Gen AI ni edina tehnologija, ki poganja avtomatizacijo v bančništvu

Umetna inteligenca (AI) je prešla v mainstream in je pripravljena spremeniti poslovanje v bančnem sektorju. Več dejavnikov je spodbudilo ta skok, zlasti eksponentna rast obsega in kompleksnosti podatkov, povečan pritisk na hitro
in natančno odločanje ter nujnost preglednosti. Čeprav bo generativna umetna inteligenca neprecenljiva pri pomoči bankam pri povzemanju velikih zbirk podatkov in to boste morda morali zašepetati, to ni edina tehnologija, ki poganja avtomatizacijo v
bančni sektor. 

AI se začne s kontekstom 

Pri modeliranju tveganja je izbira vhodnih podatkovnih točk ali funkcij izjemnega pomena, ki pogosto presega izbiro modela ali algoritma. V panogi, ki jo zavezujejo stroge regulativne zahteve glede preglednosti in razložljivosti modeliranja, je obseg za
izbira modela je pogosto omejena, kar povečuje pomen vhodnih lastnosti kot primarnih dejavnikov uspeha ali neuspeha modela. Zato postane osrednja poizvedba: kako lahko našim funkcijam zagotovimo največjo kontekstualno ustreznost? 

Funkcije, ki temeljijo na omrežju, se pojavljajo kot močan mehanizem za vlivanje obilne količine informacij v modele, hkrati pa podpirajo nujnost preglednosti in razložljivosti. Eden od učinkovitih pristopov vključuje uporabo omrežij dokumentnih entitet po meri
ustvari značilnosti, ki označujejo medsebojno povezanost podjetij in posameznikov. Na primer, uporaba omrežnih funkcij, ki prikazujejo odnose med podjetji in njihovimi direktorji, lahko služi kot ključni vložek za navidezno podjetje strojnega učenja.
modeli za zaznavanje, ki v nekaterih primerih zagotavljajo 20-odstotno izboljšanje zmogljivosti v primerjavi z zanašanjem samo na funkcije na rekordni ravni. 

Rezultati takšnih modelov – napovedi, ki se nanašajo na navidezna podjetja in agente, ki usmerjajo njihovo ustanavljanje – imajo posledice za krepitev prizadevanj za odkrivanje tveganj na področju boja proti pranju denarja (AML), poznaj svojo stranko (KYC) in ublažitev goljufij.
domene. 

Z izkoriščanjem sestavljenega tehnološkega sklada umetne inteligence lahko banke integrirajo strokovno znanje o predmetu z vrsto tehnik strojnega in globokega učenja, poleg dostopa do obsežnih strukturiranih in nestrukturiranih industrijskih podatkov. Ta celovit pristop povečuje prilagodljivost,
natančnost in učinkovitost modelov. Izkoriščanje strokovnega znanja in znanja o domeni v celotnem procesu razvoja modela zagotavlja visoko natančnost in zaupanje pri reševanju kompleksnih poslovnih problemov. Skratka, banke, ki želijo uvesti umetno inteligenco, se morajo izogibati zanašanju nanjo
enega modela, tehnike ali pristopa. To lahko vodi do omejitev v perspektivi, prilagodljivosti in uspešnosti.  

Pomen omrežnih funkcij 

Omrežja ponujajo vsestranski okvir za modeliranje odnosov entitet v različnih kontekstih. Omrežja, ki prikazujejo plačilne transakcije med strankami, lahko na primer odkrijejo znake finančnih zlorab. S preučevanjem specifičnih vzorcev znotraj
omrežja – kot so cikli transakcij s podobnimi razsežnostmi – lahko banke odkrijejo tveganja, ki bi se sicer izognila odkrivanju pri ločenem pregledu transakcij. Poleg tega, ko je dopolnjen z repozitorijem znanih primerov goljufij, omrežne funkcije
kot pogostost povratnih ali cikličnih plačil lahko okrepi modele nadzorovanega učenja in tako poveča njihovo napovedno sposobnost za prihodnje scenarije tveganja. 

Ena posebej pomembna mreža za modeliranje korporativnega tveganja je organizacijska pravna hierarhija, ki zajema direktorje, delničarje in hčerinske družbe. Osnovni atributi, kot so velikost omrežja, gostota povezave in hierarhične plasti, služijo kot
neprecenljive razsežnosti za segmentacijo in generiranje funkcij v nadzorovanih učnih modelih, kar povečuje našo sposobnost zaznavanja in učinkovitega ublažitve potencialnih tveganj.  

Za preiskovalce in analitike tukaj pride do izraza grafična analitika, ki jim omogoča analizo, vizualizacijo in razumevanje skritih povezav med različnimi zbirkami podatkov. Bistveno je, da je razširljiv in intuitiven, kar ekipam omogoča, da prečkajo milijarde
robov brez ogrožanja prepustnosti z visokofrekvenčnim poizvedovanjem.  

Reševanje subjektov spreminja prihodnost bančništva 

Razrešitev entitet izkorišča napredne tehnike umetne inteligence in strojnega učenja za razčlenjevanje, čiščenje in standardizacijo podatkov, kar omogoča zanesljivo prepoznavanje entitet v različnih nizih podatkov. Ta proces vključuje združevanje povezanih zapisov v gruče, združevanje atributov
za vsako entiteto ter vzpostavljanje označenih povezav med entitetami in njihovimi izvornimi zapisi. V primerjavi s tradicionalnimi pristopi usklajevanja med zapisi nudi reševanje entitet bistveno večjo učinkovitost. 

Namesto da poskušajo neposredno povezati vsak izvorni zapis, lahko organizacije uvedejo nova vozlišča subjektov kot osrednje točke za povezovanje podatkov iz resničnega sveta. Visokokakovostna ločljivost entitet ne le olajša povezovanje notranjih podatkov, ampak omogoča tudi integracijo
dragocenih zunanjih virov podatkov, kot so registri podjetij, ki jih je bilo prej težko natančno ujemati. 

Integracija tehnologije reševanja subjektov v bančnem sektorju pomeni pomemben korak naprej, saj bankam omogoča prehod s paketno zasnovanih procesov na ponudbo izdelkov in storitev v skoraj realnem času v okviru večkanalnih storitev. to
evolucija lahko preseže boj proti goljufijam in zajame vse interakcije s strankami prek različnih stičnih točk, vključno s klicnimi centri, poslovalnicami in digitalnimi kanali, ter zagotavlja brezhibno in dinamično uporabniško izkušnjo. 

Generativni AI ima pomembno vlogo 

V naslednjem letu pričakujem, da bodo generativni pomočniki AI, ki bodo izkoriščali velike jezikovne modele (LLM), postali vse bolj razširjeni v bančništvu. Generative AI omogoča intuitiven in pogovoren vmesnik, ki povečuje učinkovitost za analitike
ukvarjajo z identifikacijo tveganj v okviru preiskav. Za organizacije so potencialne prednosti znatne, saj ta pomočnik za umetno inteligenco vsem analitikom omogoča, da delujejo na ravni najbolj izkušenih preiskovalcev. Mnogi od teh pomočnikov bodo
biti neodvisen od LLM, kar podjetjem omogoča prožnost pri uporabi njihovih želenih modelov, bodisi lastniških, odprtokodnih ali komercialno dostopnih modelov, kot je ChatGPT iz OpenAI. Ko bo integriran z drugimi vidiki sestavljenega sklada AI, bo podpiral
ločljivost entitet, analitika grafov in zmožnosti točkovanja, s čimer sprostite potencial brez primere z omogočanjem poizvedb in pozivov v naravnem jeziku.  

Bistveno je, da vsi generativni izdelki AI ne morejo delovati kot dodatek ali ločeno od širše avtomatizacije AI. Rezultati, ki jih bo ustvaril, so toliko dobri, kolikor so dobri podatki, kontekst in tehnologija ločevanja entitet, na katerih je zgrajen. Banke, ki želijo izvesti
generativni AI bi moral razmišljati širše o tem, kako se različne tehnologije prilegajo njihovemu tehnološkemu naboru za avtomatizacijo AI.  

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs