La génération AI n'est pas la seule technologie à conduire l'automatisation du secteur bancaire

La génération AI n'est pas la seule technologie à conduire l'automatisation du secteur bancaire

Horodatage: 29 février 2024 11:01
La génération AI n'est pas la seule technologie à piloter l'automatisation du secteur bancaire PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

L’intelligence artificielle (IA) s’est imposée dans le courant dominant et est sur le point de révolutionner les opérations du secteur bancaire. Plusieurs facteurs ont alimenté cette hausse, notamment la croissance exponentielle du volume et de la complexité des données, la pression accrue en faveur d'un accès rapide aux données.
et une prise de décision précise, ainsi que l'impératif de transparence. Même si l’IA générative sera d’une valeur inestimable pour aider les banques à résumer de grandes populations de données, et vous devrez peut-être le murmurer, ce n’est pas la seule technologie qui stimule l’automatisation dans le secteur.
secteur bancaire. 

L'IA commence par le contexte 

Dans la modélisation des risques, la sélection des points de données d’entrée, ou caractéristiques, revêt une importance primordiale, dépassant souvent le choix du modèle ou de l’algorithme. Dans un secteur soumis à des exigences réglementaires strictes en matière de modélisation de la transparence et de l'explicabilité, la portée de
la sélection du modèle est souvent contrainte, ce qui accroît l'importance des caractéristiques d'entrée en tant que principaux déterminants du succès ou de l'échec du modèle. Par conséquent, la question centrale devient : comment pouvons-nous conférer à nos fonctionnalités une pertinence contextuelle maximale ? 

Les fonctionnalités basées sur le réseau apparaissent comme un mécanisme puissant pour injecter de grandes quantités d'informations dans les modèles tout en respectant l'impératif de transparence et d'explicabilité. Une approche efficace consiste à exploiter des réseaux d'entités de documents sur mesure pour
générer des caractéristiques qui délimitent l’interconnectivité des entreprises et des individus. Par exemple, l'utilisation de fonctionnalités de réseau, décrivant les relations entre les entreprises et leurs dirigeants, peut servir d'apport essentiel à l'apprentissage automatique des sociétés écrans.
modèles de détection, générant dans certains cas une amélioration des performances de 20 % par rapport au fait de s'appuyer uniquement sur des fonctionnalités au niveau de l'enregistrement. 

Les résultats de ces modèles (prédictions relatives aux sociétés écrans et aux agents orchestrant leur formation) ont des implications pour renforcer les efforts de détection des risques dans les domaines de la lutte contre le blanchiment d'argent (AML), de la connaissance de votre client (KYC) et de l'atténuation de la fraude.
domaines. 

En tirant parti d’une pile technologique composite d’IA, les banques peuvent intégrer une expertise en la matière à une gamme de techniques d’apprentissage automatique et d’apprentissage profond, ainsi qu’un accès à de vastes données industrielles structurées et non structurées. Cette approche globale améliore l'adaptabilité,
précision et efficacité des modèles. L’exploitation de l’expertise et des connaissances du domaine tout au long du processus de développement de modèles garantit une précision et une confiance élevées dans la résolution de problèmes commerciaux complexes. En bref, les banques qui cherchent à mettre en œuvre l’IA devraient éviter de s’appuyer sur
un modèle, une technique ou une approche. Cela peut entraîner des limitations en termes de perspective, d’adaptabilité et de performances.  

L'importance des fonctionnalités réseau 

Les réseaux offrent un cadre polyvalent pour modéliser les relations entre entités dans divers contextes. Par exemple, les réseaux décrivant les transactions de paiement entre parties peuvent révéler des signes révélateurs de malversations financières. En examinant des modèles spécifiques au sein
le réseau – comme des cycles de transactions d’ampleur similaire – les banques peuvent découvrir des risques qui autrement échapperaient à la détection en examinant les transactions de manière isolée. De plus, lorsqu'elles sont complétées par un référentiel d'instances de fraude connues, les fonctionnalités du réseau
comme la fréquence des revirements ou des paiements cycliques, peut renforcer les modèles d’apprentissage supervisé, augmentant ainsi leur capacité prédictive pour les scénarios de risque futurs. 

Un réseau particulièrement important pour modéliser les risques d’entreprise est la hiérarchie juridique organisationnelle, englobant les administrateurs, les actionnaires et les filiales. Les attributs fondamentaux tels que la taille du réseau, la densité de connexion et les couches hiérarchiques servent de
des dimensions inestimables pour la segmentation et la génération de fonctionnalités dans les modèles d’apprentissage supervisé, améliorant notre capacité à discerner et à atténuer efficacement les risques potentiels.  

Pour les enquêteurs et les analystes, c'est ici que l'analyse graphique prend tout son sens en leur permettant d'analyser, de visualiser et de comprendre les connexions cachées entre des ensembles de données disparates. Surtout, il est évolutif et intuitif, permettant aux équipes de parcourir des milliards
des bords sans compromettre le débit avec des requêtes à haute fréquence.  

La résolution des entités transforme l’avenir du secteur bancaire 

La résolution d'entités exploite des techniques avancées d'IA et d'apprentissage automatique pour analyser, nettoyer et standardiser les données, permettant ainsi l'identification fiable d'entités dans des ensembles de données disparates. Ce processus implique le regroupement des enregistrements associés, l'agrégation des attributs
pour chaque entité et établir des connexions étiquetées entre les entités et leurs enregistrements source. Par rapport aux approches traditionnelles de mise en correspondance d'enregistrement à enregistrement, la résolution d'entité offre une efficacité considérablement améliorée. 

Plutôt que d'essayer de relier directement chaque enregistrement source, les organisations peuvent introduire de nouveaux nœuds d'entité comme points centraux pour connecter les données du monde réel. La résolution d'entités de haute qualité facilite non seulement la liaison des données internes, mais permet également l'intégration
de sources de données externes précieuses, telles que les registres d'entreprises, qu'il était auparavant difficile de faire correspondre avec précision. 

L'intégration de la technologie de résolution d'entités au sein du secteur bancaire marque un pas en avant significatif, permettant aux banques de passer de processus par lots à des offres de produits et services quasiment en temps réel dans des cadres de services omnicanaux. Ce
l’évolution peut aller au-delà de la lutte contre la fraude pour englober toutes les interactions clients via divers points de contact, notamment les centres d’appels, les succursales et les canaux numériques, garantissant ainsi une expérience client fluide et dynamique. 

L'IA générative a un rôle important à jouer 

Au cours de l’année prochaine, je m’attends à ce que les assistants d’IA générative s’appuyant sur les grands modèles linguistiques (LLM) deviennent de plus en plus répandus dans le secteur bancaire. L'IA générative permet une interface intuitive et conversationnelle, améliorant l'efficacité des analystes
engagés dans l’identification des risques dans le cadre des enquêtes. Pour les organisations, les avantages potentiels sont substantiels, car cet assistant IA permet à tous les analystes de fonctionner au niveau des enquêteurs les plus chevronnés. Beaucoup de ces assistants
être indépendant du LLM, permettant aux entreprises la flexibilité d'utiliser leurs modèles préférés, qu'ils soient propriétaires, open source ou disponibles dans le commerce comme ChatGPT d'OpenAI. Lorsqu'il est intégré à d'autres aspects de la pile d'IA composite, il prendra en charge
résolution d'entités, analyse de graphiques et capacités de notation, libérant un potentiel sans précédent en permettant des requêtes et des invites en langage naturel.  

Fondamentalement, tous les produits d’IA générative ne peuvent pas servir de complément ou de manière isolée à une automatisation plus large de l’IA. Les résultats qu'il générera sont aussi bons que la technologie de résolution de données, de contexte et d'entités sur laquelle il est construit. Les banques cherchent à mettre en œuvre
l’IA générative devrait réfléchir plus largement à la manière dont les différentes technologies s’intègrent dans leur pile technologique d’automatisation de l’IA.  

Horodatage:

Plus de Fintextra