باز کردن قدرت هوش مصنوعی: تغییر شکل خدمات مالی

هوش مصنوعی یک است موضوع داغ و مقالات متعددی منتشر شده است مبنی بر اینکه شرکت‌های خدمات مالی که امروز هوش مصنوعی را اتخاذ نمی‌کنند، فردا منسوخ می‌شوند. با این حال، مانند بسیاری از تبلیغات، پذیرش صنعت از هوش مصنوعی ممکن است به همان سرعتی که معمولاً پیش‌بینی می‌شود پیش نرود. به عنوان مثال، در دو دهه گذشته، کارشناسان منسوخ شدن بانک ها را با استفاده از سیستم های قدیمی قدیمی پیش بینی کرده اند. با این حال، حتی پس از 20 سال، بسیاری از بانک‌ها همچنان به برنامه‌های اصلی بانکداری مبتنی بر فناوری‌های اصلی قدیمی متکی هستند و این بانک‌ها مانند دو دهه پیش قوی (اگر نه قوی‌تر) باقی می‌مانند.

همانطور که گفته شد، هوش مصنوعی اینجا باقی مانده است و پذیرش تدریجی آن ضروری است. همانطور که در وبلاگ من بحث شد، "تناسب مناسب: ارزیابی ارزش کسب و کار قبل از اتخاذ AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html، برای بانک ها بسیار مهم است که نبردهای هوش مصنوعی خود را عاقلانه انتخاب کنند، نه اینکه هوش مصنوعی را به خاطر آن پیاده سازی کنند.

بنابراین ایجاد یک لیست جامع از موارد استفاده از هوش مصنوعی در صنعت خدمات مالی ضروری است. به نظر من، ما می توانیم تمام موارد استفاده از هوش مصنوعی در صنعت خدمات مالی را به دسته بندی کنیم دو گروه اصلی:

گروه 1: مدیریت کارآمدتر داده های بدون ساختار

این دسته بر جمع آوری، تجزیه و تحلیل و پردازش داده هایی تمرکز دارد که نمی توانند به طور منظم در پایگاه داده SQL ساختار بندی شوند. معمولاً شامل داده‌هایی از اسناد، گفتار یا تصاویر است که اغلب از اشخاص ثالث مانند دولت یا خدمات مشتریان غیر دیجیتالی که نیاز به تبدیل به قالب دیجیتال دارند، نشات می‌گیرد. هدف این موارد استفاده در درجه اول کاهش هزینه است، زیرا پردازش داده‌های بدون ساختار می‌تواند بسیار نیازمند منابع باشد. ظهور هوش مصنوعی خودکار کردن این فرآیندها را به طور فزاینده ای امکان پذیر می کند.

مثالها عبارتند از:

• مدیریت اسناد KYC و KYB: پردازش تصاویر کارت شناسایی، نشریات دولتی یا اساسنامه شرکت برای درک بهتر مشتریان و ساختار شرکت.

• مدیریت هویت: مشابه KYC/KYB اما بر احراز هویت مستمر و امضای تراکنش، با استفاده از داده‌های بدون ساختار مانند تصاویر کارت شناسایی، شناسایی بیومتریک (مانند چهره و اثر انگشت) و شناسایی رفتاری متمرکز است.

• مدیریت برند و شهرت: نظارت بر احساسات مشتریان و رسانه ها در مورد شرکت برای واکنش به کمپین های بازاریابی و رسیدگی به تبلیغات منفی. این کار با نظارت بر رسانه‌های سنتی و رسانه‌های اجتماعی (مانند نظرات بازخورد، لایک‌ها، اشتراک‌گذاری‌ها، نظرات...) و سایر منابع اطلاعاتی (مانند سوابق مرکز تماس) برای شناسایی احساسات و گرایش‌های مشتری انجام می‌شود.

• مدیریت ادعا: خودکارسازی رسیدگی به مطالبات با داده های بدون ساختار مانند تصاویر اشیاء بیمه شده آسیب دیده و گزارش های کارشناسان بیمه.

• چت بات ها و مراکز تماس خودکار: استفاده از هوش مصنوعی برای دسته بندی و برچسب گذاری تعاملات مشتری، ارسال تعاملات به طور موثر، پیشنهاد الگوهای پاسخ استاندارد، و حتی خودکارسازی کامل پاسخ ها در کانال های ارتباطی مختلف (پست، تماس تلفنی و جعبه چت).

• تجزیه و تحلیل احساسات در ایمیل‌ها، جلسات چت، ضبط‌های صوتی و تصویری، و خلاصه‌های بدون ساختار ارتباطات برای درک بازخورد مشتری و تعاملات کارمند و مشتری.

• مدیریت هزینه و فاکتور: تبدیل اسناد مالی به داده های ساختاریافته برای پردازش خودکار (به عنوان مثال رزرو صحیح آن در دسته حسابداری مناسب).

گروه 2: پیش بینی و تخصیص بهتر منابع

در صنعت خدمات مالی (درست مانند هر صنعت دیگری)، منابعی مانند مردم و پول کمیاب هستند و باید تا حد امکان کارآمد تخصیص داده شوند. هوش مصنوعی می‌تواند نقش مهمی در پیش‌بینی اینکه کجا به این منابع بیشتر نیاز است و کجا می‌توانند بالاترین ارزش افزوده را داشته باشند، ایفا کند.

توجه داشته باشید: توجه مشتری می تواند به عنوان یک منبع کمیاب نیز در نظر گرفته شود، به این معنی که هر ارتباط یا پیشنهادی باید کاملا شخصی باشد تا اطمینان حاصل شود که از محدوده توجه محدود مشتری به طور بهینه استفاده می شود.

این موارد استفاده را می توان به دو زیر دسته طبقه بندی کرد:

موارد استفاده از بخش آگنوستیک

• تقسیم بندی مشتریان بر اساس داده های موجود (به عنوان مثال پروفایل مشتری، تجزیه و تحلیل الگوهای تراکنش، رفتار مشتری گذشته و فوری... درآمد آینده

• تشخیص ریزش برای شناسایی و حفظ مشتریان در معرض خطر ترک. با تخصیص منابع اضافی به آن مشتریان، مانند تماس کارکنان با مشتری یا ارائه مشوق های خاص (مثلاً تخفیف یا نرخ بهره بهتر) برای جلوگیری از سرگردانی مشتری.

• بهترین چشم اندازها و فرصت های فروش را شناسایی کنید: از میان فهرست سرنخ‌ها، افرادی را که به احتمال زیاد به مشتری تبدیل می‌شوند، شناسایی کنید، اما همچنین مشخص کنید که کدام مشتریان موجود می‌توانند به بهترین وجه برای اقدامات فروش متقابل و افزایش فروش هدف قرار گیرند.

• پیش بینی تحولات در تقاضا و عرضهبه عنوان مثال شناسایی مکان‌هایی که ماشین‌های ATM یا شعبه‌ها باید بهترین باشند، پیش‌بینی کنید که چند تعامل با پشتیبانی مشتری برای اطمینان از کارمندان بهینه تیم پشتیبانی مشتری یا پیش‌بینی بار روی زیرساخت فناوری اطلاعات برای بهینه‌سازی هزینه‌های زیرساخت ابری قابل انتظار است.

• بهترین اقدام بعدی، بهترین پیشنهاد بعدی یا موتور توصیه برای تعاملات شخصی سازی شده با مشتری، یعنی پیش بینی کنید کدام عمل، محصول یا خدمات به احتمال زیاد کاربر را در هر لحظه از زمان مورد علاقه قرار می دهد. امکان دسترسی آسان به این فرآیند می تواند به مشتری یا هر کاربر دیگری (مانند کارمندان داخلی) کمک کند تا سریعتر به هدف خود دست یابند و در نتیجه منجر به افزایش درآمد و کاهش هزینه ها می شود.

• موتور قیمت گذاری برای تعیین قیمت بهینه محصول یا خدمات.

موارد استفاده خاص صنعت خدمات مالی

• موتور امتیازدهی اعتباری برای ارزیابی اعتبار و اتخاذ تصمیمات کارآمد وام. هدف این موتور پیش‌بینی احتمال نکول و ارزش تخمینی ضرر در صورت نکول است تا مشخص کند آیا اعتبار باید پذیرفته شود یا خیر. این نیز یک مشکل پیش‌بینی است که تضمین می‌کند پول بانک به کارآمدترین روش ممکن خرج می‌شود.

• موتور تشخیص تقلب شناسایی و جلوگیری از تراکنش های مالی متقلبانه، از جمله کلاهبرداری آنلاین (تهدیدهای سایبری) و تقلب در پرداخت. موتور پیش بینی می کند که آیا رفتار واقعی یک کاربر با رفتار مورد انتظار (پیش بینی شده) مطابقت دارد یا خیر. اگر نه، احتمالاً مورد تقلب است. این موتورها به کاهش تلفات درآمد، جلوگیری از آسیب برند و ارائه یک تجربه آنلاین بدون اصطکاک به مشتری کمک می کنند.

• Robo-Amvisory خدماتی برای ایجاد پرتفوی سرمایه گذاری بهینه بر اساس روندهای بازار، سبد سرمایه گذاری فعلی و محدودیت های مشتری (مانند مشخصات ریسک، محدودیت های پایداری، افق سرمایه گذاری ...).

  • موتور تشخیص AML برای کشف (و توقف) پولشویی و فعالیت های مجرمانه در معاملات مالی.

  • موتور مدیریت ریسک نقدینگی برای بهینه سازی جریان های نقدی این خدماتی است که می تواند به مشتریان ارائه شود، اما در داخل بانک نیز مورد نیاز است. بانک باید از نقدینگی کافی در ترازنامه خود اطمینان حاصل کند تا تمام برداشت‌ها را پوشش دهد و همچنین نیازهای نقدی فیزیکی برای تامین دستگاه‌های خودپرداز و شعب را نیز پیش‌بینی کند.

علاوه بر این موارد استفاده از هوش مصنوعی تجاری محور، استفاده داخلی از هوش مصنوعی را نادیده نگیرید افزایش بهره وری کارکنان. ابزارهای مولد هوش مصنوعی مانند ChatGPT می توانند به بخش های مختلف مانند فروش، بازاریابی و فناوری اطلاعات در افزایش بهره وری کمک کنند.

همانطور که در وبلاگ من نشان داده شده است "تناسب مناسب: ارزیابی ارزش کسب و کار قبل از اتخاذ AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html) دسته اول (یعنی «مدیریت کارآمدتر با داده های بدون ساختار») به نظر من بزرگترین پتانسیل را دارد، اگرچه به مهارت های هوش مصنوعی بسیار خاص و مدل های پیچیده هوش مصنوعی نیاز دارد. بنابراین، بسیاری از شرکت های خدمات مالی احتمالاً از مدل های از پیش آموزش دیده برای این دسته از موارد استفاده استفاده می کنند.

موارد استفاده در دسته دوم (یعنی «پیش‌بینی بهتر و تخصیص بهتر منابع کمیاب») نیز امیدوارکننده هستند و می‌توانند نتایج سریع‌تری نسبت به موارد استفاده دسته 1 داشته باشند. با این حال، ارزش افزوده آنها در مقایسه با الگوریتم‌های مبتنی بر قوانین سنتی همیشه تضمین نمی شود، آنها اغلب فاقد شفافیت هستند و تنظیم دقیق آنها دشوار است. در نتیجه، موارد استفاده از هوش مصنوعی اغلب امیدوارکننده‌تر از آنچه هستند به نظر می‌رسند.

در بسیاری از موارد، بانک‌ها نیازی به سرمایه‌گذاری مستقیم روی هوش مصنوعی نخواهند داشت، زیرا راه‌حل‌های نرم‌افزاری متعددی در حال حاضر وجود دارد که نه تنها مدل‌های هوش مصنوعی را ارائه می‌دهند، بلکه گردش کار و منطق تجاری پیرامون آن‌ها را نیز در بر می‌گیرند.
برای هر مورد استفاده، شرکت های خدمات مالی در واقع می توانند یکی را انتخاب کنند سه گزینه:

• 1 گزینه: ساخت مدل از ابتدا با استفاده از پلتفرم هایی مانند AWS SageMaker یا GCP AI Platform. این بدان معناست که شرکت باید یک مجموعه آموزشی داده خوب را شناسایی کند، یک مدل راه اندازی کند و خود مدل را آموزش دهد. به عنوان مثال، KBC بخش بزرگی از دستیار مجازی خود (به نام کیت) را کاملاً داخلی با استفاده از فناوری‌های هوش مصنوعی GCP ساخته است.

• 2 گزینه: استفاده كردن از قبل آموزش دیده مدل‌های مبتنی بر ابر که به‌راحتی قابل استقرار و سازگاری هستند، مانند AWS Fraud Detector، AWS Personalize، یا نسخه‌های سفارشی ChatGPT (نگاه کنید به اعلام OpenAI برای معرفی مفهوم جدید GPTs) برای موارد استفاده خاص.

• 3 گزینه: کسب راه حل های نرم افزاری کامل که شامل مدل‌های هوش مصنوعی داخلی، صفحه‌نمایش، گردش کار و فرآیندها می‌شود. راه‌حل‌های متعددی در صنعت خدمات مالی وجود دارد، مانند Discai (که مدل‌های هوش مصنوعی ساخته شده در داخل بانک KBC را تجاری می‌کند)، ComplyAdvantage، Zest AI، Scienaptic AI، DataRobot، Kensho Technologies، Tegus، Canoe، Abe.ai…

تصمیم گیری در مورد اینکه کدام گزینه را انتخاب کنید به نیازهای خاص شرکت خدمات مالی بستگی دارد. درک قابلیت‌ها و محدودیت‌های مدل‌های هوش مصنوعی، داشتن یک استراتژی داده‌ای قوی، و دانستن چگونگی در دسترس قرار دادن داده‌ها برای مدل‌ها و ابزارهای خارجی، گام‌های مهمی برای یک شرکت خدمات مالی است که به دنبال پذیرش هوش مصنوعی است. این مراحل معمولاً مهمتر از داشتن دانش عمیق هوش مصنوعی داخلی هستند.

استفاده از هوش مصنوعی در صنعت خدمات مالی به وضوح یک ضرورت برای رقابتی ماندن و برآورده کردن خواسته های مشتریان است. رویکرد درست (ساخت در مقابل خرید)، همراه با موارد استفاده خوب در نظر گرفته شده، می تواند راه را برای یک سفر موفق هوش مصنوعی هموار کند.

تمام وبلاگ های من را در آن بررسی کنید https://bankloch.blogspot.com/

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs