Gen AI אינו האוטומציה הטכנולוגית היחידה בנהיגה בבנקאות

בינה מלאכותית (AI) זינקה למיינסטרים והיא עומדת לחולל מהפכה בפעילות במגזר הבנקאי. מספר גורמים הזינו את הזינוק הזה, בעיקר הגידול האקספוננציאלי בנפח ומורכבות הנתונים, והגברת הלחץ למהירות
וקבלת החלטות מדויקת, וההכרח לשקיפות. בעוד שבינה מלאכותית גנרטיבית תהיה בעלת ערך רב בסיוע לבנקים לסכם אוכלוסיות גדולות של נתונים, וייתכן שתצטרך ללחוש זאת, זו לא הטכנולוגיה היחידה שמניעה אוטומציה
מגזר בנקאי. 

AI מתחיל בהקשר 

במודל סיכונים, לבחירת נקודות נתוני קלט, או תכונות, יש חשיבות עליונה, ולעתים קרובות עולה על בחירת המודל או האלגוריתם. בתעשייה המחמירה לדרישות רגולטוריות מחמירות לשקיפות מודלים והסברה, ההיקף של
בחירת המודל מוגבלת לעתים קרובות, מה שמעלה את המשמעות של תכונות קלט כגורמים העיקריים להצלחה או כישלון של המודל. לכן, החקירה המרכזית הופכת: כיצד נוכל להחדיר לתכונותינו רלוונטיות הקשרית מירבית? 

תכונות מבוססות רשת מופיעות כמנגנון חזק להחדרת כמויות רבות של מידע למודלים תוך שמירה על הציווי לשקיפות והסבר. גישה יעילה אחת כרוכה במינוף רשתות מסמכים בהתאמה אישית
ליצור תכונות שמתארות את הקשר ההדדי של עסקים ואנשים פרטיים. לדוגמה, ניצול של תכונות רשת, המתארות את היחסים בין חברות למנהליהן, יכול לשמש תשומות מרכזיות עבור חברת מעטפת למידת מכונה
דגמי זיהוי, בחלק מהמקרים מניבים שיפור של 20% בביצועים בהשוואה להסתמכות על תכונות ברמת שיא בלבד. 

התפוקות של מודלים כאלה - תחזיות הנוגעות לחברות מעטפת ולסוכנים שמתזמרים את היווצרותן - טומנת בחובה השלכות על חיזוק מאמצי איתור סיכונים ברחבי איסור הלבנת הון (AML), Know Your Customer (KYC) והפחתת הונאה
תחומים. 

על ידי מינוף מחסנית בינה מלאכותית טכנולוגית, בנקים יכולים לשלב מומחיות בנושאים עם מגוון טכניקות למידת מכונה ולמידה עמוקה, לצד גישה לנתונים נרחבים בתעשייה מובנים ובלתי מובנים. גישה מקיפה זו משפרת את יכולת ההסתגלות,
דיוק ויעילות של מודלים. מינוף המומחיות והידע בתחום לאורך תהליך פיתוח המודל מבטיח דיוק גבוה ואמון בפתרון בעיות עסקיות מורכבות. בקיצור, בנקים המעוניינים ליישם בינה מלאכותית צריכים להימנע מהסתמכות על
מודל, טכניקה או גישה אחת. פעולה זו עלולה להוביל למגבלות בפרספקטיבה, בכושר הסתגלות ובביצועים.  

החשיבות של תכונות הרשת 

רשתות מציעות מסגרת רב-תכליתית ליצירת מודלים של קשרי ישויות בהקשרים שונים. לדוגמה, רשתות המתארות עסקאות תשלום בין צדדים יכולות לחשוף סימנים מובהקים של פגיעה פיננסית. על ידי בחינת דפוסים ספציפיים בפנים
הרשת - כמו מחזורי עסקאות בסדרי גודל דומים - בנקים יכולים לחשוף סיכונים שאחרת היו מתחמקים מגילוי בעת בחינת עסקאות בבודדים. יתר על כן, כאשר מתווספים למאגר של מקרים ידועים של הונאה, תכונות רשת
כמו תדירות פניית פרסה או תשלומים מחזוריים יכולים לחזק מודלים של למידה מפוקחת, ולהגביר את יכולת הניבוי שלהם לתרחישי סיכון עתידיים. 

רשת אחת בולטת במיוחד למידול סיכון תאגידי היא ההיררכיה המשפטית הארגונית, הכוללת דירקטורים, בעלי מניות וחברות בנות. תכונות בסיסיות כגון גודל רשת, צפיפות חיבור ושכבות היררכיות משמשות
מימדים שלא יסולא בפז עבור פילוח ויצירת תכונות במודלים של למידה מפוקחת, משפרים את היכולת שלנו להבחין ולהפחית סיכונים פוטנציאליים ביעילות.  

עבור חוקרים ואנליסטים, כאן ניתוח גרפים מגיע לעצמו בכך שהוא מאפשר להם לנתח, לדמיין ולהבין קשרים נסתרים על פני מערכי נתונים שונים. באופן מכריע זה ניתן להרחבה ואינטואיטיבי, ומאפשר לצוותים לעבור מיליארדים
של קצוות מבלי להתפשר על התפוקה עם שאילתות בתדירות גבוהה.  

רזולוציית ישות משנה את העתיד של הבנקאות 

רזולוציית ישויות ממנפת טכניקות מתקדמות של AI ו- Machine Learning לניתוח, ניקוי וסטנדרטיזציה של נתונים, מה שמאפשר זיהוי של ישויות על פני מערכי נתונים שונים בצורה מהימנה. תהליך זה כולל קיבוץ של רשומות קשורות, צבירת תכונות
עבור כל ישות, ויצירת קשרים מתויגים בין ישויות ורשומות המקור שלהן. בהשוואה לגישות ההתאמה המסורתיות של רשומה לרשומה, רזולוציית הישות מציעה יעילות משופרת משמעותית. 

במקום לנסות לקשר ישירות כל רשומת מקור, ארגונים יכולים להציג צמתים חדשים של ישויות כנקודות מרכזיות לחיבור נתונים מהעולם האמיתי. רזולוציית ישות איכותית לא רק מקלה על קישור נתונים פנימיים אלא גם מאפשרת את האינטגרציה
של מקורות נתונים חיצוניים יקרי ערך, כגון רישום ארגוני, שבעבר היה קשה להתאים אותם בצורה מדויקת. 

שילוב טכנולוגיית פתרון הישויות במגזר הבנקאי מהווה קפיצת מדרגה משמעותית, המאפשרת לבנקים לעבור מתהליכים מבוססי אצווה להצעות מוצרים ושירותים כמעט בזמן אמת על פני מסגרות שירות רב-ערוצי. זֶה
האבולוציה יכולה ללכת מעבר להונאות נגד כדי להקיף את כל האינטראקציות עם הלקוחות דרך נקודות מגע שונות, כולל מוקדים טלפוניים, סניפים וערוצים דיגיטליים, מה שמבטיח חווית לקוח חלקה ודינמית. 

ל- AI גנרטיבי יש תפקיד חשוב 

במהלך השנה הבאה, אני כן מצפה לראות עוזרי AI גנרטיביים הממנפים מודלים של שפה גדולה (LLMs) כדי להיות נפוצים יותר ויותר בבנקאות. בינה מלאכותית גנרטיבית מאפשרת ממשק אינטואיטיבי ודיבורי, המשפר את היעילות עבור אנליסטים
עוסק בזיהוי סיכונים במסגרת חקירות. עבור ארגונים, היתרונות הפוטנציאליים הם משמעותיים, שכן עוזר בינה מלאכותית זה מסמיך את כל אנשי האנליסטים לבצע ברמת החוקרים המנוסים ביותר. רבים מהעוזרים הללו יעשו זאת
להיות LLM-אגנוסטי, מה שמאפשר לעסקים את הגמישות להשתמש במודלים המועדפים עליהם, בין אם קנייניים, קוד פתוח או מודלים זמינים מסחרית כמו ChatGPT מ-OpenAI. כאשר הוא משולב עם היבטים אחרים של ערימת הבינה המלאכותית המרוכבת היא תתמוך
רזולוציית ישויות, ניתוח גרפים ויכולות ניקוד, פתיחת פוטנציאל חסר תקדים על ידי הפעלת שאילתות והנחיות בשפה טבעית.  

באופן מכריע, כל מוצרי הבינה המלאכותית הגנרטיבית לא יכולים לשמש כמחזק או בבידוד לאוטומציה רחבה יותר של בינה מלאכותית. התוצאות שהוא יפיק טובות רק כמו טכנולוגיית הנתונים, ההקשר ורזולוציית הישות שעליה היא בנויה. בנקים מחפשים ליישם
בינה מלאכותית גנרטיבית צריכה לחשוב בצורה רחבה יותר על האופן שבו טכנולוגיות שונות משתלבות בערימת הטכנולוגיות האוטומציה של AI שלהם.  

• 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/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs