Odblokowanie mocy sztucznej inteligencji: przekształcanie usług finansowych

Odblokowanie mocy sztucznej inteligencji: przekształcanie usług finansowych

Znacznik czasu: 17 listopada 2023 10:30
Odblokowanie mocy sztucznej inteligencji: zmiana kształtu usług finansowych PlatoBlockchain Data Intelligence. Wyszukiwanie pionowe. AI.

Sztuczna inteligencja to: gorący temat publikowano także liczne artykuły stwierdzające, że firmy świadczące usługi finansowe, które dziś nie wdrożą sztucznej inteligencji, ryzykują, że jutro staną się przestarzałe. Jednakże, podobnie jak w przypadku wielu szumów medialnych, przyjęcie sztucznej inteligencji w branży może nie nastąpić tak szybko, jak powszechnie przewidywano. Przykładowo, przez ostatnie dwie dekady eksperci prognozowali, że banki korzystające ze starych, przestarzałych systemów mainframe będą przestarzałe. Jednak nawet po 20 latach wiele banków w dalszym ciągu polega na kluczowych aplikacjach bankowych zbudowanych w oparciu o starsze technologie komputerów mainframe, a banki te pozostają tak samo silne (jeśli nie silniejsze) jak dwie dekady temu.

Biorąc to pod uwagę, sztuczna inteligencja pozostanie i jej stopniowe wdrażanie jest niezbędne. Jak omówiono na moim blogu „Właściwe dopasowanie: ocena wartości biznesowej przed przyjęciem AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), dla banków ważne jest, aby mądrze wybierać swoje bitwy w zakresie sztucznej inteligencji, a nie wdrażać sztuczną inteligencję dla samego jej wykorzystania.

Konieczne jest zatem utworzenie kompleksowej listy przypadków użycia sztucznej inteligencji w branży usług finansowych. Moim zdaniem wszystkie przypadki użycia sztucznej inteligencji w branży usług finansowych możemy podzielić na kategorie dwie główne grupy:

Grupa 1: Bardziej wydajna obsługa danych nieustrukturyzowanych

Ta kategoria koncentruje się na gromadzeniu, analizowaniu i przetwarzaniu danych, których nie można uporządkować w bazie danych SQL. Zwykle obejmują dane z dokumentów, mowy lub obrazów, często pochodzące od stron trzecich, takich jak rząd, lub z niecyfrowych usług obsługi klienta, które wymagają przekształcenia w format cyfrowy. Te przypadki użycia mają na celu przede wszystkim redukcję kosztów, ponieważ przetwarzanie nieustrukturyzowanych danych może wymagać bardzo dużych zasobów. Rozwój sztucznej inteligencji sprawia, że ​​automatyzacja tych procesów staje się coraz bardziej realna.

Przykłady obejmują:

  • Obsługa dokumentów KYC i KYB: przetwarzanie zdjęć dowodów osobistych, publikacji rządowych lub statutów firmy w celu lepszego zrozumienia klientów i struktur firmy.

  • Zarządzanie tożsamością: Podobny do KYC/KYB, ale koncentruje się na ciągłym uwierzytelnianiu i podpisywania transakcji, przy użyciu nieustrukturyzowanych danych, takich jak obrazy dowodów osobistych, identyfikacja biometryczna (np. twarz i odcisk palca) oraz identyfikacja behawioralna.

  • Zarządzanie marką i reputacją: Monitorowanie nastrojów klientów i mediów na temat firmy w celu reagowania na kampanie marketingowe i przeciwdziałania negatywnemu rozgłosowi. Odbywa się to poprzez monitorowanie mediów tradycyjnych i mediów społecznościowych (takich jak komentarze, polubienia, udostępnienia, opinie...) i innych źródeł informacji (np. rejestrów call center) w celu określenia nastrojów i trendów klientów.

  • Zarządzanie roszczeniami: Automatyzacja przetwarzania roszczeń z nieustrukturyzowanymi danymi, takimi jak zdjęcia uszkodzonych ubezpieczonych przedmiotów i ekspertyzy ubezpieczeniowe.

  • Chatboty i automatyczne call center: Wykorzystanie sztucznej inteligencji do kategoryzowania i oznaczania interakcji z klientami, wydajnego wysyłania interakcji, proponowania standardowych szablonów odpowiedzi, a nawet pełnej automatyzacji odpowiedzi w różnych kanałach komunikacji (poczta, rozmowa telefoniczna i czat).

  • Analiza sentymentów w e-mailach, sesjach czatu, nagraniach głosowych i wideo oraz nieustrukturyzowanych podsumowaniach komunikacji, aby zrozumieć opinie klientów i interakcje pracownik-klient.

  • Zarządzanie wydatkami i fakturami: Konwersja dokumentów finansowych na dane strukturalne w celu automatycznego przetwarzania (np. prawidłowe zaksięgowanie ich we właściwej kategorii księgowej).

Grupa 2: Lepsze przewidywanie i alokacja zasobów

W branży usług finansowych (podobnie jak w każdej innej branży) zasoby takie jak ludzie i pieniądze są ograniczone i należy je alokować tak efektywnie, jak to możliwe. Sztuczna inteligencja może odegrać kluczową rolę w przewidywaniu, gdzie te zasoby są najbardziej potrzebne i gdzie mogą przynieść największą wartość dodaną.

Note: Uwaga klienta może być również traktowana jako zasób rzadki, co oznacza, że ​​każda komunikacja lub oferta powinna być wysoce spersonalizowana, aby zapewnić optymalne wykorzystanie ograniczonej przestrzeni uwagi klienta.

Te przypadki użycia można podzielić na dwie podkategorie:

Przypadki użycia niezależne od sektora

  • Segmentacja klientów w oparciu o dostępne dane (np. profilowanie klientów, analizę wzorców transakcji, przeszłe i bezpośrednie zachowania klientów…​) w celu ustalenia najlepszych możliwych środków (najlepszy mix kanałów) i stylu komunikacji (optymalizacja kontaktu) oraz alokacji zasobów do klientów o największym potencjale przyszłe przychody.

  • Wykrywanie rezygnacji w celu identyfikacji i utrzymania klientów zagrożonych odejściem. Przydzielając tym klientom dodatkowe zasoby, takie jak pracownicy kontaktujący się z klientem lub oferujący określone zachęty (np. rabaty lub lepsze stopy procentowe), aby zapobiec rezygnacji klienta.

  • Identyfikuj najlepsze perspektywy i możliwości sprzedaży: z listy leadów identyfikacja tych, którzy z największym prawdopodobieństwem staną się klientem, ale także określenie, do których istniejących klientów najlepiej można dotrzeć w ramach działań cross-sellingu i up-sellingu.

  • Przewiduj zmiany popytu i podażynp. określić, gdzie najlepiej zlokalizować bankomaty lub oddziały, przewidzieć, ile interakcji z obsługą klienta można się spodziewać, aby zapewnić optymalną obsadę zespołu obsługi klienta lub przewidzieć obciążenie infrastruktury IT w celu optymalizacji kosztów infrastruktury chmurowej.

  • Następna najlepsza akcja, Następna najlepsza oferta lub Silnik rekomendacji do personalizacji interakcji z klientem, czyli przewidywania, które działanie, produkt lub usługa najprawdopodobniej zainteresuje użytkownika w danym momencie. Umożliwienie łatwego dostępu do tego procesu może pomóc klientowi lub innemu użytkownikowi (np. pracownikom wewnętrznym) szybciej osiągnąć swój cel, co przełoży się na zwiększenie przychodów i zmniejszenie kosztów.

  • Silnik cenowy w celu ustalenia optymalnej ceny produktu lub usługi.

Przypadki użycia specyficzne dla branży usług finansowych

  • Silnik punktacji kredytowej w celu oceny zdolności kredytowej i podejmowania skutecznych decyzji kredytowych. Celem tego silnika jest przewidzenie prawdopodobieństwa niewykonania zobowiązania oraz szacunkowej wartości straty w przypadku niewykonania zobowiązania, aby określić, czy kredyt powinien zostać zaakceptowany, czy nie. Jest to również problem predykcyjny, który gwarantuje, że pieniądze banku zostaną wydane w najbardziej efektywny sposób.

  • Silnik wykrywania oszustw w celu identyfikacji i zapobiegania oszukańczym transakcjom finansowym, w tym oszustwom internetowym (zagrożeniom cybernetycznym) i oszustwom płatniczym. Silnik przewiduje, czy rzeczywiste zachowanie użytkownika jest zgodne z oczekiwanym (przewidywanym) zachowaniem. Jeśli nie, prawdopodobnie mamy do czynienia z oszustwem. Silniki te pomagają zmniejszyć straty przychodów, uniknąć szkód dla marki i zapewnić klientom bezproblemową obsługę online.

  • Robo-Doradztwo usługi tworzenia optymalnych portfeli inwestycyjnych w oparciu o trendy rynkowe, aktualny portfel inwestycyjny i ograniczenia klientów (takie jak profil ryzyka, ograniczenia dotyczące zrównoważonego rozwoju, horyzont inwestycyjny…​).

    • Silnik wykrywania AML wykrywanie (i powstrzymywanie) prania pieniędzy i działalności przestępczej w transakcjach finansowych.

    • Silnik zarządzania ryzykiem płynności w celu optymalizacji przepływów pieniężnych. Jest to usługa, którą można zaoferować klientom, ale która jest również wymagana wewnętrznie dla banku. Bank musi zapewnić w swoim bilansie wystarczającą płynność, aby pokryć wszystkie wypłaty, ale także przewidzieć fizyczne zapotrzebowanie na gotówkę, aby zasilić bankomaty i oddziały.

Oprócz tych przypadków użycia sztucznej inteligencji zorientowanych na biznes, nie należy zapominać o wewnętrznym zastosowaniu sztucznej inteligencji zwiększyć produktywność pracowników. Narzędzia generatywnej sztucznej inteligencji, takie jak ChatGPT, mogą pomóc różnym działom, takim jak sprzedaż, marketing i IT, w zwiększaniu ich produktywności.

Jak wskazano w moim blogu „Właściwe dopasowanie: ocena wartości biznesowej przed przyjęciem AI/ML” (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), kategoria pierwsza (tj. „Bardziej wydajna obsługa danych nieustrukturyzowanych”) ma moim zdaniem największy potencjał, choć wymaga bardzo specyficznych umiejętności AI i złożonych modeli AI. Dlatego wiele firm świadczących usługi finansowe prawdopodobnie użyje wstępnie wyszkolonych modeli dla tej kategorii przypadków użycia.

Przypadki użycia z drugiej kategorii („Lepsze przewidywanie i lepsza alokacja ograniczonych zasobów”) są również obiecujące i mogą przynieść szybsze rezultaty niż przypadki użycia z kategorii 1. Jednakże ich wartość dodana w porównaniu z tradycyjnymi algorytmami opartymi na regułach jest nie zawsze są gwarantowane, często brakuje im przejrzystości i trudno je dopracować. W rezultacie te przypadki użycia sztucznej inteligencji często wyglądają bardziej obiecująco, niż są w rzeczywistości.

W wielu przypadkach banki nie będą musiały inwestować bezpośrednio w sztuczną inteligencję, ponieważ istnieje już wiele rozwiązań programowych oferujących nie tylko modele sztucznej inteligencji, ale także obejmujących przepływ pracy i związaną z nimi logikę biznesową.
Dla każdego przypadku użycia firmy świadczące usługi finansowe mogą faktycznie wybierać pomiędzy trzy opcje:

  • 1 opcja: Budowa modelu od podstaw przy użyciu platform takich jak AWS SageMaker lub GCP AI Platform. Oznacza to, że firma musi zidentyfikować dobry zbiór uczący danych, skonfigurować model i sam go wytrenować. Np. KBC zbudowało dużą część swojej wirtualnej asystentki (zwanej Kate) całkowicie samodzielnie, korzystając z technologii GCP AI.

  • 2 opcja: Za pomocą wstępnie przeszkolony modele oparte na chmurze, które można łatwo wdrożyć i dostosować, takie jak AWS Fraud Detector, AWS Personalize lub niestandardowe wersje ChatGPT (por. ogłoszenie OpenAI wprowadzające nową koncepcję GPT) dla konkretnych przypadków użycia.

  • 3 opcja: Zdobywanie pełne rozwiązania programowe które obejmują wewnętrzne modele AI, ekrany, przepływy pracy i procesy. W branży usług finansowych istnieje wiele rozwiązań, takich jak Discai (komercjalizujący modele AI zbudowane wewnętrznie przez bank KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Decyzja o wyborze opcji zależy od konkretnych potrzeb firmy świadczącej usługi finansowe. Zrozumienie możliwości i ograniczeń modeli sztucznej inteligencji, posiadanie solidnej strategii dotyczącej danych oraz wiedza, jak udostępniać dane na potrzeby zewnętrznych modeli i narzędzi, to kluczowe kroki dla firmy świadczącej usługi finansowe, która chce wdrożyć sztuczną inteligencję. Te kroki są zwykle ważniejsze niż posiadanie głębokiej wiedzy wewnętrznej na temat sztucznej inteligencji.

Wdrożenie sztucznej inteligencji w branży usług finansowych jest bez wątpienia koniecznością, aby zachować konkurencyjność i sprostać wymaganiom klientów. Właściwe podejście (budowa lub zakup) w połączeniu z dobrze przemyślanymi przypadkami użycia może utorować drogę do udanej podróży po sztucznej inteligencji.

Sprawdź wszystkie moje blogi na https://bankloch.blogspot.com/

Znak czasu:

Więcej z Fintextra