Gen AI er ikke den eneste teknologiske kjøreautomatiseringen i bankvirksomhet

Gen AI er ikke den eneste teknologiske kjøreautomatiseringen innen bank

Tidsstempel: 29. februar 2024 11:01
Gen AI er ikke den eneste teknologiske kjøringsautomatiseringen innen banktjenester PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

Kunstig intelligens (AI) har steget inn i mainstream og er klar til å revolusjonere operasjoner i banksektoren. Flere faktorer har drevet denne økningen, spesielt den eksponentielle veksten i datavolum og kompleksitet, økt press for rask
og presis beslutningstaking, og nødvendigheten av åpenhet. Selv om generativ kunstig intelligens kommer til å være uvurderlig for å hjelpe banker med å oppsummere store populasjoner av data, og du kanskje må hviske dette, er det ikke den eneste teknologien som driver automatisering i
banksektoren. 

AI begynner med kontekst 

I risikomodellering er valg av inputdatapunkter, eller funksjoner, av største betydning, og overgår ofte valget av modell eller algoritme. I en bransje som er bundet av strenge regulatoriske krav til modellering av åpenhet og forklarbarhet, er det mulig å
modellvalg er ofte begrenset, noe som øker betydningen av inputfunksjoner som de primære determinantene for modellens suksess eller fiasko. Derfor blir den sentrale undersøkelsen: hvordan kan vi gi våre funksjoner maksimal kontekstuell relevans? 

Nettverksbaserte funksjoner dukker opp som en sterk mekanisme for å tilføre store mengder informasjon i modeller samtidig som man opprettholder imperativet for åpenhet og forklaring. En effektiv tilnærming innebærer å utnytte skreddersydde dokumentenhetsnettverk til
generere funksjoner som avgrenser sammenhengen mellom bedrifter og enkeltpersoner. For eksempel kan bruk av nettverksfunksjoner, som viser relasjoner mellom selskaper og deres direktører, tjene som sentrale input for maskinlæringsskalselskaper
deteksjonsmodeller, som i noen tilfeller gir 20 % forbedring i ytelse sammenlignet med å stole utelukkende på funksjoner på rekordnivå. 

Resultatene fra slike modeller – spådommer knyttet til skallselskaper og agentene som orkestrerer deres dannelse – har implikasjoner for å styrke risikodeteksjonsarbeid på tvers av anti-hvitvasking (AML), Know Your Customer (KYC) og svindelbekjempelse
domener. 

Ved å utnytte en sammensatt AI-teknologistabel kan banker integrere fagekspertise med en rekke maskinlærings- og dyplæringsteknikker, sammen med tilgang til omfattende strukturerte og ustrukturerte bransjedata. Denne omfattende tilnærmingen øker tilpasningsevnen,
nøyaktighet og effektivitet av modellene. Å utnytte ekspertise og domenekunnskap gjennom hele modellutviklingsprosessen sikrer høy nøyaktighet og tillit til å løse komplekse forretningsproblemer. Kort sagt, banker som ønsker å implementere AI bør unngå å stole på
én modell, teknikk eller tilnærming. Å gjøre det kan føre til begrensninger i perspektiv, tilpasningsevne og ytelse.  

Viktigheten av nettverksfunksjoner 

Nettverk tilbyr et allsidig rammeverk for å modellere enhetsforhold på tvers av ulike kontekster. For eksempel kan nettverk som viser betalingstransaksjoner mellom parter avsløre tydelige tegn på økonomisk overtredelse. Ved å granske spesifikke mønstre innenfor
nettverket – for eksempel sykluser av transaksjoner med lignende størrelser – banker kan avdekke risikoer som ellers ville unngå oppdagelse når de undersøker transaksjoner isolert. Dessuten, når supplert med et depot av kjente tilfeller av svindel, nettverksfunksjoner
som hyppigheten av U-sving eller sykliske betalinger kan styrke overvåkede læringsmodeller, og øke deres prediksjonskapasitet for fremtidige risikoscenarier. 

Et spesielt fremtredende nettverk for modellering av bedriftsrisiko er det organisatoriske juridiske hierarkiet, som omfatter styremedlemmer, aksjonærer og datterselskaper. Grunnleggende attributter som nettverksstørrelse, tilkoblingstetthet og hierarkiske lag fungerer som
uvurderlige dimensjoner for segmentering og funksjonsgenerering i overvåkede læringsmodeller, noe som forbedrer vår evne til å skjelne og redusere potensielle risikoer effektivt.  

For etterforskere og analytikere er det her grafanalyse kommer til sin rett ved å la dem analysere, visualisere og forstå skjulte sammenhenger på tvers av ulike datasett. Det er avgjørende at det er skalerbart og intuitivt, slik at team kan krysse milliarder
av kanter uten at det går på bekostning av gjennomstrømming med høyfrekvente spørringer.  

Entitetsoppløsning transformerer bankvirksomhetens fremtid 

Entitetsoppløsning utnytter avanserte AI- og maskinlæringsteknikker for å analysere, rense og standardisere data, noe som muliggjør pålitelig identifikasjon av enheter på tvers av ulike datasett. Denne prosessen involverer gruppering av relaterte poster, aggregering av attributter
for hver enhet, og etablere merkede forbindelser mellom enheter og deres kildeposter. Sammenlignet med tradisjonelle tilnærminger for samsvar mellom post og post, gir enhetsoppløsning betydelig forbedret effektivitet. 

I stedet for å forsøke å koble hver kildepost direkte, kan organisasjoner introdusere nye enhetsnoder som sentrale punkter for å koble til virkelige data. Enhetsoppløsning av høy kvalitet gjør det ikke bare lettere å koble interne data, men muliggjør også integrasjonen
av verdifulle eksterne datakilder, for eksempel bedriftsregistre, som tidligere var utfordrende å matche nøyaktig. 

Integrering av enhetsoppløsningsteknologi i banksektoren markerer et betydelig sprang fremover, og gjør det mulig for banker å gå over fra batchbaserte prosesser til nesten sanntids produkt- og tjenestetilbud på tvers av omnikanal-tjenester. Dette
Evolusjon kan gå utover svindelbekjempelse for å omfatte alle kundeinteraksjoner gjennom ulike kontaktpunkter, inkludert kundesentre, filialer og digitale kanaler, og sikre en sømløs og dynamisk kundeopplevelse. 

Generativ AI har en viktig rolle å spille 

I løpet av det neste året forventer jeg å se generative AI-assistenter utnytte store språkmodeller (LLMs) for å bli stadig mer utbredt innen bankvirksomhet. Generativ AI tillater et intuitivt og samtalegrensesnitt, noe som øker effektiviteten for analytikere
engasjert i risikoidentifikasjon innen etterforskning. For organisasjoner er de potensielle fordelene betydelige, siden denne AI-assistenten gir alt analytikerpersonell mulighet til å prestere på nivå med de mest erfarne etterforskerne. Mange av disse assistentene vil
være LLM-agnostisk, noe som gir bedrifter fleksibiliteten til å bruke sine foretrukne modeller, enten proprietære, åpen kildekode eller kommersielt tilgjengelige modeller som ChatGPT fra OpenAI. Når den er integrert med andre aspekter av den sammensatte AI-stakken, vil den støtte
enhetsoppløsning, grafanalyse og poengfunksjoner, og låser opp et enestående potensial ved å aktivere spørringer og forespørsler på naturlig språk.  

Det er avgjørende at alle generative AI-produkter ikke kan fungere som en bolt-on eller isolert til bredere AI-automatisering. Resultatene den vil generere er bare så gode som data-, kontekst- og enhetsoppløsningsteknologien den er bygget på. Banker som ønsker å implementere
generativ AI bør tenke bredere om hvordan forskjellige teknologier passer inn i deres AI-automatiseringsteknologistabel.  

Tidstempel:

Mer fra Fintextra