La Gen AI non è l’unica tecnologia che guida l’automazione nel settore bancario

L’intelligenza artificiale (AI) è diventata mainstream ed è pronta a rivoluzionare le operazioni nel settore bancario. Diversi fattori hanno alimentato questa impennata, in particolare la crescita esponenziale del volume e della complessità dei dati, e l’accresciuta pressione per la rapidità
decisionali precisi e l’imperativo della trasparenza. Anche se l’intelligenza artificiale generativa sarà preziosa nell’aiutare le banche a sintetizzare grandi quantità di dati, e potrebbe essere necessario sussurrarlo, non è l’unica tecnologia che guida l’automazione nel mondo.
settore bancario. 

L'intelligenza artificiale inizia dal contesto 

Nella modellazione del rischio, la selezione dei dati di input o delle caratteristiche riveste un'importanza fondamentale, spesso superando la scelta del modello o dell'algoritmo. In un settore vincolato da severi requisiti normativi per modellare la trasparenza e la spiegabilità, la portata di
la selezione del modello è spesso limitata, elevando l’importanza delle caratteristiche di input come determinanti primari del successo o del fallimento del modello. Pertanto, la domanda cruciale diventa: come possiamo conferire alle nostre caratteristiche la massima rilevanza contestuale? 

Le funzionalità basate sulla rete emergono come un potente meccanismo per infondere grandi quantità di informazioni nei modelli, sostenendo al tempo stesso l’imperativo di trasparenza e spiegabilità. Un approccio efficace prevede lo sfruttamento di reti di entità di documenti su misura per
generare caratteristiche che delineano l’interconnessione di imprese e individui. Ad esempio, l’utilizzo delle funzionalità di rete, che descrivono le relazioni tra le aziende e i loro amministratori, può fungere da input fondamentali per la società di comodo basata sul machine learning.
modelli di rilevamento, che in alcuni casi producono un miglioramento delle prestazioni del 20% rispetto al fare affidamento esclusivamente su funzionalità di livello record. 

I risultati di tali modelli, ovvero le previsioni relative alle società di comodo e agli agenti che ne orchestrano la formazione, hanno implicazioni per rafforzare gli sforzi di rilevamento dei rischi nei settori antiriciclaggio (AML), Know Your Customer (KYC) e mitigazione delle frodi.
domini. 

Sfruttando uno stack tecnologico composito di intelligenza artificiale, le banche possono integrare le competenze in materia con una gamma di tecniche di machine learning e deep learning, oltre all’accesso a vasti dati di settore strutturati e non strutturati. Questo approccio globale migliora l’adattabilità,
accuratezza ed efficacia dei modelli. Sfruttare l'esperienza e la conoscenza del settore durante tutto il processo di sviluppo del modello garantisce elevata precisione e fiducia nella risoluzione di problemi aziendali complessi. In breve, le banche che desiderano implementare l’intelligenza artificiale dovrebbero evitare di fare affidamento su di essa
un modello, una tecnica o un approccio. Ciò può portare a limitazioni in termini di prospettiva, adattabilità e prestazioni.  

L'importanza delle funzionalità di rete 

Le reti offrono un quadro versatile per modellare le relazioni tra entità in vari contesti. Ad esempio, le reti che descrivono transazioni di pagamento tra parti possono rivelare segni rivelatori di illeciti finanziari. Esaminando modelli specifici all'interno
della rete, come i cicli di transazioni di entità simile, le banche possono portare alla luce rischi che altrimenti sfuggirebbero al rilevamento quando si esaminano le transazioni isolatamente. Inoltre, se integrato con un archivio di casi noti di frode, le funzionalità di rete
come la frequenza delle inversioni di rotta o dei pagamenti ciclici, possono rafforzare i modelli di apprendimento supervisionato, aumentando la loro capacità predittiva per futuri scenari di rischio. 

Una rete particolarmente importante per modellare il rischio aziendale è la gerarchia giuridica organizzativa, che comprende amministratori, azionisti e società controllate. Attributi fondamentali come dimensioni della rete, densità di connessione e livelli gerarchici servono da
dimensioni preziose per la segmentazione e la generazione di funzionalità nei modelli di apprendimento supervisionato, migliorando la nostra capacità di discernere e mitigare i potenziali rischi in modo efficace.  

Per investigatori e analisti, è qui che l'analisi dei grafici entra in gioco consentendo loro di analizzare, visualizzare e comprendere le connessioni nascoste tra set di dati disparati. Fondamentalmente è scalabile e intuitivo, consentendo ai team di attraversare miliardi
di bordi senza compromettere il throughput con query ad alta frequenza.  

La risoluzione delle entità sta trasformando il futuro del settore bancario 

La risoluzione delle entità sfrutta tecniche avanzate di intelligenza artificiale e machine learning per analizzare, pulire e standardizzare i dati, consentendo l'identificazione affidabile di entità attraverso set di dati disparati. Questo processo prevede il raggruppamento di record correlati e l'aggregazione di attributi
per ciascuna entità e stabilire connessioni etichettate tra le entità e i relativi record di origine. Rispetto ai tradizionali approcci di corrispondenza da record a record, la risoluzione delle entità offre un'efficacia notevolmente migliorata. 

Invece di tentare di collegare direttamente ogni record di origine, le organizzazioni possono introdurre nuovi nodi di entità come punti centrali per connettere i dati del mondo reale. La risoluzione delle entità di alta qualità non solo facilita il collegamento dei dati interni, ma consente anche l'integrazione
di preziose fonti di dati esterne, come i registri aziendali, che in precedenza era difficile trovare una corrispondenza accurata. 

L’integrazione della tecnologia di risoluzione delle entità nel settore bancario segna un significativo passo avanti, consentendo alle banche di passare da processi basati su batch a offerte di prodotti e servizi quasi in tempo reale attraverso strutture di servizi omnicanale. Questo
l’evoluzione può andare oltre la lotta alla frode per comprendere tutte le interazioni con i clienti attraverso vari punti di contatto, inclusi call center, filiali e canali digitali, garantendo un’esperienza cliente fluida e dinamica. 

L’intelligenza artificiale generativa ha un ruolo importante da svolgere 

Nel corso del prossimo anno, mi aspetto di vedere gli assistenti di intelligenza artificiale generativa che sfruttano i Large Language Models (LLM) diventare sempre più diffusi nel settore bancario. L'intelligenza artificiale generativa consente un'interfaccia intuitiva e conversazionale, migliorando l'efficienza per gli analisti
coinvolti nell’identificazione dei rischi nell’ambito delle indagini. Per le organizzazioni, i potenziali vantaggi sono sostanziali, poiché questo assistente AI consente a tutto il personale analista di operare al livello degli investigatori più esperti. Molti di questi assistenti lo faranno
essere indipendente dal LLM, consentendo alle aziende la flessibilità di utilizzare i propri modelli preferiti, siano essi modelli proprietari, open source o disponibili in commercio come ChatGPT di OpenAI. Se integrato con altri aspetti dello stack AI composito, supporterà
risoluzione delle entità, analisi dei grafici e funzionalità di punteggio, sbloccando un potenziale senza precedenti abilitando query e prompt in linguaggio naturale.  

È fondamentale che tutti i prodotti di intelligenza artificiale generativa non possano fungere da complemento o in modo isolato a una più ampia automazione dell’intelligenza artificiale. I risultati che genererà sono validi quanto lo è la tecnologia di risoluzione dei dati, del contesto e delle entità su cui è costruito. Le banche cercano di implementare
L’intelligenza artificiale generativa dovrebbe pensare in modo più ampio a come le diverse tecnologie si inseriscono nel loro stack tecnologico di automazione dell’intelligenza artificiale.  

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs