Sztuczna inteligencja generacji nie jest jedyną technologią napędzającą automatyzację w bankowości

Sztuczna inteligencja (AI) wdarła się do głównego nurtu i jest gotowa zrewolucjonizować działalność w sektorze bankowym. Do tego wzrostu przyczyniło się kilka czynników, w szczególności wykładniczy wzrost ilości i złożoności danych oraz zwiększona presja na Swift
i precyzyjne podejmowanie decyzji, a także konieczność przejrzystości. Chociaż generatywna sztuczna inteligencja będzie nieoceniona, pomagając bankom podsumowywać duże populacje danych (być może będziesz musiał to szeptać), nie jest to jedyna technologia napędzająca automatyzację w
sektor bankowy. 

AI zaczyna się od kontekstu 

W modelowaniu ryzyka wybór punktów lub cech danych wejściowych ma ogromne znaczenie, często przewyższając wybór modelu lub algorytmu. W branży związanej rygorystycznymi wymogami regulacyjnymi dotyczącymi przejrzystości i wyjaśnialności modelowania, zakres
wybór modelu jest często ograniczony, co podnosi znaczenie cech wejściowych jako głównych wyznaczników sukcesu lub niepowodzenia modelu. Dlatego też zasadnicze pytanie brzmi: w jaki sposób możemy nadać naszym cechom maksymalne znaczenie kontekstowe? 

Funkcje sieciowe okazują się silnym mechanizmem wprowadzania dużych ilości informacji do modeli, przy jednoczesnym zachowaniu imperatywu przejrzystości i wyjaśnialności. Jedno ze skutecznych podejść polega na wykorzystaniu dostosowanych do indywidualnych potrzeb sieci jednostek dokumentów
generują cechy, które wyznaczają wzajemne powiązania przedsiębiorstw i osób fizycznych. Na przykład wykorzystanie funkcji sieciowych, obrazujących relacje między firmami a ich dyrektorami, może służyć jako kluczowe dane wejściowe dla firmy powłoki opartej na uczeniu maszynowym
modele wykrywania, co w niektórych przypadkach zapewnia wzrost wydajności o 20% w porównaniu z poleganiem wyłącznie na funkcjach na poziomie rekordu. 

Wyniki takich modeli — prognozy dotyczące firm fasadowych i agentów organizujących ich tworzenie — niosą ze sobą konsekwencje dla wzmocnienia wysiłków w zakresie wykrywania ryzyka w obszarach przeciwdziałania praniu pieniędzy (AML), poznania swojego klienta (KYC) i łagodzenia oszustw
domeny. 

Wykorzystując złożony stos technologii AI, banki mogą zintegrować specjalistyczną wiedzę merytoryczną z szeregiem technik uczenia maszynowego i głębokiego uczenia się, a także uzyskać dostęp do rozległych ustrukturyzowanych i nieustrukturyzowanych danych branżowych. To kompleksowe podejście zwiększa możliwości adaptacji,
dokładność i skuteczność modeli. Wykorzystanie specjalistycznej wiedzy i wiedzy dziedzinowej w całym procesie tworzenia modelu zapewnia wysoką dokładność i zaufanie w rozwiązywaniu złożonych problemów biznesowych. Krótko mówiąc, banki chcące wdrożyć sztuczną inteligencję powinny unikać polegania na niej
jeden model, technika lub podejście. Może to prowadzić do ograniczeń perspektywy, możliwości adaptacji i wydajności.  

Znaczenie funkcji sieciowych 

Sieci oferują wszechstronne ramy do modelowania relacji między jednostkami w różnych kontekstach. Na przykład sieci przedstawiające transakcje płatnicze między stronami mogą ujawnić charakterystyczne oznaki nadużyć finansowych. Analizując określone wewnętrzne wzorce
sieci – takich jak cykle transakcji o podobnej wielkości – banki mogą wykryć ryzyka, które w przeciwnym razie uniknęłyby wykrycia podczas badania transakcji oddzielnie. Co więcej, po uzupełnieniu o repozytorium znanych przypadków oszustw, funkcje sieciowe
takie jak częstotliwość zwrotów akcji lub płatności cyklicznych, mogą wzmocnić modele uczenia się pod nadzorem, zwiększając ich zdolność przewidywania przyszłych scenariuszy ryzyka. 

Jedną ze szczególnie istotnych sieci modelowania ryzyka korporacyjnego jest organizacyjna hierarchia prawna, obejmująca dyrektorów, akcjonariuszy i spółki zależne. Podstawowe atrybuty, takie jak rozmiar sieci, gęstość połączeń i warstwy hierarchiczne, służą jako
bezcenne wymiary segmentacji i generowania funkcji w modelach uczenia się pod nadzorem, zwiększające naszą zdolność do skutecznego dostrzegania i łagodzenia potencjalnych zagrożeń.  

Dla badaczy i analityków właśnie w tym miejscu analityka grafów sprawdza się, umożliwiając im analizowanie, wizualizację i zrozumienie ukrytych powiązań między różnymi zbiorami danych. Co najważniejsze, jest skalowalny i intuicyjny, umożliwiając zespołom przeglądanie miliardów
krawędzi bez utraty przepustowości przy wykonywaniu zapytań o wysokiej częstotliwości.  

Likwidacja podmiotów zmienia przyszłość bankowości 

Rozpoznawanie jednostek wykorzystuje zaawansowane techniki sztucznej inteligencji i uczenia maszynowego do analizowania, oczyszczania i standaryzacji danych, umożliwiając niezawodną identyfikację jednostek w różnych zbiorach danych. Proces ten polega na grupowaniu powiązanych rekordów i agregowaniu atrybutów
dla każdego podmiotu oraz ustanawianie oznaczonych etykietami połączeń między podmiotami a ich zapisami źródłowymi. W porównaniu z tradycyjnymi metodami dopasowywania rekordów do rekordów, rozpoznawanie podmiotów oferuje znacznie większą skuteczność. 

Zamiast próbować bezpośrednio łączyć każdy rekord źródłowy, organizacje mogą wprowadzić nowe węzły jednostek jako centralne punkty łączenia danych ze świata rzeczywistego. Wysokiej jakości rozdzielczość encji nie tylko ułatwia łączenie danych wewnętrznych, ale także umożliwia integrację
cennych zewnętrznych źródeł danych, takich jak rejestry przedsiębiorstw, których dokładne dopasowanie było wcześniej trudne. 

Integracja technologii rozpoznawania podmiotów w sektorze bankowym stanowi znaczący krok naprzód, umożliwiający bankom przejście z procesów wsadowych do oferowania produktów i usług w czasie niemal rzeczywistym w ramach usług wielokanałowych. Ten
ewolucja może wykraczać poza przeciwdziałanie oszustwom i obejmować wszystkie interakcje z klientami za pośrednictwem różnych punktów kontaktu, w tym centrów obsługi telefonicznej, oddziałów i kanałów cyfrowych, zapewniając płynną i dynamiczną obsługę klienta. 

Generatywna sztuczna inteligencja ma do odegrania ważną rolę 

Spodziewam się, że w nadchodzącym roku generatywni asystenci AI wykorzystujący modele wielkojęzykowe (LLM) będą coraz bardziej popularni w bankowości. Generatywna sztuczna inteligencja zapewnia intuicyjny i konwersacyjny interfejs, zwiększając wydajność analityków
zaangażowani w identyfikację ryzyka w ramach dochodzeń. Dla organizacji potencjalne korzyści są znaczne, ponieważ ten asystent AI umożliwia całemu personelowi analityków działanie na poziomie najbardziej doświadczonych badaczy. Wielu z tych asystentów to zrobi
być niezależnym od LLM, umożliwiając firmom elastyczność w stosowaniu preferowanych modeli, niezależnie od tego, czy są to modele zastrzeżone, modele typu open source, czy modele dostępne na rynku, takie jak ChatGPT z OpenAI. Po zintegrowaniu z innymi aspektami złożonego stosu AI będzie obsługiwał
rozpoznawanie encji, analiza grafów i możliwości oceniania, odblokowując niespotykany potencjał poprzez umożliwienie zapytań i podpowiedzi w języku naturalnym.  

Co najważniejsze, wszystkie produkty generatywnej sztucznej inteligencji nie mogą działać jako element uzupełniający lub izolowany w stosunku do szerszej automatyzacji sztucznej inteligencji. Wyniki, które wygeneruje, będą tak dobre, jak technologia rozpoznawania danych, kontekstu i jednostek, na której została zbudowana. Banki chcą wdrożyć
Generatywna sztuczna inteligencja powinna szerzej myśleć o tym, jak różne technologie pasują do stosu technologii automatyzacji sztucznej inteligencji.  

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs