إطلاق العنان لقوة الذكاء الاصطناعي: إعادة تشكيل الخدمات المالية

الذكاء الاصطناعي هو موضوع ساخن ويتم نشر العديد من المقالات التي تشير إلى أن شركات الخدمات المالية التي لا تتبنى الذكاء الاصطناعي اليوم تخاطر بأن تصبح عفا عليها الزمن غدا. ومع ذلك، كما هو الحال مع العديد من الدعاية، فإن اعتماد الصناعة للذكاء الاصطناعي قد لا يمضي بالسرعة المتوقعة عادة. على سبيل المثال، على مدى العقدين الماضيين، توقع الخبراء تقادم البنوك التي تستخدم أنظمة الحاسبات المركزية القديمة. ومع ذلك، حتى بعد مرور عشرين عاما، لا تزال العديد من البنوك تعتمد على التطبيقات المصرفية الأساسية البالغة الأهمية المبنية على تقنيات الحواسيب المركزية القديمة، وتظل هذه البنوك قوية (إن لم تكن أقوى) كما كانت قبل عقدين من الزمن.

ومع ذلك، فإن الذكاء الاصطناعي موجود ليبقى، ومن الضروري اعتماده تدريجيًا. كما تمت مناقشته في مدونتي، "الملاءمة الصحيحة: تقييم قيمة الأعمال قبل اعتماد الذكاء الاصطناعي/تعلم الآلة" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html)، فمن الأهمية بمكان أن تختار البنوك معاركها في مجال الذكاء الاصطناعي بحكمة، بدلاً من تطبيق الذكاء الاصطناعي من أجل ذلك.

لذلك، يعد إنشاء قائمة شاملة لحالات استخدام الذكاء الاصطناعي في صناعة الخدمات المالية أمرًا ضروريًا. في رأيي، يمكننا تصنيف جميع حالات استخدام الذكاء الاصطناعي في صناعة الخدمات المالية إلى: مجموعتين رئيسيتين:

المجموعة 1: معالجة أكثر كفاءة للبيانات غير المنظمة

تركز هذه الفئة على جمع وتحليل ومعالجة البيانات التي لا يمكن تنظيمها بدقة في قاعدة بيانات SQL. وهي تتضمن عادةً بيانات من المستندات أو الكلام أو الصور، والتي غالبًا ما تنبع من أطراف ثالثة مثل الحكومة أو من خدمات العملاء غير الرقمية التي تحتاج إلى تحويل إلى تنسيق رقمي. تهدف حالات الاستخدام هذه في المقام الأول إلى خفض التكلفة، حيث أن معالجة البيانات غير المنظمة يمكن أن تتطلب الكثير من الموارد. إن ظهور الذكاء الاصطناعي يجعل من الممكن بشكل متزايد أتمتة هذه العمليات.

ومن الأمثلة على ذلك:

• التعامل مع مستندات KYC وKYB: معالجة صور بطاقات الهوية أو المنشورات الحكومية أو قوانين الشركة للحصول على فهم أفضل للعملاء وهياكل الشركة.

• إدارة الهوية: مشابه لـ KYC/KYB ولكنه يركز على المصادقة المستمرة وتوقيع المعاملات، باستخدام بيانات غير منظمة مثل صور بطاقة الهوية والتعرف البيومتري (مثل الوجه وبصمة الإصبع) والتعرف السلوكي.

• إدارة العلامة التجارية والسمعة: مراقبة مشاعر العملاء ووسائل الإعلام تجاه الشركة للرد على الحملات التسويقية ومعالجة الدعاية السلبية. ويتم ذلك من خلال مراقبة وسائل الإعلام التقليدية ووسائل التواصل الاجتماعي (مثل التعليقات والإعجابات والمشاركات والآراء..) ومصادر المعلومات الأخرى (مثل سجلات مركز الاتصال) لتحديد مشاعر العملاء واتجاهاتهم.

• إدارة الادعاء: أتمتة معالجة المطالبات ببيانات غير منظمة، مثل صور الأشياء المؤمن عليها التالفة وتقارير خبراء التأمين.

• Chatbots ومراكز الاتصال الآلية: استخدام الذكاء الاصطناعي لتصنيف تفاعلات العملاء ووضع علامات عليها، وإرسال التفاعلات بكفاءة، واقتراح قوالب الاستجابة القياسية، وحتى أتمتة الاستجابات بالكامل عبر قنوات الاتصال المختلفة (البريد والمكالمات الهاتفية ومربع الدردشة).

• تحليل المشاعر على رسائل البريد الإلكتروني وجلسات الدردشة والتسجيلات الصوتية والمرئية وملخصات الاتصالات غير المنظمة لفهم تعليقات العملاء والتفاعلات بين الموظفين والعملاء.

• إدارة النفقات والفواتير: تحويل المستندات المالية إلى بيانات منظمة للمعالجة التلقائية (على سبيل المثال حجزها بشكل صحيح في فئة المحاسبة الصحيحة).

المجموعة 2: التنبؤ الأفضل وتخصيص الموارد

في صناعة الخدمات المالية (تمامًا كما هو الحال في أي صناعة أخرى)، تكون الموارد مثل الأشخاص والأموال نادرة ويجب تخصيصها بأكبر قدر ممكن من الكفاءة. ويمكن أن يلعب الذكاء الاصطناعي دورًا حاسمًا في التنبؤ بالأماكن التي تشتد الحاجة فيها إلى هذه الموارد والأماكن التي يمكن أن تحقق فيها أعلى قيمة مضافة.

ملاحظات: يمكن أيضًا اعتبار انتباه العميل موردًا نادرًا، مما يعني أن أي اتصال أو عرض يجب أن يكون مخصصًا للغاية لضمان استخدام نطاق الاهتمام المحدود للعميل على النحو الأمثل.

يمكن تصنيف حالات الاستخدام هذه إلى فئتين فرعيتين:

حالات الاستخدام الحيادية القطاعية

• تجزئة العملاء استنادًا إلى البيانات المتاحة (مثل ملفات تعريف العملاء، وتحليل أنماط المعاملات، وسلوك العملاء السابق والفوري...) لتحديد أفضل الوسائل الممكنة (أفضل مزيج من القنوات) وأسلوب الاتصال (تحسين الاتصال) وتخصيص الموارد للعملاء ذوي الإمكانات الأعلى الإيرادات المستقبلية.

• كشف التقلب لتحديد العملاء المعرضين لخطر المغادرة والاحتفاظ بهم. من خلال تخصيص موارد إضافية لهؤلاء العملاء، مثل اتصال الموظفين بالعميل أو تقديم حوافز معينة (مثل الخصومات أو أسعار الفائدة الأفضل) لمنع العميل من التراجع.

• تحديد أفضل الآفاق وفرص المبيعات: من قائمة العملاء المتوقعين، حدد أولئك الذين من المرجح أن يصبحوا عملاء، ولكن حدد أيضًا العملاء الحاليين الذين يمكن استهدافهم بشكل أفضل لإجراءات البيع المتبادل والبيع الإضافي.

• التنبؤ بالتطورات في الطلب والعرض، على سبيل المثال تحديد المكان الأفضل الذي يجب أن توجد فيه أجهزة الصراف الآلي أو الفروع، أو التنبؤ بعدد تفاعلات دعم العملاء التي يمكن توقعها لضمان التوظيف الأمثل لفريق دعم العملاء أو التنبؤ بالحمل على البنية التحتية لتكنولوجيا المعلومات لتحسين تكاليف البنية التحتية السحابية.

• أفضل إجراء تالي، أو أفضل عرض تالي، أو محرك توصية للتفاعلات الشخصية مع العملاء، أي التنبؤ بالإجراء أو المنتج أو الخدمة التي من المرجح أن تثير اهتمام المستخدم في أي لحظة معينة من الزمن. إن السماح بالوصول السهل إلى هذه العملية يمكن أن يساعد العميل أو أي مستخدم آخر (مثل الموظفين الداخليين) على تحقيق هدفه بشكل أسرع، مما يؤدي إلى زيادة الإيرادات وانخفاض التكاليف.

• محرك التسعير لتحديد السعر الأمثل للمنتج أو الخدمة.

حالات الاستخدام الخاصة بصناعة الخدمات المالية

• محرك تسجيل الائتمان لتقييم الجدارة الائتمانية واتخاذ قرارات الإقراض الفعالة. يهدف هذا المحرك إلى التنبؤ باحتمالية التخلف عن السداد وقيمة الخسارة المقدرة في حالة التخلف عن السداد، لتحديد ما إذا كان يجب قبول الاعتماد أم لا. وهذه أيضًا مشكلة تنبؤ، والتي تضمن إنفاق أموال البنك بأكثر الطرق الممكنة كفاءة.

• محرك كشف الاحتيال لتحديد ومنع المعاملات المالية الاحتيالية، بما في ذلك الاحتيال عبر الإنترنت (التهديدات السيبرانية) والاحتيال في الدفع. يتنبأ المحرك إذا كان السلوك الفعلي للمستخدم يتطابق مع السلوك المتوقع (المتوقع). إذا لم يكن الأمر كذلك، فمن المحتمل أن تكون حالة احتيال. تساعد هذه المحركات على تقليل خسائر الإيرادات، وتجنب الإضرار بالعلامة التجارية، وتوفير تجربة سلسة للعملاء عبر الإنترنت.

• روبو الاستشارية خدمات لإنشاء محافظ استثمارية مثالية بناءً على اتجاهات السوق ومحفظة الاستثمار الحالية وقيود العملاء (مثل ملف المخاطر وقيود الاستدامة وأفق الاستثمار ...).

  • محرك كشف مكافحة غسل الأموال لكشف (وإيقاف) عمليات غسيل الأموال والنشاط الإجرامي في المعاملات المالية.

  • محرك إدارة مخاطر السيولة لتحسين التدفقات النقدية. هذه خدمة يمكن تقديمها للعملاء، ولكنها مطلوبة أيضًا داخليًا للبنك. يحتاج البنك إلى ضمان سيولة كافية في ميزانيته العمومية لتغطية جميع عمليات السحب، ولكن أيضًا للتنبؤ بالاحتياجات النقدية المادية لتوفير أجهزة الصراف الآلي والفروع.

بالإضافة إلى حالات استخدام الذكاء الاصطناعي الموجهة نحو الأعمال، لا تتجاهل الاستخدام الداخلي للذكاء الاصطناعي تعزيز إنتاجية الموظف. يمكن لأدوات الذكاء الاصطناعي التوليدية مثل ChatGPT مساعدة الأقسام المختلفة، مثل المبيعات والتسويق وتكنولوجيا المعلومات، في تعزيز إنتاجيتها.

كما هو موضح في مدونتي "الملاءمة الصحيحة: تقييم قيمة الأعمال قبل اعتماد الذكاء الاصطناعي/تعلم الآلة" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html)، الفئة الأولى (أي "معالجة أكثر كفاءة للبيانات غير المنظمة") تحمل في رأيي الإمكانات الأكبر، على الرغم من أنها تتطلب مهارات ذكاء اصطناعي محددة للغاية ونماذج ذكاء اصطناعي معقدة. ولذلك، من المرجح أن تستخدم العديد من شركات الخدمات المالية نماذج مدربة مسبقًا لهذه الفئة من حالات الاستخدام.

تعتبر حالات الاستخدام في الفئة الثانية (أي "التنبؤ الأفضل والتخصيص الأفضل للموارد النادرة") واعدة أيضًا ويمكن أن تسفر عن نتائج أسرع من حالات الاستخدام في الفئة 1. ومع ذلك، فإن قيمتها المضافة مقارنة بالخوارزميات التقليدية القائمة على القواعد هي فهي ليست مضمونة دائمًا، وغالبًا ما تفتقر إلى الشفافية ويصعب ضبطها. ونتيجة لذلك، غالبًا ما تبدو حالات الاستخدام هذه للذكاء الاصطناعي واعدة أكثر مما هي عليه في الواقع.

في كثير من الحالات، لن تحتاج البنوك إلى الاستثمار مباشرة في الذكاء الاصطناعي، حيث أن العديد من الحلول البرمجية موجودة بالفعل، والتي لا تقدم نماذج الذكاء الاصطناعي فحسب، بل تشمل أيضًا سير العمل ومنطق الأعمال من حولها.
وفي كل حالة استخدام، يمكن لشركات الخدمات المالية الاختيار بين هذه الحالات ثلاثة خيارات:

• الخيار 1: بناء نموذج من الصفر باستخدام منصات مثل AWS SageMaker أو GCP AI Platform. وهذا يعني أن الشركة بحاجة إلى تحديد مجموعة جيدة للتدريب على البيانات، وإعداد نموذج وتدريب النموذج نفسه. على سبيل المثال، قامت KBC ببناء جزء كبير من مساعدها الافتراضي (المسمى Kate) داخليًا بالكامل باستخدام تقنيات GCP AI.

• الخيار 2: باستخدام مدرب مسبقا النماذج المستندة إلى السحابة التي يمكن نشرها وتكييفها بسهولة، مثل AWS Fraud Detector، أو AWS Personalize، أو الإصدارات المخصصة من ChatGPT (راجع إعلان OpenAI لتقديم مفهوم جديد لـ GPTs) لحالات استخدام محددة.

• الخيار 3: اكتساب حلول برمجية كاملة التي تشمل نماذج الذكاء الاصطناعي الداخلية والشاشات وسير العمل والعمليات. توجد العديد من الحلول في صناعة الخدمات المالية، مثل Discai (الذي يقوم بتسويق نماذج الذكاء الاصطناعي التي تم إنشاؤها داخليًا بواسطة بنك KBC)، وComplyAdvantage، وZest AI، وScienaptic AI، وDataRobot، وKensho Technologies، وTegus، وCanoe، وAbe.ai...​

يعتمد القرار بشأن الخيار الذي سيتم اختياره على الاحتياجات المحددة لشركة الخدمات المالية. إن فهم قدرات نماذج الذكاء الاصطناعي وقيودها، وامتلاك استراتيجية بيانات قوية، ومعرفة كيفية إتاحة البيانات للنماذج والأدوات الخارجية، هي خطوات حاسمة لشركة خدمات مالية تتطلع إلى اعتماد الذكاء الاصطناعي. عادةً ما تكون هذه الخطوات أكثر أهمية من امتلاك معرفة داخلية عميقة بالذكاء الاصطناعي.

من الواضح أن اعتماد الذكاء الاصطناعي في صناعة الخدمات المالية يعد ضرورة للحفاظ على القدرة التنافسية وتلبية متطلبات العملاء. يمكن للنهج الصحيح (البناء مقابل الشراء)، جنبًا إلى جنب مع حالات الاستخدام المدروسة، أن يمهد الطريق لرحلة ذكاء اصطناعي ناجحة.

تحقق من جميع مدوناتي على https://bankloch.blogspot.com/

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs