Gen AI ไม่ใช่เทคโนโลยีเดียวที่ขับเคลื่อนระบบอัตโนมัติในระบบธนาคาร

ปัญญาประดิษฐ์ (AI) ได้พุ่งเข้าสู่กระแสหลักและพร้อมที่จะปฏิวัติการดำเนินงานในภาคการธนาคาร มีหลายปัจจัยที่กระตุ้นให้เกิดการเพิ่มขึ้น โดยเฉพาะอย่างยิ่งการเติบโตแบบทวีคูณของปริมาณข้อมูลและความซับซ้อน ซึ่งเพิ่มแรงกดดันให้ต้องดำเนินการอย่างรวดเร็ว
และการตัดสินใจที่แม่นยำและความจำเป็นเพื่อความโปร่งใส แม้ว่า Generative AI จะมีคุณค่าอย่างยิ่งในการช่วยให้ธนาคารสรุปข้อมูลจำนวนมากได้ และคุณอาจต้องกระซิบเรื่องนี้ ไม่ใช่เทคโนโลยีเดียวที่ขับเคลื่อนระบบอัตโนมัติใน
ภาคการธนาคาร 

AI เริ่มต้นด้วยบริบท 

ในการสร้างแบบจำลองความเสี่ยง การเลือกจุดข้อมูลอินพุตหรือคุณลักษณะ มีความสำคัญอย่างยิ่ง ซึ่งมักจะเหนือกว่าการเลือกแบบจำลองหรืออัลกอริธึม ในอุตสาหกรรมที่ผูกพันตามข้อกำหนดด้านกฎระเบียบที่เข้มงวดสำหรับการสร้างแบบจำลองความโปร่งใสและความสามารถในการอธิบาย ขอบเขตสำหรับ
การเลือกแบบจำลองมักถูกจำกัด ซึ่งยกระดับความสำคัญของคุณลักษณะอินพุตซึ่งเป็นปัจจัยกำหนดหลักของความสำเร็จหรือความล้มเหลวของแบบจำลอง ดังนั้น คำถามสำคัญจึงกลายเป็น: เราจะเติมคุณลักษณะของเราให้มีความเกี่ยวข้องตามบริบทสูงสุดได้อย่างไร 

คุณลักษณะบนเครือข่ายกลายเป็นกลไกที่แข็งแกร่งในการแทรกข้อมูลจำนวนมหาศาลลงในแบบจำลอง ขณะเดียวกันก็รักษาความจำเป็นเพื่อความโปร่งใสและอธิบายได้ แนวทางหนึ่งที่มีประสิทธิผลคือการใช้ประโยชน์จากเครือข่ายเอนทิตีเอกสารที่ออกแบบตามความต้องการ
สร้างคุณสมบัติที่แสดงถึงความเชื่อมโยงระหว่างธุรกิจและบุคคล ตัวอย่างเช่น การใช้คุณสมบัติเครือข่าย ที่แสดงความสัมพันธ์ระหว่างบริษัทและผู้อำนวยการของบริษัท สามารถใช้เป็นข้อมูลสำคัญสำหรับบริษัทเชลล์การเรียนรู้ด้วยเครื่อง
โมเดลการตรวจจับ ในบางกรณีให้ประสิทธิภาพเพิ่มขึ้น 20% เมื่อเทียบกับการอาศัยคุณสมบัติระดับบันทึกเพียงอย่างเดียว 

ผลลัพธ์ของแบบจำลองดังกล่าว —การคาดการณ์ที่เกี่ยวข้องกับบริษัทเชลล์และตัวแทนที่เตรียมการก่อตั้งบริษัท — มีผลกระทบต่อการสนับสนุนความพยายามในการตรวจจับความเสี่ยงในการต่อต้านการฟอกเงิน (AML), รู้จักลูกค้าของคุณ (KYC) และการบรรเทาการฉ้อโกง
โดเมน 

ด้วยการใช้ประโยชน์จากเทคโนโลยี AI แบบคอมโพสิต ธนาคารสามารถบูรณาการความเชี่ยวชาญเฉพาะด้านเข้ากับการเรียนรู้ของเครื่องและเทคนิคการเรียนรู้เชิงลึก ควบคู่ไปกับการเข้าถึงข้อมูลอุตสาหกรรมที่มีโครงสร้างและไม่มีโครงสร้างขนาดใหญ่ วิธีการที่ครอบคลุมนี้ช่วยเพิ่มความสามารถในการปรับตัว
ความแม่นยำและประสิทธิผลของแบบจำลอง การใช้ประโยชน์จากความเชี่ยวชาญและความรู้ในโดเมนตลอดกระบวนการพัฒนาแบบจำลองทำให้มั่นใจได้ถึงความแม่นยำและความน่าเชื่อถือในระดับสูงในการแก้ปัญหาทางธุรกิจที่ซับซ้อน กล่าวโดยสรุป ธนาคารที่ต้องการนำ AI มาใช้ควรหลีกเลี่ยงการพึ่งพา
รูปแบบ เทคนิค หรือแนวทางหนึ่งเดียว การทำเช่นนี้อาจนำไปสู่ข้อจำกัดในด้านมุมมอง ความสามารถในการปรับตัว และประสิทธิภาพ  

ความสำคัญของคุณสมบัติเครือข่าย 

เครือข่ายนำเสนอกรอบการทำงานที่หลากหลายสำหรับการสร้างแบบจำลองความสัมพันธ์ของเอนทิตีในบริบทต่างๆ ตัวอย่างเช่น เครือข่ายที่แสดงธุรกรรมการชำระเงินระหว่างฝ่ายต่างๆ สามารถเปิดเผยสัญญาณที่บ่งบอกถึงการทุจริตทางการเงินได้ โดยกลั่นกรองรูปแบบเฉพาะภายใน
เครือข่าย เช่น วงจรการทำธุรกรรมที่มีขนาดใกล้เคียงกัน ธนาคารสามารถค้นพบความเสี่ยงที่อาจหลบเลี่ยงการตรวจจับเมื่อตรวจสอบธุรกรรมแบบแยกส่วน ยิ่งไปกว่านั้น เมื่อเสริมด้วยพื้นที่เก็บข้อมูลอินสแตนซ์ของการฉ้อโกง ฟีเจอร์เครือข่าย
เช่น ความถี่ในการกลับรถหรือการชำระเงินแบบเป็นรอบสามารถเสริมสร้างโมเดลการเรียนรู้แบบมีผู้ดูแล และเพิ่มความสามารถในการคาดการณ์สำหรับสถานการณ์ความเสี่ยงในอนาคต 

เครือข่ายที่โดดเด่นโดยเฉพาะประการหนึ่งสำหรับการสร้างแบบจำลองความเสี่ยงขององค์กรคือลำดับชั้นทางกฎหมายขององค์กร ซึ่งรวมถึงกรรมการ ผู้ถือหุ้น และบริษัทในเครือ คุณลักษณะพื้นฐาน เช่น ขนาดเครือข่าย ความหนาแน่นของการเชื่อมต่อ และเลเยอร์แบบลำดับชั้นทำหน้าที่เป็น
มิติอันล้ำค่าสำหรับการแบ่งส่วนและการสร้างคุณลักษณะในโมเดลการเรียนรู้ภายใต้การดูแล ช่วยเพิ่มความสามารถของเราในการแยกแยะและลดความเสี่ยงที่อาจเกิดขึ้นได้อย่างมีประสิทธิภาพ  

สำหรับผู้ตรวจสอบและนักวิเคราะห์ ที่นี่การวิเคราะห์กราฟเป็นของตัวเองโดยอนุญาตให้พวกเขาวิเคราะห์ แสดงภาพ และเข้าใจการเชื่อมต่อที่ซ่อนอยู่ในชุดข้อมูลที่แตกต่างกัน สิ่งสำคัญที่สุดคือสามารถปรับขนาดได้และใช้งานง่าย ช่วยให้ทีมสามารถสำรวจผู้คนหลายพันล้านคนได้
ของขอบโดยไม่กระทบต่อปริมาณงานด้วยการสืบค้นความถี่สูง  

การแก้ปัญหาองค์กรกำลังเปลี่ยนแปลงอนาคตของการธนาคาร 

การแก้ปัญหาเอนทิตีใช้ประโยชน์จาก AI ขั้นสูงและเทคนิคการเรียนรู้ของเครื่องจักรเพื่อแยกวิเคราะห์ ล้างข้อมูล และสร้างมาตรฐานของข้อมูล ช่วยให้สามารถระบุเอนทิตีจากชุดข้อมูลที่แตกต่างกันได้อย่างน่าเชื่อถือ กระบวนการนี้เกี่ยวข้องกับการจัดกลุ่มเรกคอร์ดที่เกี่ยวข้อง การรวมแอททริบิวต์
สำหรับแต่ละเอนทิตี และสร้างการเชื่อมต่อที่มีป้ายกำกับระหว่างเอนทิตีและบันทึกแหล่งที่มา เมื่อเปรียบเทียบกับวิธีการจับคู่แบบบันทึกต่อบันทึกแบบดั้งเดิม การแก้ปัญหาเอนทิตีให้ประสิทธิภาพที่เพิ่มขึ้นอย่างมาก 

แทนที่จะพยายามเชื่อมโยงทุกเรกคอร์ดต้นทางโดยตรง องค์กรสามารถแนะนำโหนดเอนทิตีใหม่เป็นจุดศูนย์กลางสำหรับการเชื่อมต่อข้อมูลในโลกแห่งความเป็นจริง การแก้ไขเอนทิตีคุณภาพสูงไม่เพียงอำนวยความสะดวกในการเชื่อมโยงข้อมูลภายใน แต่ยังช่วยให้สามารถบูรณาการได้อีกด้วย
ของแหล่งข้อมูลภายนอกอันทรงคุณค่า เช่น ทะเบียนบริษัท ซึ่งก่อนหน้านี้การจับคู่อย่างแม่นยำเป็นเรื่องยาก 

การบูรณาการเทคโนโลยีการแก้ปัญหาองค์กรภายในภาคการธนาคารถือเป็นก้าวกระโดดที่สำคัญ ช่วยให้ธนาคารสามารถเปลี่ยนจากกระบวนการแบบแบตช์ไปเป็นการนำเสนอผลิตภัณฑ์และบริการที่เกือบจะเรียลไทม์ผ่านกรอบงานบริการแบบ Omnichannel นี้
วิวัฒนาการสามารถก้าวไปไกลกว่าการต่อต้านการฉ้อโกง โดยครอบคลุมปฏิสัมพันธ์ของลูกค้าทั้งหมดผ่านจุดสัมผัสต่างๆ รวมถึงศูนย์บริการทางโทรศัพท์ สาขา และช่องทางดิจิทัล เพื่อให้มั่นใจว่าประสบการณ์ของลูกค้าที่ราบรื่นและไดนามิก 

Generative AI มีบทบาทสำคัญในการเล่น 

ในปีหน้า ฉันคาดหวังว่าจะได้เห็นผู้ช่วย AI เจนเนอเรชั่นที่ใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่ (LLM) ให้แพร่หลายมากขึ้นในวงการธนาคาร AI เจนเนอเรชั่นช่วยให้อินเทอร์เฟซที่ใช้งานง่ายและสนทนาได้ ช่วยเพิ่มประสิทธิภาพให้กับนักวิเคราะห์
มีส่วนร่วมในการระบุความเสี่ยงในการสืบสวน สำหรับองค์กร ข้อได้เปรียบที่เป็นไปได้มีมากมาย เนื่องจากผู้ช่วย AI นี้ช่วยให้บุคลากรนักวิเคราะห์ทุกคนสามารถปฏิบัติงานในระดับเดียวกับผู้ตรวจสอบที่ช่ำชองที่สุด ผู้ช่วยหลายคนเหล่านี้จะ
ไม่เชื่อเรื่องพระเจ้าแบบ LLM ช่วยให้ธุรกิจต่างๆ มีความยืดหยุ่นในการใช้โมเดลที่ต้องการ ไม่ว่าจะเป็นโมเดลที่เป็นกรรมสิทธิ์ โอเพนซอร์ส หรือมีจำหน่ายในท้องตลาด เช่น ChatGPT จาก OpenAI เมื่อรวมเข้ากับด้านอื่นๆ ของคอมโพสิต AI Stack ก็จะรองรับ
ความละเอียดของเอนทิตี การวิเคราะห์กราฟ และความสามารถในการให้คะแนน ปลดล็อกศักยภาพที่ไม่เคยมีมาก่อนด้วยการเปิดใช้งานการสืบค้นและการแจ้งเตือนในภาษาธรรมชาติ  

สิ่งสำคัญที่สุดคือ ผลิตภัณฑ์ AI เจนเนอเรชั่นทั้งหมดไม่สามารถทำหน้าที่เป็นตัวเสริมหรือแยกออกจากระบบอัตโนมัติ AI ที่กว้างขึ้นได้ ผลลัพธ์ที่จะสร้างจะดีพอๆ กับข้อมูล บริบท และเทคโนโลยีการแก้ปัญหาเอนทิตีที่มันสร้างขึ้นเท่านั้น ธนาคารที่ต้องการดำเนินการ
AI เชิงสร้างสรรค์ควรคิดให้กว้างมากขึ้นว่าเทคโนโลยีต่างๆ เข้ากับกลุ่มเทคโนโลยีอัตโนมัติของ AI ได้อย่างไร  

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs