Gen AI não é a única tecnologia que impulsiona a automação no setor bancário

Gen AI não é a única tecnologia que impulsiona a automação no setor bancário

Carimbo de data / hora: 29 de fevereiro de 2024 11h01
A Gen AI não é a única tecnologia que impulsiona a automação no setor bancário PlatoBlockchain Data Intelligence. Pesquisa vertical. Ai.

A Inteligência Artificial (IA) tornou-se popular e está preparada para revolucionar as operações no setor bancário. Vários factores alimentaram este aumento, nomeadamente o crescimento exponencial do volume e da complexidade dos dados, o aumento da pressão para uma rápida
e tomada de decisão precisa, e o imperativo de transparência. Embora a IA generativa seja inestimável para ajudar os bancos a resumir grandes populações de dados, e talvez seja necessário sussurrar isso, ela não é a única tecnologia que impulsiona a automação no
setor bancário. 

IA começa com contexto 

Na modelagem de risco, a seleção de pontos de dados de entrada, ou recursos, é de suma importância, muitas vezes ultrapassando a escolha do modelo ou algoritmo. Numa indústria sujeita a requisitos regulamentares rigorosos para modelar a transparência e a explicabilidade, o âmbito para
a seleção de modelos é frequentemente restrita, elevando a importância dos recursos de entrada como os principais determinantes do sucesso ou fracasso do modelo. Portanto, a questão central é: como podemos imbuir as nossas características com a máxima relevância contextual? 

Os recursos baseados em rede surgem como um mecanismo forte para infundir grandes quantidades de informações em modelos, ao mesmo tempo que mantêm o imperativo de transparência e explicabilidade. Uma abordagem eficaz implica aproveitar redes personalizadas de entidades documentais para
gerar recursos que delineiam a interconectividade de empresas e indivíduos. Por exemplo, a utilização de recursos de rede, representando relacionamentos entre empresas e seus diretores, pode servir como insumos essenciais para empresas de fachada de aprendizado de máquina.
modelos de detecção, em alguns casos produzindo um aprimoramento de 20% no desempenho em comparação com a dependência exclusiva de recursos de nível de registro. 

Os resultados de tais modelos – previsões relativas a empresas de fachada e aos agentes que orquestram sua formação – têm implicações para reforçar os esforços de detecção de riscos em combate à lavagem de dinheiro (AML), Conheça seu cliente (KYC) e mitigação de fraude.
domínios. 

Ao aproveitar uma pilha composta de tecnologia de IA, os bancos podem integrar conhecimentos no assunto com uma variedade de técnicas de aprendizado de máquina e aprendizado profundo, juntamente com o acesso a vastos dados estruturados e não estruturados do setor. Esta abordagem abrangente aumenta a adaptabilidade,
precisão e eficácia dos modelos. Aproveitar a experiência e o conhecimento do domínio em todo o processo de desenvolvimento do modelo garante alta precisão e confiança na solução de problemas de negócios complexos. Em suma, os bancos que pretendem implementar IA devem evitar depender de
um modelo, técnica ou abordagem. Fazer isso pode levar a limitações de perspectiva, adaptabilidade e desempenho.  

A importância dos recursos de rede 

As redes oferecem uma estrutura versátil para modelar relacionamentos de entidades em vários contextos. Por exemplo, as redes que retratam transações de pagamento entre partes podem revelar sinais reveladores de prevaricação financeira. Ao examinar padrões específicos dentro
na rede – como ciclos de transações com magnitudes semelhantes – os bancos podem descobrir riscos que, de outra forma, escapariam à detecção ao examinarem transações isoladamente. Além disso, quando complementados com um repositório de casos conhecidos de fraude, os recursos de rede
como a frequência das inversões de marcha ou dos pagamentos cíclicos podem fortalecer os modelos de aprendizagem supervisionada, aumentando a sua capacidade preditiva para cenários de risco futuros. 

Uma rede particularmente relevante para modelar o risco corporativo é a hierarquia jurídica organizacional, abrangendo diretores, acionistas e subsidiárias. Atributos fundamentais como tamanho da rede, densidade de conexão e camadas hierárquicas servem como
dimensões inestimáveis ​​para segmentação e geração de recursos em modelos de aprendizagem supervisionada, melhorando nossa capacidade de discernir e mitigar riscos potenciais de forma eficaz.  

Para investigadores e analistas, é aqui que a análise gráfica se destaca, permitindo-lhes analisar, visualizar e compreender conexões ocultas em conjuntos de dados distintos. Crucialmente, é escalável e intuitivo, permitindo que as equipes percorram bilhões
de bordas sem comprometer o rendimento com consultas de alta frequência.  

A resolução de entidades está transformando o futuro do setor bancário 

A resolução de entidades aproveita técnicas avançadas de IA e aprendizado de máquina para analisar, limpar e padronizar dados, permitindo a identificação confiável de entidades em conjuntos de dados diferentes. Este processo envolve agrupar registros relacionados, agregar atributos
para cada entidade e estabelecendo conexões rotuladas entre entidades e seus registros de origem. Em comparação com as abordagens tradicionais de correspondência entre registros, a resolução de entidades oferece eficácia significativamente melhorada. 

Em vez de tentar vincular diretamente cada registro de origem, as organizações podem introduzir novos nós de entidade como pontos centrais para conectar dados do mundo real. A resolução de entidade de alta qualidade não apenas facilita a vinculação de dados internos, mas também permite a integração
de fontes de dados externas valiosas, como registros corporativos, que anteriormente eram difíceis de combinar com precisão. 

A integração da tecnologia de resolução de entidades no setor bancário representa um avanço significativo, permitindo aos bancos fazer a transição de processos baseados em lotes para ofertas de produtos e serviços quase em tempo real através de estruturas de serviços omnicanal. Esse
a evolução pode ir além do combate à fraude para abranger todas as interações com o cliente através de vários pontos de contato, incluindo call centers, filiais e canais digitais, garantindo uma experiência dinâmica e contínua ao cliente. 

A IA generativa tem um papel importante a desempenhar 

Durante o próximo ano, espero ver assistentes de IA generativos aproveitando os Large Language Models (LLMs) para se tornarem cada vez mais predominantes no setor bancário. A IA generativa permite uma interface intuitiva e conversacional, aumentando a eficiência dos analistas
envolvidos na identificação de riscos nas investigações. Para as organizações, as vantagens potenciais são substanciais, uma vez que este assistente de IA capacita todo o pessoal de analistas a ter um desempenho ao nível dos investigadores mais experientes. Muitos desses assistentes
ser agnóstico em LLM, permitindo às empresas a flexibilidade de empregar seus modelos preferidos, sejam modelos proprietários, de código aberto ou disponíveis comercialmente, como ChatGPT da OpenAI. Quando integrado com outros aspectos da pilha composta de IA, ele suportará
resolução de entidades, análise gráfica e recursos de pontuação, liberando um potencial sem precedentes ao permitir consultas e prompts em linguagem natural.  

Crucialmente, todos os produtos de IA generativos não podem atuar como complemento ou isoladamente para uma automação de IA mais ampla. Os resultados que ele gerará serão tão bons quanto os dados, o contexto e a tecnologia de resolução de entidades sobre os quais foi construído. Bancos que desejam implementar
A IA generativa deve pensar de forma mais ampla sobre como as diferentes tecnologias se encaixam em sua pilha de tecnologia de automação de IA.  

Carimbo de hora:

Mais de Fintextra