פתיחת הכוח של AI: עיצוב מחדש של שירותים פיננסיים

AI הוא א נושא חם ומתפרסמים מאמרים רבים הקובעים שחברות שירותים פיננסיים שלא מאמצות בינה מלאכותית היום מסתכנות להתיישנות מחר. עם זאת, כמו בהייפים רבים, ייתכן שהאימוץ של בינה מלאכותית בתעשייה לא יתקדם במהירות כפי שמקובל לצפות. רק כדוגמה, בשני העשורים האחרונים, מומחים חזו את התיישנותם של בנקים המשתמשים במערכות מיינפריים ישנות מדור קודם. עם זאת, גם לאחר 20 שנה, בנקים רבים עדיין מסתמכים על יישומי ליבה בנקאיים קריטיים הבנויים על טכנולוגיות מיינפריים מדור קודם, והבנקים הללו נשארים חזקים (אם לא חזקים יותר) כפי שהיו לפני שני עשורים.

עם זאת, AI כאן כדי להישאר, ואימוץ הדרגתי הוא חיוני. כפי שנדון בבלוג שלי, "ההתאמה הנכונה: הערכת ערך עסקי לפני אימוץ AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), חיוני לבנקים לבחור את קרבות הבינה המלאכותית שלהם בחוכמה, במקום ליישם בינה מלאכותית לשם כך.

לכן הכרחי ליצור רשימה מקיפה של מקרי שימוש בבינה מלאכותית בתעשיית השירותים הפיננסיים. לדעתי, אנחנו יכולים לסווג את כל מקרי השימוש בבינה מלאכותית בתעשיית השירותים הפיננסיים שתי קבוצות עיקריות:

קבוצה 1: טיפול יעיל יותר בנתונים לא מובנים

קטגוריה זו מתמקדת באיסוף, ניתוח ועיבוד נתונים שלא ניתן לבנות בצורה מסודרת במסד נתונים של SQL. זה בדרך כלל כולל נתונים ממסמכים, דיבור או תמונות, שמקורם לעתים קרובות מצדדים שלישיים כמו הממשלה או משירותי לקוחות לא דיגיטליים הזקוקים לשינוי לפורמט דיגיטלי. מקרי שימוש אלו מכוונים בעיקר לצמצום עלויות, שכן עיבוד נתונים לא מובנים יכול להיות עתיר משאבים. עליית הבינה המלאכותית הופכת את זה ליותר ויותר אפשרי לבצע אוטומציה של תהליכים אלה.

דוגמאות כוללות:

• טיפול במסמכי KYC ו-KYB: עיבוד תמונות תעודות זהות, פרסומים ממשלתיים או תקנון חברה כדי לקבל הבנה טובה יותר של לקוחות ומבני החברה.

• ניהול זהות: דומה ל-KYC/KYB אך התמקד באימות מתמשך ובחתימת עסקאות, תוך שימוש בנתונים לא מובנים כמו תמונות תעודת זהות, זיהוי ביומטרי (כמו פנים וטביעת אצבע) וזיהוי התנהגותי.

• ניהול מותג ומוניטין: מעקב אחר סנטימנט הלקוחות והתקשורת לגבי החברה כדי להגיב לקמפיינים שיווקיים ולהתייחס לפרסום שלילי. זה נעשה על ידי מעקב אחר מדיה מסורתית ומדיה חברתית (כמו הערות משוב, לייקים, שיתופים, דעות...) ומקורות מידע אחרים (למשל רישומי מוקד טלפוני) כדי לזהות את סנטימנט הלקוח ואת המגמות.

• ניהול תביעות: אוטומציה של עיבוד תביעות עם נתונים לא מובנים, כגון תמונות של חפצים מבוטחים שניזוקו ודוחות מומחי ביטוח.

• צ'טבוטים ומוקדים טלפוניים אוטומטיים: שימוש בבינה מלאכותית כדי לסווג ולתייג אינטראקציות עם לקוחות, לשלוח אינטראקציות ביעילות, להציע תבניות תגובה סטנדרטיות, ואפילו אוטומציה מלאה של תגובות בערוצי תקשורת שונים (דואר, שיחת טלפון ותיבת צ'אט).

• ניתוח הסנטימנט על אימיילים, מפגשי צ'אט, הקלטות קול ווידאו וסיכומים לא מובנים של תקשורת כדי להבין משוב לקוחות ואינטראקציות בין עובד ללקוח.

• ניהול הוצאות וחשבוניות: המרת מסמכים פיננסיים לנתונים מובנים לעיבוד אוטומטי (למשל הזמנתם בצורה נכונה בקטגוריה החשבונאית הנכונה).

קבוצה 2: חיזוי טוב יותר והקצאת משאבים

בענף השירותים הפיננסיים (בדיוק כמו בכל ענף אחר), משאבים כמו אנשים וכסף הם דלים ויש להקצותם בצורה יעילה ככל האפשר. בינה מלאכותית יכולה למלא תפקיד מכריע בניבוי היכן המשאבים הללו נחוצים ביותר והיכן הם יכולים להניב את הערך המוסף הגבוה ביותר.

הערות: תשומת הלב של לקוח יכולה להיחשב גם כמשאב נדיר, כלומר כל תקשורת או הצעה צריכה להיות מותאמת אישית מאוד כדי להבטיח שטווח הקשב המוגבל של הלקוח מנוצל בצורה מיטבית.

ניתן לסווג מקרי שימוש אלו לשתי קטגוריות משנה:

מקרי שימוש מגזר אגנוסטי

• פילוח של לקוחות בהתבסס על נתונים זמינים (למשל פרופיל לקוחות, ניתוח דפוסי עסקאות, התנהגות לקוחות בעבר ומיידית...) לקביעת האמצעים הטובים ביותר האפשריים (תמהיל הערוצים הטוב ביותר) וסגנון התקשורת (אופטימיזציה של אנשי קשר) והקצאת משאבים ללקוחות בעלי הפוטנציאל הגבוה ביותר הכנסות עתידיות.

• זיהוי נטישה לזהות ולשמר לקוחות בסיכון לעזיבה. על ידי הקצאת משאבים נוספים לאותם לקוחות, כגון עובדים הפונים ללקוח או מציעים תמריצים מסוימים (למשל הנחות או ריביות טובות יותר) כדי למנוע מהלקוח להתפנות.

• זהה את הסיכויים הטובים ביותר והזדמנויות מכירה: מתוך רשימה של לידים זהה את אלו שיש להם סיכוי גבוה יותר להפוך ללקוח, אך גם זהה לאילו לקוחות קיימים ניתן למקד בצורה הטובה ביותר לפעולות צולבות ומכירה מעלה.

• חזה התפתחות בביקוש והיצע, למשל לזהות היכן מכשירי כספומט או סניפים צריכים להיות ממוקמים בצורה הטובה ביותר, לחזות כמה אינטראקציות עם תמיכת לקוחות ניתן לצפות כדי להבטיח איוש מיטבי של צוות תמיכת הלקוחות או לחזות את העומס על תשתית ה-IT כדי לייעל את עלויות תשתית הענן.

• הפעולה הבאה הטובה ביותר, ההצעה הטובה ביותר הבאה או מנוע ההמלצה עבור אינטראקציות מותאמות אישית עם לקוחות, כלומר לחזות איזו פעולה, מוצר או שירות צפויים לעניין משתמש בכל רגע נתון. מתן גישה נוחה לתהליך זה יכול לעזור ללקוח או לכל משתמש אחר (כמו עובדים פנימיים) להשיג את מטרתם מהר יותר, ובכך להביא להגדלת ההכנסות ולהפחתת העלויות.

• מנוע תמחור לקביעת תמחור המוצר או השירות האופטימלי.

מקרי שימוש ספציפיים בענף השירותים הפיננסיים

• מנוע ניקוד אשראי להעריך את כושר האשראי ולקבל החלטות יעילות לגבי הלוואות. מנוע זה נועד לחזות את ההסתברות למחדל ואת ערך ההפסד המשוער במקרה של כשל, כדי לקבוע אם יש לקבל אשראי או לא. מדובר גם בבעיית חיזוי, שמבטיחה שהכסף של הבנק יתבצע בצורה היעילה ביותר.

• מנוע לגילוי הונאה לזהות ולמנוע עסקאות פיננסיות הונאה, לרבות הונאה מקוונת (איומי סייבר) והונאת תשלום. המנוע מנבא אם ההתנהגות בפועל של משתמש תואמת להתנהגות הצפויה (החזויה). אם לא, סביר להניח שמדובר בהונאה. מנועים אלו עוזרים לצמצם אובדן הכנסות, למנוע נזק למותג ולספק חוויה מקוונת ללא חיכוכים ללקוח.

• רובו-ייעוץ שירותים ליצירת תיקי השקעות אופטימליים בהתבסס על מגמות שוק, תיק ההשקעות הנוכחי ומגבלות הלקוחות (כמו פרופיל סיכון, מגבלות קיימות, אופק השקעה...).

  • מנוע זיהוי AML לאתר (ולהפסיק) הלבנת הון ופעילות פלילית בעסקאות פיננסיות.

  • מנוע ניהול סיכוני נזילות לאופטימיזציה של תזרימי המזומנים. מדובר בשירות שניתן להציע ללקוחות, אך נדרש גם באופן פנימי לבנק. הבנק צריך להבטיח נזילות מספקת במאזנו כדי לכסות את כל המשיכות, אך גם לחזות את צרכי המזומנים הפיזיים לאספקת כספומטים וסניפים.

בנוסף למקרי שימוש ב-AI המוכוונים לעסקים, אל תתעלם מהשימוש הפנימי ב-AI לשפר את תפוקת העובדים. כלי AI גנרטיביים כמו ChatGPT יכולים לסייע למחלקות שונות, כמו מכירות, שיווק ו-IT, להגביר את הפרודוקטיביות שלהן.

כפי שצוין בבלוג שלי "ההתאמה הנכונה: הערכת ערך עסקי לפני אימוץ AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), הקטגוריה הראשונה (כלומר "טיפול יעיל יותר בנתונים לא מובנים") טומנת בחובה את הפוטנציאל הגדול ביותר, אם כי היא דורשת כישורי AI מאוד ספציפיים ומודלים מורכבים של AI. לכן, חברות שירותים פיננסיים רבות עשויות להשתמש במודלים שהוכשרו מראש עבור קטגוריה זו של מקרי שימוש.

מקרי השימוש בקטגוריה השנייה (כלומר "ניבוי טוב יותר והקצאה טובה יותר של משאבים נדירים") מבטיחים ויכולים להניב תוצאות מהר יותר מאשר מקרי השימוש בקטגוריה 1. עם זאת, הערך המוסף שלהם בהשוואה לאלגוריתםים מבוססי כללים מסורתיים הוא לא תמיד מובטח, לעתים קרובות אין להם שקיפות וקשה לכוונן אותם. כתוצאה מכך, AI מקרי השימוש הללו נראים לרוב מבטיחים יותר ממה שהם באמת.

במקרים רבים, הבנקים לא יצטרכו להשקיע ישירות בבינה מלאכותית, מכיוון שכבר קיימים פתרונות תוכנה רבים, המציעים לא רק מודלים של בינה מלאכותית אלא גם מקיפים את זרימת העבודה וההיגיון העסקי סביבם.
עבור כל מקרה שימוש, חברות שירות פיננסי יכולות למעשה לבחור בין שלוש אפשרויות:

• 1 אופציה: בניית מודל מאפס באמצעות פלטפורמות כמו AWS SageMaker או GCP AI Platform. המשמעות היא שהחברה צריכה לזהות מערך אימון נתונים טוב, להקים מודל ולהכשיר את המודל עצמו. לדוגמה, KBC בנתה חלק גדול מהעוזר הווירטואלי שלה (הנקרא קייט) באופן מלא תוך שימוש בטכנולוגיות GCP AI.

• 2 אופציה: באמצעות מאומן מראש מודלים מבוססי ענן הניתנים לפריסה וניתנת להתאמה בקלות, כגון AWS Fraud Detector, AWS Personalize, או גרסאות מותאמות אישית של ChatGPT (ראה הכרזה של OpenAI להצגת קונספט חדש של GPTs) למקרי שימוש ספציפיים.

• 3 אופציה: רוכש פתרונות תוכנה מלאים הכוללים מודלים פנימיים של AI, מסכים, זרימות עבודה ותהליכים. קיימים פתרונות רבים בתעשיית השירותים הפיננסיים, כגון Discai (המסחורת את דגמי הבינה המלאכותית שנבנו באופן פנימי על ידי בנק KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…

ההחלטה באיזו אפשרות לבחור תלויה בצרכים הספציפיים של חברת השירותים הפיננסיים. הבנת היכולות והמגבלות של מודלים של בינה מלאכותית, אסטרטגיית נתונים מוצקה, וידיעה כיצד להפוך נתונים לזמינים עבור מודלים וכלים חיצוניים הם צעדים חיוניים עבור חברת שירותים פיננסיים שרוצה לאמץ בינה מלאכותית. השלבים האלה בדרך כלל חשובים יותר מידע פנימי עמוק של AI.

אימוץ בינה מלאכותית בתעשיית השירותים הפיננסיים הוא ללא ספק הכרחי כדי להישאר תחרותי ולעמוד בדרישות הלקוחות. הגישה הנכונה (של בנייה מול רכישה), בשילוב עם מקרי שימוש שקולים היטב, יכולה לסלול את הדרך למסע AI מוצלח.

בדוק את כל הבלוגים שלי ב https://bankloch.blogspot.com/

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs