Tehisintellekti jõu vabastamine: finantsteenuste ümberkujundamine

AI on a kuum teema ja avaldatakse arvukalt artikleid, milles öeldakse, et finantsteenuste ettevõtted, kes ei võta tehisintellekti täna kasutusele, võivad homme vananeda. Kuid nagu paljude hüpete puhul, ei pruugi AI kasutuselevõtt tööstuses edeneda nii kiiresti, kui tavaliselt ennustatakse. Näiteks on eksperdid viimase kahe aastakümne jooksul ennustanud vanu pärandsuurarvutisüsteeme kasutavate pankade vananemist. Kuid isegi pärast 20 aastat toetuvad paljud pangad endiselt kriitilistele põhipangandusrakendustele, mis on üles ehitatud pärandsuurarvutitehnoloogiatele, ja need pangad on sama tugevad (kui mitte tugevamad) kui kaks aastakümmet tagasi.

Nagu öeldud, AI on siin, et jääda ja järkjärguline kasutuselevõtt on hädavajalik. Nagu minu ajaveebis „Õige sobivus: äriväärtuse hindamine enne AI/ML kasutuselevõttu” arutletud.https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), on väga oluline, et pangad valiksid oma tehisintellekti lahingud targalt, mitte ei rakendaks tehisintellekti selle nimel.

Seetõttu on finantsteenuste sektoris tehisintellekti kasutusjuhtude põhjalik loetelu koostamine hädavajalik. Minu arvates saame kõik finantsteenuste sektori tehisintellekti kasutamise juhtumid kategoriseerida kaks peamist rühma:

1. rühm: Struktureerimata andmete tõhusam käsitlemine

See kategooria keskendub andmete kogumisele, analüüsimisele ja töötlemisele, mida ei saa SQL-andmebaasis korralikult struktureerida. Tavaliselt sisaldab see andmeid dokumentidest, kõnest või piltidest, mis pärinevad sageli kolmandatelt osapooltelt (nt valitsuselt) või mittedigitaalsetelt klienditeenindustelt, mis vajavad digitaalvormingusse muutmist. Nende kasutusjuhtude eesmärk on eelkõige kulude vähendamine, kuna struktureerimata andmete töötlemine võib olla väga ressursimahukas. AI kasv muudab nende protsesside automatiseerimise üha teostatavamaks.

Näited:

• KYC ja KYB dokumendihaldus: isikutunnistuse kujutiste, valitsuse väljaannete või ettevõtte põhikirja töötlemine klientide ja ettevõtte struktuuride paremaks mõistmiseks.

• Identiteedijuhtimine: sarnane KYC/KYB-ga, kuid keskendub pidevale autentimisele ja tehingute allkirjastamisele, kasutades struktureerimata andmeid, nagu ID-kaardi kujutised, biomeetrilist tuvastamist (nagu nägu ja sõrmejälg) ja käitumuslikku tuvastamist.

• Brändi ja maine juhtimine: klientide ja meedia sentimenti ettevõtte suhtes jälgimine, et reageerida turunduskampaaniatele ja käsitleda negatiivset reklaami. Selleks jälgitakse traditsioonilist meediat ja sotsiaalmeediat (nagu tagasiside kommentaarid, meeldimised, jagamised, arvamused...) ja muid teabeallikaid (nt kõnekeskuse kirjed), et tuvastada klientide sentiment ja trendid.

• Nõudehaldus: Struktureerimata andmetega kahjunõuete töötlemise automatiseerimine, nagu pildid kahjustatud kindlustusobjektidest ja kindlustuse ekspertiis.

• Vestlusbotid ja automatiseeritud kõnekeskused: AI kasutamine klientide interaktsioonide kategoriseerimiseks ja märgistamiseks, suhtluse tõhusaks saatmiseks, standardsete vastusemallide pakkumiseks ja isegi vastuste täielikuks automatiseerimiseks erinevates suhtluskanalites (post, telefonikõne ja vestluskast).

• Sentimentide analüüs e-kirjade, vestlusseansside, hääl- ja videosalvestuste ning suhtluse struktureerimata kokkuvõtete kohta, et mõista klientide tagasisidet ja töötajate ja klientide suhtlust.

• Kulude ja arvete haldamine: Finantsdokumentide teisendamine struktureeritud andmeteks automaatseks töötlemiseks (nt korrektne broneerimine õigesse raamatupidamiskategooriasse).

2. rühm: parem prognoosimine ja ressursside jaotamine

Finantsteenuste sektoris (nagu igas teises tööstusharus) on ressursse, nagu inimesed ja raha, vähe ning neid tuleks eraldada võimalikult tõhusalt. AI võib mängida otsustavat rolli selle ennustamisel, kus neid ressursse kõige rohkem vaja on ja kus need võivad anda suurimat lisandväärtust.

märkused: Kliendi tähelepanu võib pidada ka napiks ressursiks, mis tähendab, et igasugune suhtlus või pakkumine peaks olema väga isikupärastatud, et tagada kliendi piiratud tähelepanu optimaalne kasutamine.

Need kasutusjuhtumid võib liigitada kahte alamkategooriasse:

Sektoragnostilised kasutusjuhtumid

• Klientide segmenteerimine olemasolevate andmete põhjal (nt klientide profiilide koostamine, tehingumustrite analüüs, kliendi varasema ja vahetu käitumine…) parimate võimalike vahendite (parim kanalite kombinatsioon) ja suhtlusstiili (kontaktide optimeerimine) väljaselgitamiseks ning ressursside jaotamiseks suurima potentsiaaliga klientidele tulevane tulu.

• Purunemise tuvastamine lahkumisohus olevate klientide tuvastamiseks ja hoidmiseks. Eraldades neile klientidele lisaressursse, näiteks töötajad, kes võtavad kliendiga ühendust või pakkuvad teatud stiimuleid (nt allahindlusi või paremaid intressimäärasid), et takistada kliendi kurnamist.

• Tuvastage parimad väljavaated ja müügivõimalused: müügivihjete loendist tuvastage need, kellest saavad kõige tõenäolisemad kliendid, kuid tuvastage ka, milliseid olemasolevaid kliente saab rist- ja ülesmüügitoimingute jaoks kõige paremini sihtida.

• Ennustage nõudluse ja pakkumise arengut, nt tuvastada, kus pangaautomaadid või filiaalid peaksid kõige paremini paiknema, ennustada, kui palju klienditoe interaktsioone on oodata, et tagada klienditoe meeskonna optimaalne personal või ennustada IT-infrastruktuuri koormust, et optimeerida pilveinfrastruktuuri kulusid.

• Järgmine parim tegevus, järgmine parim pakkumine või soovituste mootor isikupärastatud kliendisuhtlemiseks, st ennustada, milline toiming, toode või teenus pakub kasutajale igal ajahetkel kõige tõenäolisemalt huvi. Sellele protsessile lihtsa juurdepääsu võimaldamine võib aidata kliendil või mis tahes muul kasutajal (nt ettevõttesisesed töötajad) oma eesmärki kiiremini saavutada, suurendades seeläbi tulusid ja vähendades kulusid.

• Hinnakujundusmootor optimaalse toote või teenuse hinna määramiseks.

Finantsteenuste sektori spetsiifilised kasutusjuhtumid

• Krediidi hindamise mootor hinnata krediidivõimet ja teha tõhusaid laenuotsuseid. Selle mootori eesmärk on ennustada maksejõuetuse tõenäosust ja hinnangulist kahju väärtust maksejõuetuse korral, et teha kindlaks, kas krediiti tuleks aktsepteerida või mitte. See on ka ennustusprobleem, mis tagab panga raha võimalikult tõhusa kulutamise.

• Pettuste tuvastamise mootor petturlike finantstehingute, sealhulgas võrgupettuste (küberohud) ja maksepettuste tuvastamiseks ja ennetamiseks. Mootor ennustab, kas kasutaja tegelik käitumine ühtib eeldatava (ennustatud) käitumisega. Kui ei, siis on tõenäoliselt tegemist pettusega. Need mootorid aitavad vähendada tulukaotust, vältida kaubamärgikahjustusi ja pakkuda klientidele hõõrdumatut veebikogemust.

• Robo-nõuandev teenused optimaalsete investeerimisportfellide loomiseks, mis põhinevad turutrendidel, praegusel investeerimisportfellil ja klientide piirangutel (nt riskiprofiil, jätkusuutlikkuse piirangud, investeerimishorisont jne).

  • AML-i tuvastamise mootor rahapesu ja kuritegeliku tegevuse tuvastamiseks (ja peatamiseks) finantstehingutes.

  • Likviidsusriski juhtimise mootor rahavoogude optimeerimiseks. See on teenus, mida saab klientidele pakkuda, kuid mis on ka pangasiseselt nõutav. Pank peab tagama oma bilansis piisava likviidsuse, et katta kõik väljamaksed, aga ka prognoosida sularaha füüsiliste vajaduste sularahaautomaatide ja kontorite varustamiseks.

Lisaks nendele ärile suunatud tehisintellekti kasutusjuhtudele ärge jätke tähelepanuta AI sisemist kasutamist tõsta töötajate tootlikkust. Generatiivsed AI-tööriistad, nagu ChatGPT, võivad aidata erinevatel osakondadel, näiteks müügil, turundusel ja IT-l, nende tootlikkust tõsta.

Nagu on märgitud minu ajaveebis „Õige sobivus: äriväärtuse hindamine enne AI/ML kasutuselevõttu” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), omab esimene kategooria (st "Struktureerimata andmete tõhusam käsitlemine") minu arvates suurimat potentsiaali, kuigi see nõuab väga spetsiifilisi tehisintellekti oskusi ja keerulisi tehisintellekti mudeleid. Seetõttu kasutavad paljud finantsteenuseid osutavad ettevõtted tõenäoliselt selle kasutuskategooria jaoks eelkoolitatud mudeleid.

Teise kategooria kasutusjuhud (st „Parem prognoosimine ja nappide ressursside parem jaotamine“) on samuti paljulubavad ja võivad anda kiiremini tulemusi kui 1. kategooria kasutusjuhud. Kuid nende lisaväärtus võrreldes traditsiooniliste reeglipõhiste algoritmidega on ei ole alati tagatud, neil puudub sageli läbipaistvus ja neid on raske täpsustada. Selle tulemusena näevad AI need kasutusjuhtumid sageli paljutõotavamad, kui nad tegelikult on.

Paljudel juhtudel ei pea pangad tehisintellekti otse investeerima, kuna juba on olemas arvukalt tarkvaralahendusi, mis pakuvad mitte ainult tehisintellekti mudeleid, vaid hõlmavad ka nende ümber töövoogu ja äriloogikat.
Iga kasutusjuhtumi puhul saavad finantsteenuseid pakkuvad ettevõtted tegelikult valida kolm võimalust:

• Valik 1: Mudeli ehitamine algusest kasutades platvorme nagu AWS SageMaker või GCP AI Platform. See tähendab, et ettevõte peab leidma hea andmeõppekomplekti, looma mudeli ja koolitama mudelit ise. Näiteks KBC on suure osa oma virtuaalsest assistendist (nimega Kate) ehitanud GCP AI tehnoloogiate abil täielikult majasiseselt.

• Valik 2: Kasutamine eelkoolitatud pilvepõhised mudelid, mis on hõlpsasti juurutatavad ja kohandatavad, nagu AWS-i pettuste tuvastaja, AWS-i isikupärastamine või ChatGPT kohandatud versioonid (vrd OpenAI teadaanne, et tutvustada uut GPT-de kontseptsiooni) konkreetsete kasutusjuhtude jaoks.

• Valik 3: omandamine täistarkvaralahendused mis hõlmavad sisemisi AI mudeleid, ekraane, töövooge ja protsesse. Finantsteenuste sektoris on palju lahendusi, nagu Discai (mis turustab KBC panga siseselt ehitatud tehisintellekti mudeleid), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…

Otsus, milline variant valida, sõltub finantsteenuseid osutava ettevõtte konkreetsetest vajadustest. Tehisintellekti mudelite võimaluste ja piirangute mõistmine, kindla andmestrateegia omamine ning teadmine, kuidas andmeid väliste mudelite ja tööriistade jaoks kättesaadavaks teha, on tehisintellekti kasutuselevõttu sooviva finantsteenuste ettevõtte jaoks üliolulised sammud. Need sammud on tavaliselt olulisemad kui sügavate sisemiste AI-teadmiste omamine.

Tehisintellekti kasutuselevõtt finantsteenuste sektoris on konkurentsis püsimiseks ja klientide nõudmistele vastamiseks ilmselgelt vajalik. Õige lähenemine (ehitamine versus ostmine) koos läbimõeldud kasutusjuhtumitega võib sillutada teed edukale tehisintellekti teekonnale.

Vaadake kõiki minu ajaveebi saidil https://bankloch.blogspot.com/

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs