A mesterséges intelligencia erejének felszabadítása: A pénzügyi szolgáltatások átalakítása

A mesterséges intelligencia erejének felszabadítása: A pénzügyi szolgáltatások átalakítása

Időbélyeg: 17. november 2023. 10:30
A mesterséges intelligencia erejének felszabadítása: A pénzügyi szolgáltatások átalakítása a PlatoBlockchain adatintelligenciával. Függőleges keresés. Ai.

Az AI egy forró téma és számos cikk jelent meg arról, hogy a ma még nem alkalmazó pénzügyi szolgáltató cégek azt kockáztatják, hogy holnap elavulnak. Azonban, mint sok felhajtásnál, az AI iparági átvétele nem biztos, hogy olyan gyorsan megy végbe, mint ahogy azt általában előre jelezték. Példaként, az elmúlt két évtizedben a szakértők a régi nagyszámítógépes rendszereket használó bankok elavulását jósolták. Ennek ellenére még 20 év elteltével is sok bank továbbra is a kritikus központi banki alkalmazásokra támaszkodik, amelyek örökölt mainframe-technológiákra épülnek, és ezek a bankok ugyanolyan erősek (ha nem erősebbek), mint két évtizeddel ezelőtt.

Ennek ellenére a mesterséges intelligencia itt marad, és a fokozatos bevezetés elengedhetetlen. Ahogyan azt a blogomban tárgyaltuk: „A megfelelő illeszkedés: az üzleti érték felmérése az AI/ML elfogadása előtt” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), kulcsfontosságú, hogy a bankok bölcsen válasszák meg az AI-harcaikat, ahelyett, hogy a mesterséges intelligencia megvalósítása érdekében alkalmaznának.

Ezért elengedhetetlen egy átfogó lista összeállítása a mesterséges intelligencia felhasználási eseteiről a pénzügyi szolgáltatási ágazatban. Véleményem szerint a pénzügyi szolgáltatási ágazatban előforduló összes mesterséges intelligencia felhasználási esetet a következő kategóriába sorolhatjuk két fő csoport:

1. csoport: A strukturálatlan adatok hatékonyabb kezelése

Ez a kategória olyan adatok gyűjtésére, elemzésére és feldolgozására összpontosít, amelyek nem strukturálhatók megfelelően egy SQL-adatbázisban. Jellemzően dokumentumokból, beszédből vagy képekből származó adatokat tartalmaz, amelyek gyakran harmadik felektől, például a kormánytól vagy a nem digitális ügyfélszolgálatoktól származnak, amelyeket digitális formátumba kell alakítani. Ezek a felhasználási esetek elsősorban a költségcsökkentést célozzák, mivel a strukturálatlan adatok feldolgozása igen erőforrás-igényes lehet. Az AI térnyerése egyre inkább megvalósíthatóvá teszi e folyamatok automatizálását.

A példák közé tartoznak:

  • KYC és KYB dokumentumkezelés: Személyi igazolványképek, kormányzati kiadványok vagy vállalati alapszabályok feldolgozása az ügyfelek és a vállalati struktúra jobb megértése érdekében.

  • Az identitáskezelés: Hasonló a KYC/KYB-hez, de a folyamatos hitelesítésre és tranzakció-aláírásra összpontosít, olyan strukturálatlan adatok felhasználásával, mint a személyi igazolvány képei, biometrikus azonosítás (például arc és ujjlenyomat) és viselkedési azonosítás.

  • Márka és hírnév menedzsment: Az ügyfelek és a médiában a vállalattal kapcsolatos véleményének figyelése a marketingkampányokra való reagálás és a negatív reklámok kezelése érdekében. Ez a hagyományos média és közösségi média (például visszajelzések, lájkok, megosztások, vélemények) és egyéb információs források (pl. call center rekordok) monitorozásával valósul meg, hogy azonosítsa az ügyfelek hangulatát és trendjeit.

  • Kárkezelés: Strukturálatlan adatokkal, például sérült biztosítási tárgyak képeivel és biztosítási szakértői jelentésekkel kapcsolatos káresemények feldolgozásának automatizálása.

  • Chatbotok és automatizált call centerek: A mesterséges intelligencia felhasználása az ügyfelek interakcióinak kategorizálására és címkézésére, az interakciók hatékony elküldésére, szabványos válaszsablonok javaslatára, sőt a válaszok teljes automatizálására a különböző kommunikációs csatornákon (levél, telefonhívás és chat-box).

  • Hangulatelemzés e-mailekben, csevegéseken, hang- és videofelvételeken, valamint a kommunikáció strukturálatlan összefoglalóin, hogy megértsük az ügyfelek visszajelzéseit és az alkalmazottak és az ügyfelek közötti interakciókat.

  • Költség- és számlakezelés: Pénzügyi bizonylatok strukturált adatokká konvertálása automatikus feldolgozáshoz (pl. helyes könyvelés a megfelelő könyvelési kategóriában).

2. csoport: Jobb előrejelzés és erőforrás-allokáció

A pénzügyi szolgáltatási ágazatban (csakúgy, mint bármely más iparágban) szűkösek az olyan erőforrások, mint az emberek és a pénz, ezért azokat a lehető leghatékonyabban kell elosztani. A mesterséges intelligencia kulcsfontosságú szerepet játszhat annak előrejelzésében, hogy hol van a legnagyobb szükség ezekre az erőforrásokra, és hol hozhatják a legmagasabb hozzáadott értéket.

Megjegyzések: Az ügyfél figyelme szűkös erőforrásnak is tekinthető, ami azt jelenti, hogy minden kommunikációt vagy ajánlatot erősen személyre szabottnak kell lennie, hogy az ügyfél korlátozott figyelme optimálisan kihasználható legyen.

Ezek a használati esetek két alkategóriára oszthatók:

Szektor-agnosztikus felhasználási esetek

  • Az ügyfelek szegmentálása a rendelkezésre álló adatok alapján (pl. ügyfélprofil, tranzakciós minták elemzése, múltbeli és azonnali vásárlói magatartás…) a lehető legjobb kommunikációs eszközök (legjobb csatornamix) és stílus (kapcsolat-optimalizálás), valamint az erőforrások elosztása a legnagyobb potenciállal rendelkező ügyfelekhez. jövőbeli bevétel.

  • Lemorzsolódás észlelése a távozás veszélyének kitett ügyfelek azonosítása és megtartása. Extra erőforrások biztosításával ezeknek az ügyfeleknek, például az alkalmazottaknak, akik kapcsolatba lépnek az ügyféllel, vagy bizonyos ösztönzőket (pl. kedvezmények vagy jobb kamatlábak) kínálnak, hogy megakadályozzák az ügyfél lemorzsolódását.

  • A legjobb kilátások és értékesítési lehetőségek azonosítása: a potenciális ügyfelek listájából azonosítsa azokat, akik a legnagyobb valószínűséggel válnak vásárlóvá, de azonosítsa azt is, hogy mely meglévő ügyfeleket lehet a legjobban megcélozni a keresztértékesítési és a felülértékesítési műveletekhez.

  • Megjósolni a kereslet és a kínálat alakulását, például meghatározza, hol helyezkedjenek el a legjobban az ATM-gépek vagy fióktelepek, megjósolja, hogy hány ügyfélszolgálati interakció várható az ügyfélszolgálati csapat optimális létszámának biztosításához, vagy megjósolja az IT-infrastruktúra terhelését a felhő infrastruktúra költségeinek optimalizálása érdekében.

  • Következő legjobb akció, Következő legjobb ajánlat vagy Ajánlás motor a személyre szabott ügyfél-interakciók érdekében, azaz annak előrejelzésére, hogy adott pillanatban melyik tevékenység, termék vagy szolgáltatás fogja leginkább érdekelni a felhasználót. A folyamathoz való könnyű hozzáférés lehetővé teszi, hogy az ügyfél vagy bármely más felhasználó (például a belső alkalmazottak) gyorsabban elérje célját, ami növeli a bevételeket és csökkenti a költségeket.

  • Árképzési motor az optimális termék- vagy szolgáltatásár meghatározásához.

A pénzügyi szolgáltatási ágazat specifikus felhasználási esetei

  • Credit Scoring Engine hitelképesség felmérésére és hatékony hitelezési döntések meghozatalára. Ennek a motornak az a célja, hogy előre jelezze a nemteljesítés valószínűségét és a becsült veszteség értékét nemteljesítés esetén, hogy meghatározza, el kell-e fogadni a hitelt vagy sem. Ez egyben előrejelzési probléma is, amely biztosítja, hogy a bank pénzét a lehető leghatékonyabb módon költsék el.

  • Csalásfelderítő motor a csalárd pénzügyi tranzakciók azonosítása és megelőzése, beleértve az online csalást (kiberfenyegetést) és a fizetési csalást. A motor előrejelzi, hogy a felhasználó tényleges viselkedése megegyezik-e a várt (előrejelzett) viselkedéssel. Ha nem, akkor valószínűleg csalásról van szó. Ezek a motorok segítenek csökkenteni a bevételkiesést, elkerülni a márkakárosodást, és súrlódásmentes online élményt nyújtanak az ügyfeleknek.

  • Robo-tanácsadó szolgáltatások optimális befektetési portfóliók létrehozásához a piaci trendek, az aktuális befektetési portfólió és az ügyfelek korlátai (például kockázati profil, fenntarthatósági korlátok, befektetési horizont…) alapján.

    • AML Detection Engine a pénzmosás és a pénzügyi tranzakciók során elkövetett bűncselekmények felderítése (és megállítása).

    • Likviditási kockázatkezelési motor a pénzáramlások optimalizálásához. Ez egy olyan szolgáltatás, amely az ügyfeleknek kínálható, de amelyre a banknak belsőleg is szüksége van. A banknak elegendő likviditást kell biztosítania a mérlegében ahhoz, hogy fedezze az összes felvételt, de előre jelezze az ATM automaták és fiókok ellátásához szükséges fizikai készpénzszükségletet is.

Amellett, hogy ezek az üzleti orientált AI használati esetek, ne hagyja figyelmen kívül az AI belső használatát növeli az alkalmazottak termelékenységét. Az olyan generatív mesterséges intelligencia eszközök, mint a ChatGPT, segíthetik a különböző részlegeket, például az értékesítést, a marketinget és az IT-t a termelékenységük növelésében.

Amint azt a „A megfelelő illeszkedés: az üzleti érték felmérése az AI/ML elfogadása előtt” című blogomban jeleztem (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), az első kategória („Strukturálatlan adatok hatékonyabb kezelése”) rejlik véleményem szerint a legnagyobb potenciállal, bár ehhez nagyon specifikus AI-készségekre és összetett mesterségesintelligencia-modellekre van szükség. Ezért sok pénzügyi szolgáltató vállalat valószínűleg előre kiképzett modelleket használ erre a felhasználási kategóriára.

A második kategória használati esetei (azaz a „Szűkös erőforrások jobb előrejelzése és jobb elosztása”) szintén ígéretesek, és gyorsabb eredményeket hozhatnak, mint az 1. kategória felhasználási esetei. A hagyományos szabályalapú algoritmusokhoz képest azonban hozzáadott értékük nem mindig garantált, gyakran hiányzik az átláthatóságuk és nehéz finomhangolni. Ennek eredményeként az AI ezek a használati esetek gyakran ígéretesebbnek tűnnek, mint amilyenek valójában.

A bankoknak sok esetben nem kell közvetlenül befektetniük az AI-ba, mivel számos szoftvermegoldás létezik már, amelyek nemcsak mesterséges intelligencia-modelleket kínálnak, hanem a körülöttük lévő munkafolyamatot és üzleti logikát is magukban foglalják.
A pénzügyi szolgáltató cégek minden felhasználási esetre ténylegesen választhatnak három lehetőség:

  • opció 1: Modell építése a semmiből olyan platformok használatával, mint az AWS SageMaker vagy a GCP AI Platform. Ez azt jelenti, hogy a vállalatnak meg kell határoznia egy jó adatképzési készletet, fel kell állítania egy modellt, és magát a modellt kell betanítania. Pl. a KBC virtuális asszisztensének (Kate néven) nagy részét teljesen házon belül építette meg GCP AI technológiák segítségével.

  • opció 2: Használata előképzett Könnyen telepíthető és adaptálható felhőalapú modellek, mint például az AWS csalásészlelő, az AWS Personalize vagy a ChatGPT egyedi verziói (vö. az OpenAI bejelentése a GPT-k új koncepciójának bevezetéséről) meghatározott használati esetekre.

  • opció 3: Megszerzése teljes szoftveres megoldások amelyek magukban foglalják a belső mesterséges intelligencia modelleket, képernyőket, munkafolyamatokat és folyamatokat. Számos megoldás létezik a pénzügyi szolgáltatások ágazatában, mint például a Discai (amely a KBC bank által belsőleg épített mesterséges intelligencia modelleket forgalmazza), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

A választás a pénzügyi szolgáltató cég egyedi igényeitől függ. Az AI-modellek képességeinek és korlátainak megértése, a szilárd adatstratégia, valamint annak ismerete, hogyan lehet az adatokat elérhetővé tenni a külső modellekhez és eszközökhöz, kulcsfontosságú lépések egy olyan pénzügyi szolgáltató vállalat számára, amely az AI bevezetését tervezi. Ezek a lépések általában fontosabbak, mint a mély belső mesterséges intelligencia ismeretek.

A mesterséges intelligencia alkalmazása a pénzügyi szolgáltatási ágazatban egyértelműen elengedhetetlen a versenyképesség megőrzéséhez és az ügyfelek igényeinek kielégítéséhez. A megfelelő megközelítés (az építés és a vásárlás), a jól átgondolt használati esetekkel kombinálva megnyithatja az utat a sikeres mesterséges intelligencia úthoz.

Nézd meg az összes blogomat itt https://bankloch.blogspot.com/

Időbélyeg:

Még több Fintextra