Gen AI er ikke den eneste teknologiske køreautomatisering i banksektoren

Gen AI er ikke den eneste teknologiske køreautomatisering i banksektoren

Tidsstempel: 29. februar 2024 kl. 11:01
Gen AI er ikke den eneste teknologi, der driver automatisering inden for bankvirksomhed PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

Kunstig intelligens (AI) er steget ind i mainstream og er klar til at revolutionere operationer i banksektoren. Flere faktorer har givet næring til denne stigning, især den eksponentielle vækst i datavolumen og kompleksitet, øget pres for hurtig
og præcis beslutningstagning og nødvendigheden af ​​gennemsigtighed. Selvom generativ kunstig intelligens vil være uvurderlig med at hjælpe banker med at opsummere store populationer af data, og du måske bliver nødt til at hviske dette, er det ikke den eneste teknologi, der driver automatisering i
banksektoren. 

AI begynder med kontekst 

I risikomodellering er valg af inputdatapunkter eller funktioner af afgørende betydning, og overgår ofte valget af model eller algoritme. I en industri, der er bundet af strenge lovgivningsmæssige krav til modellering af gennemsigtighed og forklarlighed, er mulighederne for
modelvalg er ofte begrænset, hvilket øger betydningen af ​​inputfunktioner som de primære determinanter for modellens succes eller fiasko. Derfor bliver den centrale undersøgelse: hvordan kan vi gennemsyre vores træk med maksimal kontekstuel relevans? 

Netværksbaserede funktioner dukker op som en stærk mekanisme til at tilføre store mængder information i modeller og samtidig opretholde nødvendigheden af ​​gennemsigtighed og forklaring. En effektiv tilgang indebærer at udnytte skræddersyede dokument-entitetsnetværk til
generere funktioner, der afgrænser sammenhængen mellem virksomheder og enkeltpersoner. For eksempel kan brugen af ​​netværksfunktioner, der skildrer forholdet mellem virksomheder og deres direktører, tjene som afgørende input til maskinlæringsskalvirksomhed
detektionsmodeller, hvilket i nogle tilfælde giver en 20 % forbedring af ydeevnen sammenlignet med udelukkende at stole på funktioner på rekordniveau. 

Outputtet af sådanne modeller - forudsigelser vedrørende shell-virksomheder og de agenter, der orkestrerer deres dannelse - har konsekvenser for at styrke risikodetektionsindsatsen på tværs af anti-hvidvaskning af penge (AML), Know Your Customer (KYC) og svigbekæmpelse
domæner. 

Ved at udnytte en sammensat AI-teknologistack kan banker integrere fagekspertise med en række maskinlærings- og deep learning-teknikker sammen med adgang til omfattende strukturerede og ustrukturerede industridata. Denne omfattende tilgang øger tilpasningsevnen,
modellernes nøjagtighed og effektivitet. Udnyttelse af ekspertise og domæneviden gennem hele modeludviklingsprocessen sikrer høj nøjagtighed og tillid til at løse komplekse forretningsproblemer. Kort sagt bør banker, der ønsker at implementere kunstig intelligens, undgå at stole på
én model, teknik eller tilgang. At gøre det kan føre til begrænsninger i perspektiv, tilpasningsevne og ydeevne.  

Betydningen af ​​netværksfunktioner 

Netværk tilbyder en alsidig ramme til modellering af entitetsforhold på tværs af forskellige kontekster. For eksempel kan netværk, der afbilder betalingstransaktioner mellem parter, afsløre afslørende tegn på økonomisk misbrug. Ved at undersøge specifikke mønstre indeni
netværket – såsom cyklusser af transaktioner med samme størrelsesorden – banker kan afdække risici, som ellers ville unddrage sig opdagelse, når de undersøger transaktioner isoleret. Desuden, når det suppleres med et lager af kendte tilfælde af bedrageri, netværksfunktioner
som hyppigheden af ​​U-vendinger eller cykliske betalinger kan styrke overvågede læringsmodeller, hvilket øger deres forudsigelige kapacitet for fremtidige risikoscenarier. 

Et særligt iøjnefaldende netværk til modellering af virksomhedsrisici er det organisatoriske juridiske hierarki, der omfatter direktører, aktionærer og datterselskaber. Grundlæggende attributter såsom netværksstørrelse, forbindelsestæthed og hierarkiske lag fungerer som
uvurderlige dimensioner for segmentering og funktionsgenerering i overvågede læringsmodeller, hvilket forbedrer vores evne til at skelne og mindske potentielle risici effektivt.  

For efterforskere og analytikere er det her, grafanalyse kommer til sin ret ved at give dem mulighed for at analysere, visualisere og forstå skjulte forbindelser på tværs af forskellige datasæt. Det er afgørende, at det er skalerbart og intuitivt, hvilket giver teams mulighed for at krydse milliarder
af kanter uden at gå på kompromis med gennemløbet med højfrekvente forespørgsler.  

Enhedsopløsning transformerer bankvirksomhedens fremtid 

Enhedsopløsning udnytter avancerede AI- og Machine Learning-teknikker til at parse, rense og standardisere data, hvilket muliggør identifikation af enheder på tværs af forskellige datasæt pålideligt. Denne proces involverer klyngedannelse af relaterede poster, aggregering af attributter
for hver enhed og etablering af mærkede forbindelser mellem enheder og deres kildeposter. Sammenlignet med traditionelle record-to-record matching tilgange giver enhedsopløsning betydeligt forbedret effektivitet. 

I stedet for at forsøge at forbinde hver kildepost direkte, kan organisationer introducere nye enhedsknuder som centrale punkter til at forbinde virkelige data. Enhedsopløsning af høj kvalitet letter ikke kun sammenkædning af interne data, men muliggør også integration
af værdifulde eksterne datakilder, såsom virksomhedsregistre, som tidligere var udfordrende at matche nøjagtigt. 

Integration af enhedsafviklingsteknologi inden for banksektoren markerer et betydeligt spring fremad, der gør det muligt for banker at gå fra batch-baserede processer til næsten realtids produkt- og servicetilbud på tværs af omnichannel-servicerammer. Det her
evolution kan gå ud over bedrageri til at omfatte alle kundeinteraktioner gennem forskellige kontaktpunkter, herunder callcentre, filialer og digitale kanaler, hvilket sikrer en problemfri og dynamisk kundeoplevelse. 

Generativ AI har en vigtig rolle at spille 

I løbet af det næste år forventer jeg at se generative AI-assistenter udnytte store sprogmodeller (LLM'er) til at blive stadig mere udbredt inden for banksektoren. Generativ AI tillader en intuitiv og samtale-grænseflade, hvilket forbedrer effektiviteten for analytikere
involveret i risikoidentifikation inden for undersøgelser. For organisationer er de potentielle fordele betydelige, da denne AI-assistent giver alt analytikerpersonale mulighed for at præstere på niveau med de mest erfarne efterforskere. Mange af disse assistenter vil
være LLM-agnostisk, hvilket giver virksomheder mulighed for fleksibilitet til at anvende deres foretrukne modeller, uanset om de er proprietære, open source eller kommercielt tilgængelige modeller som ChatGPT fra OpenAI. Når den er integreret med andre aspekter af den sammensatte AI-stack, vil den understøtte
enhedsopløsning, grafanalyse og scoringsfunktioner, hvilket frigør et hidtil uset potentiale ved at aktivere forespørgsler og prompter på naturligt sprog.  

Det er afgørende, at alle generative AI-produkter ikke kan fungere som en bolt-on eller isoleret til bredere AI-automatisering. Resultaterne, som den vil generere, er kun så gode som den data-, kontekst- og enhedsopløsningsteknologi, den er bygget på. Banker søger at implementere
generativ AI bør tænke mere bredt over, hvordan forskellige teknologier passer ind i deres AI-automatiseringsteknologistack.  

Tidsstempel:

Mere fra Fintextra