Ξεκλείδωμα της δύναμης της τεχνητής νοημοσύνης: Αναμόρφωση των χρηματοοικονομικών υπηρεσιών

Το AI είναι α καυτό θέμα και δημοσιεύονται πολλά άρθρα που αναφέρουν ότι οι εταιρείες χρηματοοικονομικών υπηρεσιών που δεν υιοθετούν την τεχνητή νοημοσύνη σήμερα κινδυνεύουν να καταστούν παρωχημένες αύριο. Ωστόσο, όπως συμβαίνει με πολλές διαφημιστικές εκστρατείες, η υιοθέτηση της τεχνητής νοημοσύνης από τον κλάδο ενδέχεται να μην προχωρήσει τόσο γρήγορα όσο συνήθως προβλεπόταν. Για παράδειγμα, τις τελευταίες δύο δεκαετίες, οι ειδικοί προβλέπουν την απαξίωση των τραπεζών που χρησιμοποιούν παλιά συστήματα mainframe παλαιού τύπου. Ωστόσο, ακόμη και μετά από 20 χρόνια, πολλές τράπεζες εξακολουθούν να βασίζονται σε κρίσιμες βασικές τραπεζικές εφαρμογές βασισμένες σε τεχνολογίες mainframe παλαιού τύπου και αυτές οι τράπεζες παραμένουν τόσο ισχυρές (αν όχι ισχυρότερες) όσο πριν από δύο δεκαετίες.

Τούτου λεχθέντος, η τεχνητή νοημοσύνη είναι εδώ για να μείνει και η σταδιακή υιοθέτηση είναι απαραίτητη. Όπως συζητήθηκε στο ιστολόγιό μου, "The Right Fit: Assessing Business Value Before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), είναι σημαντικό για τις τράπεζες να επιλέγουν τις μάχες τεχνητής νοημοσύνης τους με σύνεση, αντί να εφαρμόζουν την τεχνητή νοημοσύνη για χάρη της.

Η δημιουργία μιας ολοκληρωμένης λίστας περιπτώσεων χρήσης τεχνητής νοημοσύνης στον κλάδο των χρηματοοικονομικών υπηρεσιών είναι επομένως επιτακτική. Κατά τη γνώμη μου, μπορούμε να κατηγοριοποιήσουμε όλες τις περιπτώσεις χρήσης τεχνητής νοημοσύνης στον κλάδο των χρηματοοικονομικών υπηρεσιών δύο κύριες ομάδες:

Ομάδα 1: Αποτελεσματικότερος χειρισμός μη δομημένων δεδομένων

Αυτή η κατηγορία εστιάζει στη συλλογή, ανάλυση και επεξεργασία δεδομένων που δεν μπορούν να δομηθούν σωστά σε μια βάση δεδομένων SQL. Συνήθως περιλαμβάνει δεδομένα από έγγραφα, ομιλία ή εικόνες, που συχνά προέρχονται από τρίτα μέρη όπως η κυβέρνηση ή από μη ψηφιακές υπηρεσίες πελατών που χρειάζονται μετατροπή σε ψηφιακή μορφή. Αυτές οι περιπτώσεις χρήσης στοχεύουν κυρίως στη μείωση του κόστους, καθώς η επεξεργασία μη δομημένων δεδομένων μπορεί να απαιτεί μεγάλη ένταση πόρων. Η άνοδος της τεχνητής νοημοσύνης καθιστά ολοένα και πιο εφικτή την αυτοματοποίηση αυτών των διαδικασιών.

Παραδείγματα περιλαμβάνουν:

• Χειρισμός εγγράφων KYC και KYB: Επεξεργασία εικόνων ταυτότητας, κυβερνητικών εκδόσεων ή καταστατικού της εταιρείας για καλύτερη κατανόηση των πελατών και των εταιρικών δομών.

• Διαχείριση ταυτότητας: Παρόμοιο με το KYC/KYB, αλλά επικεντρώνεται στον συνεχή έλεγχο ταυτότητας και στην υπογραφή συναλλαγών, χρησιμοποιώντας μη δομημένα δεδομένα όπως εικόνες ταυτότητας, βιομετρική αναγνώριση (όπως πρόσωπο και δακτυλικό αποτύπωμα) και αναγνώριση συμπεριφοράς.

• Διαχείριση επωνυμίας και φήμης: Παρακολούθηση του συναισθήματος των πελατών και των μέσων ενημέρωσης σχετικά με την εταιρεία για την αντίδραση σε εκστρατείες μάρκετινγκ και την αντιμετώπιση της αρνητικής δημοσιότητας. Αυτό γίνεται με την παρακολούθηση των παραδοσιακών μέσων και των μέσων κοινωνικής δικτύωσης (όπως σχόλια σχολίων, επισημάνσεις "μου αρέσει", κοινοποιήσεις, απόψεις...) και άλλες πηγές πληροφοριών (π.χ. αρχεία τηλεφωνικών κέντρων) για τον εντοπισμό του συναισθήματος και των τάσεων των πελατών.

• Διαχείριση αξιώσεων: Αυτοματοποίηση της διεκπεραίωσης αποζημιώσεων με μη δομημένα δεδομένα, όπως φωτογραφίες κατεστραμμένων ασφαλισμένων αντικειμένων και εκθέσεις εμπειρογνωμόνων ασφάλισης.

• Chatbots και αυτοματοποιημένα τηλεφωνικά κέντρα: Χρήση τεχνητής νοημοσύνης για την κατηγοριοποίηση και την προσθήκη ετικετών στις αλληλεπιδράσεις πελατών, την αποτελεσματική αποστολή των αλληλεπιδράσεων, την πρόταση τυπικών προτύπων απόκρισης και ακόμη και την πλήρη αυτοματοποίηση των απαντήσεων σε διάφορα κανάλια επικοινωνίας (ταχυδρομείο, τηλεφωνικές κλήσεις και κουτί συνομιλίας).

• Ανάλυση συναισθημάτων σε μηνύματα ηλεκτρονικού ταχυδρομείου, συνεδρίες συνομιλίας, εγγραφές φωνής και βίντεο και μη δομημένες περιλήψεις επικοινωνίας για την κατανόηση των σχολίων πελατών και των αλληλεπιδράσεων εργαζομένων-πελατών.

• Διαχείριση εξόδων και τιμολογίων: Μετατροπή οικονομικών παραστατικών σε δομημένα δεδομένα για αυτόματη επεξεργασία (π.χ. σωστή κράτηση στη σωστή λογιστική κατηγορία).

Ομάδα 2: Καλύτερη πρόβλεψη και κατανομή πόρων

Στον κλάδο των χρηματοοικονομικών υπηρεσιών (όπως και σε οποιονδήποτε άλλο κλάδο), οι πόροι όπως οι άνθρωποι και τα χρήματα είναι σπάνιοι και θα πρέπει να κατανεμηθούν όσο το δυνατόν πιο αποτελεσματικά. Η τεχνητή νοημοσύνη μπορεί να διαδραματίσει κρίσιμο ρόλο στην πρόβλεψη του πού χρειάζονται περισσότερο αυτοί οι πόροι και πού μπορούν να αποδώσουν την υψηλότερη προστιθέμενη αξία.

Note: Η προσοχή ενός πελάτη μπορεί επίσης να θεωρηθεί ως ένας σπάνιος πόρος, πράγμα που σημαίνει ότι οποιαδήποτε επικοινωνία ή προσφορά θα πρέπει να είναι εξαιρετικά εξατομικευμένη για να διασφαλιστεί ότι η περιορισμένη έκταση προσοχής του πελάτη χρησιμοποιείται βέλτιστα.

Αυτές οι περιπτώσεις χρήσης μπορούν να κατηγοριοποιηθούν σε δύο υποκατηγορίες:

Τομεακές-αγνωστικές περιπτώσεις χρήσης

• Τμηματοποίηση πελατών με βάση τα διαθέσιμα δεδομένα (π.χ. προφίλ πελατών, ανάλυση μοτίβων συναλλαγών, προηγούμενη και άμεση συμπεριφορά των πελατών… μελλοντικά έσοδα.

• Ανίχνευση ανατροπής για τον εντοπισμό και τη διατήρηση πελατών που κινδυνεύουν να φύγουν. Κατανέμοντας επιπλέον πόρους σε αυτούς τους πελάτες, όπως οι υπάλληλοι που επικοινωνούν με τον πελάτη ή προσφέρουν ορισμένα κίνητρα (π.χ. εκπτώσεις ή καλύτερα επιτόκια) για να αποτρέψουν τον πελάτη από την ανατροπή.

• Προσδιορίστε τις καλύτερες προοπτικές και ευκαιρίες πωλήσεων: από μια λίστα δυνητικών πελατών, εντοπίστε αυτούς που είναι πιο πιθανό να γίνουν πελάτες, αλλά και προσδιορίστε ποιους υπάρχοντες πελάτες μπορούν να στοχεύσουν καλύτερα για ενέργειες cross-selling και up-selling.

• Προβλέψτε τις εξελίξεις στη ζήτηση και την προσφορά, π.χ. προσδιορίστε πού πρέπει να βρίσκονται οι μηχανές ή τα υποκαταστήματα ATM, προβλέψτε πόσες αλληλεπιδράσεις υποστήριξης πελατών αναμένεται να διασφαλιστεί η βέλτιστη στελέχωση της ομάδας υποστήριξης πελατών ή πρόβλεψη του φόρτου στην υποδομή πληροφορικής για τη βελτιστοποίηση του κόστους υποδομής cloud.

• Επόμενη καλύτερη δράση, Επόμενη καλύτερη προσφορά ή μηχανή συστάσεων για εξατομικευμένες αλληλεπιδράσεις με τους πελάτες, δηλαδή προβλέψτε ποια ενέργεια, προϊόν ή υπηρεσία είναι πιο πιθανό να ενδιαφέρει έναν χρήστη σε οποιαδήποτε δεδομένη χρονική στιγμή. Η εύκολη πρόσβαση σε αυτή τη διαδικασία μπορεί να βοηθήσει τον πελάτη ή οποιονδήποτε άλλο χρήστη (όπως εσωτερικοί υπάλληλοι) να επιτύχει τον στόχο του πιο γρήγορα, με αποτέλεσμα αυξημένα έσοδα και μειωμένο κόστος.

• Κινητήρας τιμολόγησης για τον καθορισμό της βέλτιστης τιμολόγησης προϊόντος ή υπηρεσίας.

Ειδικές περιπτώσεις χρήσης του κλάδου των χρηματοοικονομικών υπηρεσιών

• Credit Scoring Engine για την αξιολόγηση της πιστοληπτικής ικανότητας και τη λήψη αποτελεσματικών αποφάσεων δανεισμού. Αυτή η μηχανή στοχεύει να προβλέψει την πιθανότητα αθέτησης υποχρεώσεων και την εκτιμώμενη τιμή απώλειας σε περίπτωση αθέτησης, για να καθορίσει εάν μια πίστωση θα πρέπει να γίνει αποδεκτή ή όχι. Αυτό είναι επίσης ένα πρόβλημα πρόβλεψης, το οποίο διασφαλίζει ότι τα χρήματα της τράπεζας δαπανώνται με τον πιο αποτελεσματικό δυνατό τρόπο.

• Μηχανή ανίχνευσης απάτης για τον εντοπισμό και την πρόληψη δόλιων οικονομικών συναλλαγών, συμπεριλαμβανομένης της απάτης στο διαδίκτυο (κυβερνοαπειλές) και της απάτης πληρωμών. Ο κινητήρας προβλέπει εάν η πραγματική συμπεριφορά ενός χρήστη ταιριάζει με την αναμενόμενη (προβλεπόμενη) συμπεριφορά. Εάν όχι, είναι πιθανόν περίπτωση απάτης. Αυτοί οι κινητήρες συμβάλλουν στη μείωση των απωλειών εσόδων, στην αποφυγή ζημιών στην επωνυμία και στην παροχή μιας διαδικτυακής εμπειρίας πελατών χωρίς τριβές.

• Robo-Advisory υπηρεσίες για τη δημιουργία βέλτιστων επενδυτικών χαρτοφυλακίων με βάση τις τάσεις της αγοράς, το τρέχον επενδυτικό χαρτοφυλάκιο και τους περιορισμούς των πελατών (όπως προφίλ κινδύνου, περιορισμοί βιωσιμότητας, επενδυτικός ορίζοντας…​).

  • Μηχανή ανίχνευσης AML για τον εντοπισμό (και τον τερματισμό) της νομιμοποίησης εσόδων από παράνομες δραστηριότητες και της εγκληματικής δραστηριότητας σε οικονομικές συναλλαγές.

  • Μηχανή Διαχείρισης Κινδύνου Ρευστότητας για τη βελτιστοποίηση των ταμειακών ροών. Πρόκειται για μια υπηρεσία που μπορεί να προσφερθεί στους πελάτες, αλλά η οποία απαιτείται και εσωτερικά για την τράπεζα. Η τράπεζα πρέπει να εξασφαλίσει επαρκή ρευστότητα στον ισολογισμό της για να καλύψει όλες τις αναλήψεις, αλλά και να προβλέψει τις φυσικές ανάγκες σε μετρητά για την προμήθεια μηχανημάτων ΑΤΜ και υποκαταστημάτων.

Εκτός από αυτές τις περιπτώσεις χρήσης τεχνητής νοημοσύνης με επιχειρηματικό προσανατολισμό, μην παραβλέπετε την εσωτερική χρήση της τεχνητής νοημοσύνης σε ενίσχυση της παραγωγικότητας των εργαζομένων. Τα εργαλεία παραγωγής τεχνητής νοημοσύνης όπως το ChatGPT μπορούν να βοηθήσουν διάφορα τμήματα, όπως πωλήσεις, μάρκετινγκ και πληροφορική, στην ενίσχυση της παραγωγικότητάς τους.

Όπως υποδεικνύεται στο ιστολόγιό μου "The Right Fit: Assessing Business Value Before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), η πρώτη κατηγορία (δηλαδή «Πιο αποτελεσματικός χειρισμός μη δομημένων δεδομένων») έχει κατά τη γνώμη μου τις μεγαλύτερες δυνατότητες, αν και απαιτεί πολύ συγκεκριμένες δεξιότητες τεχνητής νοημοσύνης και πολύπλοκα μοντέλα τεχνητής νοημοσύνης. Ως εκ τούτου, πολλές εταιρείες χρηματοοικονομικών υπηρεσιών είναι πιθανό να χρησιμοποιούν προεκπαιδευμένα μοντέλα για αυτήν την κατηγορία περιπτώσεων χρήσης.

Οι περιπτώσεις χρήσης της δεύτερης κατηγορίας (δηλ. «Καλύτερη πρόβλεψη και καλύτερη κατανομή των σπάνιων πόρων») είναι επίσης ελπιδοφόρες και μπορούν να αποφέρουν ταχύτερα αποτελέσματα από τις περιπτώσεις χρήσης της κατηγορίας 1. Ωστόσο, η προστιθέμενη αξία τους σε σύγκριση με τους παραδοσιακούς αλγόριθμους που βασίζονται σε κανόνες είναι δεν είναι πάντα εγγυημένα, συχνά στερούνται διαφάνειας και είναι δύσκολο να τελειοποιηθούν. Ως αποτέλεσμα, η τεχνητή νοημοσύνη αυτές οι περιπτώσεις χρήσης συχνά φαίνονται πιο ελπιδοφόρες από ό,τι στην πραγματικότητα.

Σε πολλές περιπτώσεις, οι τράπεζες δεν θα χρειαστεί να επενδύσουν απευθείας στην τεχνητή νοημοσύνη, καθώς υπάρχουν ήδη πολυάριθμες λύσεις λογισμικού, που προσφέρουν όχι μόνο μοντέλα τεχνητής νοημοσύνης αλλά και καλύπτοντας τη ροή εργασιών και την επιχειρηματική λογική γύρω από αυτά.
Για κάθε περίπτωση χρήσης, οι εταιρείες χρηματοοικονομικών υπηρεσιών μπορούν να επιλέξουν μεταξύ τους τρεις επιλογές:

• Επιλογή 1: Κατασκευή μοντέλου από την αρχή χρησιμοποιώντας πλατφόρμες όπως το AWS SageMaker ή το GCP AI Platform. Αυτό σημαίνει ότι η εταιρεία πρέπει να εντοπίσει ένα καλό σύνολο εκπαίδευσης δεδομένων, να δημιουργήσει ένα μοντέλο και να εκπαιδεύσει το ίδιο το μοντέλο. Για παράδειγμα, η KBC έχει δημιουργήσει ένα μεγάλο μέρος του εικονικού βοηθού της (που ονομάζεται Kate) πλήρως εσωτερικά χρησιμοποιώντας τεχνολογίες GCP AI.

• Επιλογή 2: Χρησιμοποιώντας προ-εκπαιδευμένο Μοντέλα που βασίζονται σε σύννεφο που μπορούν εύκολα να αναπτυχθούν και να προσαρμοστούν, όπως το AWS Fraud Detector, το AWS Personalize ή προσαρμοσμένες εκδόσεις του ChatGPT (βλ. ανακοίνωση του OpenAI για εισαγωγή νέας έννοιας των GPT) για συγκεκριμένες περιπτώσεις χρήσης.

• Επιλογή 3: Απόκτηση πλήρεις λύσεις λογισμικού που περιλαμβάνουν εσωτερικά μοντέλα AI, οθόνες, ροές εργασίας και διεργασίες. Υπάρχουν πολυάριθμες λύσεις στον κλάδο των Χρηματοοικονομικών Υπηρεσιών, όπως η Discai (η οποία εμπορευματοποιεί τα μοντέλα AI που κατασκευάζονται εσωτερικά από την τράπεζα KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​​

Η απόφαση για το ποια επιλογή θα επιλέξετε εξαρτάται από τις συγκεκριμένες ανάγκες της εταιρείας χρηματοοικονομικών υπηρεσιών. Η κατανόηση των δυνατοτήτων και των περιορισμών των μοντέλων τεχνητής νοημοσύνης, η κατοχή μιας σταθερής στρατηγικής δεδομένων και η γνώση του τρόπου διάθεσης δεδομένων για εξωτερικά μοντέλα και εργαλεία είναι κρίσιμα βήματα για μια εταιρεία χρηματοοικονομικών υπηρεσιών που θέλει να υιοθετήσει την τεχνητή νοημοσύνη. Αυτά τα βήματα είναι συνήθως πιο σημαντικά από το να έχετε βαθιά εσωτερική γνώση AI.

Η υιοθέτηση της τεχνητής νοημοσύνης στον κλάδο των χρηματοοικονομικών υπηρεσιών είναι ξεκάθαρα μια αναγκαιότητα για να παραμείνουμε ανταγωνιστικοί και να ικανοποιήσουμε τις απαιτήσεις των πελατών. Η σωστή προσέγγιση (κατασκευής έναντι αγοράς), σε συνδυασμό με καλά μελετημένες περιπτώσεις χρήσης, μπορεί να ανοίξει το δρόμο για ένα επιτυχημένο ταξίδι τεχνητής νοημοσύνης.

Δείτε όλα τα ιστολόγιά μου https://bankloch.blogspot.com/

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs