPT-versjonen som kommer med Microsoft Azure, og alt kjøres på servere som ikke har kontakt med omverdenen, slik at ikke noe data skal kunne bli brukt på feil måte.

Skal lære ut DNBsk til organisasjonen

For eksempel har man kommet langt med en applikasjon som skal hjelpe både mennesker og maskiner å formulere seg på DNBsk, eller det man kan kalle for dialekten Sbankensk. 

– Dette handler om hvordan vi kan forbedre hvordan vi kommuniserer med kundene våre og alltid bruke riktig «tone of voice» avhengig av hvem vi snakker med, forteller  fagleder for teknologi, Maja Johansen, da BankShift får en presentasjon av noen av prosjektene Emerging Technologies-gruppen jobber med. 

Å tilpasse språket etter hvorvidt det er en DNB- eller Sbanken-kunde, er imidlertid bare en del av arbeidet. Vel så viktig er det at fageksperter kan få hjelp med å formulere seg etter DNBs retningslinjer uten å ta hjelp av kommunikasjonseksperter.

– Eller ta et svar fra en jurist, og gjøre det om det til noe som vanlige mennesker kan lese, uten at verken presisjon eller budskap går tapt, sier Næss-Fladset.

Chat på valgfritt språk

Et annet prosjekt bruker teknologien til å forbedre funksjonaliteten i en live-chat. I dag klarer DNBs chat å håndtere nordiske språk og engelsk, men ettersom de store språkmodellene faktisk skjønner alle språk, er endemålet at kunden skal kunne få et svar på sitt eget språk, men et svar som ikke har mistet sin mening i oversettelsen fra det originale DNB-svaret på norsk.

Henter ut kontraktsinformasjon

Det tredje prosjektet handler om å gi lov- og kontraktsavdelingen et verktøy som kan effektivisere arbeidet med kontraktsforhold. En leverandøravtale kan bestå av mange hundre sider, og har den eksistert lenge finnes det gjerne mengder med vedlegg og tillegg. Multiplisert med alle slike eksterne leverandører, blir det fort arbeidskrevende å finne rett informasjon og forsikre seg om at alle kontraktene til enhver tid er oppdaterte.

– Dette er et verktøy vi har bygget for å hjelpe dem å finne og sammenstille informasjon som er nødvendig i det daglige arbeidet, sier Jan Thomas Leirstein, som leder Emerging Technologies-gruppen.

– Vi kan generere svar som ikke står skrevet noe sted, men er en konklusjon av informasjon fra flere kilder, og alt blir presentert med henvisninger, slik at det er mulig å kontrollere at svaret er riktig, legger Maja Johansen til. 

– Om man ser det fra et utviklerperspektiv; hva er den vanskeligste oppgaven?

– Å bygge et system basert på generativ KI, skiller seg ikke så mye fra andre systemer. Vi bruker API-call for å hente informasjon. Utfordringen er å forstå hvordan det vil forandre seg etter hvert som det tar til seg ny informasjon, og å lære seg hvordan man interagerer med systemet, sier kollegaen Abhi Nair, som også han er fagleder for teknologi. 

Klare til å ta i bruk

– Har dere en idé om når disse prosjektene vil være tilgjengelige for alle i DNB?

– Fra et teknologisk perspektiv er systemene mer eller mindre klare å ta i bruk. Men vi må som sagt være helt, helt sikre på at svarene er til å stole på og at nødvendige kontrollmekanismer fungerer som de skal. Vi må også være sikre på at data blir brukt på en måte som gjør at de ikke kommer på avveie, og at vi unngår at bruken av datakapasitet eksploderer, forteller Næss-Fladset.

– Du mener at generativ KI fort kan føre til overskrifter à la bitcoin-mining, som bruker like mye strøm som Belgia?

– Disse språkmodellene krever mye datakraft. Hvis du skulle kjøre alle prosesser hver gang noen stiller et spørsmål, ville vi nok kunne tømme verden for energi. Så ja, det er viktig å lære seg hvordan teknologien kan benyttes mest mulig effektivt, sier Næss-Fladset.

Effektivisering av rapportlesing

Alt KI-arbeid skjer imidlertid ikke hos de to nevnte gruppene. Konserndirektøren forteller at DNBs forvaltere var tidlig ute med å bruke generativ KI til å pløye gjennom årsrapporter og annen informasjon fra store selskaper og lage «executive summaries» av materialet. 

– Det som kunne ta ukesvis tidligere, kan nå gå på et øyeblikk. Det er en ekstrem effektivisering og driftsoptimalisering om det gjør forvalteren i stand til å velge hvilke deler av materien som bør sjekkes nærmere, sier Næss-Fladset.    

Den samme tankegangen kan brukes på tekstintensive dokumenter. Næss-Fladset nevner EUs «single rule book» som et eksempel. Det er en supersamling av regler finansnæringen må forholde seg til, på rundt 15.000 sider. Til det kommer andre regelverk som GDPR, Dora, Mica, PSD2, PPSD3 og så videre.

– Noen i banken må lese alt dette, men ved å produsere oppsummeringer og innsikt som hjelper oss i å navigere innholdet kan vi distribuere og gjøre denne kunnskapen mer tilgjengelig for langt flere i organisasjonen.

Nye EU-regler kan tvinge norske banker til å ta imot midler fra flere kryptobørser

Bruker det daglig

– Hvordan er det med din egen bruk av Generativ KI? Hva bruker du det til selv?

– Jeg benytter det daglig og i stadig større grad til å både konsumere, prosessere og produsere tekstlig materiale generelt. Enten for å sammenstille eller dypdykke i store informasjonsmengder, for å renskrive og foredle materialet jeg jobber med eller transkribere møter, samtaler, tanker og ideer.

Han forteller at Emerging Technologies-teamet har gitt ham tilgang til de siste årenes etterlevelsesrapporter for hans eget område i banken, slik at han har kunnet stille spørsmål til og jobbe interaktivt med materialet. 

– Det er jo tekster jeg har lest fra før, men resultatet som kommer ut er forbløffende godt og presist, nesten uavhengig hva jeg spør om, sier Næss-Fladset, og legger til:

– Det er fortsatt en del svakheter koblet til sannhet og hallusinasjoner i svarene. Men kan vi lære oss å bruke modellene på interne data som vi kontrollerer og beskytter, kan generativ teknologi skape store produktivitets- og effektivitets-gevinster, som vil kunne komme kundene til gode gjennom raskere og mer effektive prosesser, sier Næss-Fladset.