Раскрытие возможностей искусственного интеллекта: изменение финансовых услуг

Раскрытие возможностей искусственного интеллекта: изменение финансовых услуг

Отметка времени: 17 ноября 2023 г., 10:30
Раскрытие возможностей искусственного интеллекта: изменение анализа данных PlatoBlockchain в сфере финансовых услуг. Вертикальный поиск. Ай.

ИИ – это Горячая тема публикуются многочисленные статьи, в которых говорится, что компании, предоставляющие финансовые услуги, не внедряющие ИИ сегодня, рискуют устареть завтра. Однако, как и во многих других шумихах, внедрение ИИ в отрасли может происходить не так быстро, как обычно прогнозируется. Например, в течение последних двух десятилетий эксперты прогнозировали устаревание банков, использующих старые устаревшие мэйнфреймы. Тем не менее, даже спустя 20 лет многие банки по-прежнему полагаются на критически важные базовые банковские приложения, построенные на устаревших технологиях мэйнфреймов, и эти банки остаются такими же сильными (если не сильнее), как и два десятилетия назад.

При этом искусственный интеллект никуда не денется, и его постепенное внедрение имеет важное значение. Как обсуждалось в моем блоге «Правильное решение: оценка ценности бизнеса перед внедрением ИИ/МО» (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), банкам крайне важно мудро выбирать сражения с ИИ, а не внедрять ИИ ради него.

Поэтому создание исчерпывающего списка вариантов использования ИИ в индустрии финансовых услуг является обязательным. По моему мнению, мы можем разделить все варианты использования ИИ в индустрии финансовых услуг на две основные группы:

Группа 1: Более эффективная обработка неструктурированных данных.

В этой категории основное внимание уделяется сбору, анализу и обработке данных, которые невозможно четко структурировать в базе данных SQL. Обычно он включает в себя данные из документов, речи или изображений, часто поступающие от третьих сторон, таких как правительство, или от нецифровых служб поддержки клиентов, которые необходимо преобразовать в цифровой формат. Эти варианты использования в первую очередь направлены на снижение затрат, поскольку обработка неструктурированных данных может быть очень ресурсоемкой. Развитие искусственного интеллекта делает все более возможным автоматизировать эти процессы.

Примеры включают в себя:

  • Обработка документов KYC и KYB: обработка изображений удостоверений личности, правительственных публикаций или уставов компании для лучшего понимания клиентов и структур компании.

  • Управление идентификацией: аналогичен KYC/KYB, но ориентирован на непрерывную аутентификацию и подписание транзакций с использованием неструктурированных данных, таких как изображения удостоверений личности, биометрическая идентификация (например, лицо и отпечаток пальца) и поведенческая идентификация.

  • Управление брендом и репутацией: Мониторинг настроений клиентов и СМИ о компании, чтобы реагировать на маркетинговые кампании и бороться с негативной репутацией. Это делается путем мониторинга традиционных средств массовой информации и социальных сетей (например, комментариев, лайков, репостов, мнений...) и других источников информации (например, записей колл-центра) для выявления настроений и тенденций клиентов.

  • Управление претензиями: Автоматизация обработки претензий с неструктурированными данными, такими как фотографии поврежденных застрахованных объектов и отчеты страховых экспертов.

  • Чат-боты и автоматизированные колл-центры: Использование искусственного интеллекта для категоризации и маркировки взаимодействий с клиентами, эффективной диспетчеризации взаимодействий, предложения стандартных шаблонов ответов и даже полной автоматизации ответов по различным каналам связи (почта, телефонный звонок и окно чата).

  • Анализ настроений по электронной почте, сеансам чата, голосовым и видеозаписям, а также неструктурированным сводкам общения, чтобы понять отзывы клиентов и взаимодействие сотрудников с клиентами.

  • Управление расходами и счетами: Преобразование финансовых документов в структурированные данные для автоматической обработки (например, правильное размещение их в нужной категории учета).

Группа 2: Улучшение прогнозирования и распределения ресурсов

В индустрии финансовых услуг (как и в любой другой отрасли) таких ресурсов, как люди и деньги, недостаточно, и их следует распределять максимально эффективно. ИИ может сыграть решающую роль в прогнозировании того, где эти ресурсы будут наиболее необходимы и где они могут принести наибольшую добавленную стоимость.

Внимание: Внимание клиента также можно рассматривать как дефицитный ресурс, а это означает, что любое сообщение или предложение должно быть высоко персонализированным, чтобы гарантировать оптимальное использование ограниченного объема внимания клиента.

Эти варианты использования можно разделить на две подкатегории:

Независимые от отрасли варианты использования

  • Сегментация клиентов на основе доступных данных (например, профилирование клиентов, анализ моделей транзакций, прошлого и текущего поведения клиентов…) для определения наилучших возможных средств (наилучшее сочетание каналов) и стиля общения (оптимизация контактов) и распределения ресурсов для клиентов с самым высоким потенциалом будущие доходы.

  • Обнаружение оттока выявлять и удерживать клиентов, рискующих уйти. Выделяя этим клиентам дополнительные ресурсы, например, сотрудников, связывающихся с клиентом, или предлагая определенные стимулы (например, скидки или более высокие процентные ставки), чтобы предотвратить отток клиентов.

  • Определить лучшие перспективы и возможности продаж: из списка потенциальных клиентов определите тех, кто с наибольшей вероятностью станет вашим клиентом, а также определите, на каких существующих клиентов лучше всего можно ориентироваться для перекрестных и дополнительных продаж.

  • Прогнозировать динамику спроса и предложенияНапример, определите, где лучше всего расположить банкоматы или филиалы, спрогнозируйте, сколько взаимодействий со службой поддержки можно ожидать, чтобы обеспечить оптимальное укомплектование командой поддержки клиентов, или спрогнозируйте нагрузку на ИТ-инфраструктуру для оптимизации затрат на облачную инфраструктуру.

  • Следующее лучшее действие, Следующее лучшее предложение или Система рекомендаций. для персонализированного взаимодействия с клиентами, т. е. прогнозирования, какое действие, продукт или услуга с наибольшей вероятностью заинтересует пользователя в любой момент времени. Предоставление легкого доступа к этому процессу может помочь клиенту или любому другому пользователю (например, внутренним сотрудникам) быстрее достичь своей цели, что приведет к увеличению доходов и снижению затрат.

  • Ценообразование двигателя для определения оптимальной цены на товар или услугу.

Варианты использования, специфичные для отрасли финансовых услуг

  • Механизм кредитного скоринга для оценки кредитоспособности и принятия эффективных решений по кредитованию. Целью этого механизма является прогнозирование вероятности дефолта и предполагаемой величины потерь в случае дефолта, чтобы определить, следует ли принимать кредит или нет. Это также задача прогнозирования, которая гарантирует, что деньги банка будут расходоваться максимально эффективно.

  • Механизм обнаружения мошенничества для выявления и предотвращения мошеннических финансовых операций, включая онлайн-мошенничество (киберугрозы) и мошенничество с платежами. Механизм прогнозирует, соответствует ли фактическое поведение пользователя ожидаемому (прогнозированному) поведению. Если нет, то, скорее всего, это мошенничество. Эти механизмы помогают сократить потери доходов, избежать ущерба бренду и обеспечить удобство работы с клиентами в Интернете.

  • Робо-Консультации услуги по созданию оптимальных инвестиционных портфелей на основе рыночных тенденций, текущего инвестиционного портфеля и ограничений клиентов (например, профиля риска, ограничений устойчивости, инвестиционного горизонта…​).

    • Механизм обнаружения AML выявлять (и пресекать) отмывание денег и преступную деятельность в финансовых операциях.

    • Механизм управления рисками ликвидности для оптимизации денежных потоков. Это услуга, которую можно предлагать клиентам, но которая также необходима внутри банка. Банку необходимо обеспечить достаточную ликвидность на своем балансе для покрытия всех операций по снятию средств, а также спрогнозировать потребность в физических денежных средствах для снабжения банкоматов и отделений.

Помимо этих бизнес-ориентированных вариантов использования ИИ, не упускайте из виду внутреннее использование ИИ для повысить производительность сотрудников. Генеративные инструменты искусственного интеллекта, такие как ChatGPT, могут помочь различным отделам, таким как продажи, маркетинг и ИТ, повысить их производительность.

Как указано в моем блоге «Правильное решение: оценка ценности бизнеса перед внедрением ИИ/МО» (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), первая категория (т. е. «Более эффективная обработка неструктурированных данных»), по моему мнению, имеет наибольший потенциал, хотя она требует очень специфических навыков ИИ и сложных моделей ИИ. Поэтому многие компании, предоставляющие финансовые услуги, скорее всего, будут использовать предварительно обученные модели для этой категории случаев использования.

Варианты использования второй категории (т. е. «Лучшее прогнозирование и лучшее распределение ограниченных ресурсов») также являются многообещающими и могут дать более быстрые результаты, чем варианты использования категории 1. Однако их добавленная ценность по сравнению с традиционными алгоритмами, основанными на правилах, заключается в следующем. не всегда гарантированы, им часто не хватает прозрачности, и их трудно настроить. В результате подобные варианты использования ИИ часто выглядят более многообещающе, чем они есть на самом деле.

Во многих случаях банкам не нужно будет напрямую инвестировать в ИИ, поскольку уже существует множество программных решений, предлагающих не только модели ИИ, но также охватывающие рабочий процесс и бизнес-логику вокруг них.
Для каждого варианта использования компании, предоставляющие финансовые услуги, фактически могут выбирать между три варианта:

  • Вариант 1: Построение модели с нуля используя такие платформы, как AWS SageMaker или GCP AI Platform. Это означает, что компании необходимо определить хороший набор для обучения данных, настроить модель и обучить ее саму. Например, KBC создала большую часть своего виртуального помощника (по имени Кейт) полностью собственными силами с использованием технологий GCP AI.

  • Вариант 2: С помощью предварительно обученный облачные модели, которые легко развертываются и адаптируются, такие как AWS Fraud Detector, AWS Personalize или пользовательские версии ChatGPT (см. объявление OpenAI о введении новой концепции GPT) для конкретных случаев использования.

  • Вариант 3: Приобретение полные программные решения которые включают внутренние модели искусственного интеллекта, экраны, рабочие процессы и процессы. В индустрии финансовых услуг существует множество решений, таких как Discai (которая коммерциализирует модели искусственного интеллекта, созданные внутри банка KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Решение о том, какой вариант выбрать, зависит от конкретных потребностей компании, предоставляющей финансовые услуги. Понимание возможностей и ограничений моделей ИИ, наличие надежной стратегии обработки данных и знание того, как сделать данные доступными для внешних моделей и инструментов, — важные шаги для компании финансовых услуг, стремящейся внедрить ИИ. Эти шаги обычно более важны, чем глубокие внутренние знания в области ИИ.

Внедрение искусственного интеллекта в сфере финансовых услуг явно необходимо для сохранения конкурентоспособности и удовлетворения потребностей клиентов. Правильный подход (создание или покупка) в сочетании с хорошо продуманными вариантами использования может проложить путь к успешному развитию ИИ.

Проверьте все мои блоги на https://bankloch.blogspot.com/

Отметка времени:

Больше от Финтекстра