Yapay Zekanın Gücünün Kilidini Açmak: Finansal Hizmetleri Yeniden Şekillendirmek

Yapay Zekanın Gücünün Kilidini Açmak: Finansal Hizmetleri Yeniden Şekillendirmek

Zaman Damgası: 17 Kasım 2023 10:30
Yapay Zekanın Gücünün Kilidini Açmak: Finansal Hizmetleri Yeniden Şekillendirmek PlatoBlockchain Veri Zekası. Dikey Arama. Ai.

AI bir Sıcak konu ve bugün yapay zekayı benimsemeyen finansal hizmet şirketlerinin yarın geçerliliğini yitirme riskiyle karşı karşıya olduğunu belirten çok sayıda makale yayınlanıyor. Ancak pek çok abartıda olduğu gibi sektörün yapay zekayı benimsemesi genel olarak tahmin edildiği kadar hızlı ilerlemeyebilir. Örnek olarak, son yirmi yıldır uzmanlar eski ana bilgisayar sistemlerini kullanan bankaların demode olacağını tahmin ediyor. Ancak üzerinden 20 yıl geçmesine rağmen birçok banka hâlâ eski ana bilgisayar teknolojileri üzerine kurulu kritik temel bankacılık uygulamalarına güveniyor ve bu bankalar yirmi yıl önceki kadar (daha güçlü olmasa da) hâlâ güçlü kalıyor.

Bununla birlikte, yapay zeka kalıcıdır ve kademeli olarak benimsenmesi şarttır. Blogumda tartışıldığı gibi, "Doğru Uyum: Yapay Zeka/Makine Öğrenimini Benimsemeden Önce İş Değerinin Değerlendirilmesi" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), bankaların yapay zekayı sırf yapay zeka için uygulamak yerine yapay zeka savaşlarını akıllıca seçmeleri çok önemli.

Bu nedenle finansal hizmetler sektöründe yapay zeka kullanım durumlarının kapsamlı bir listesini oluşturmak zorunludur. Bana göre finansal hizmetler sektöründeki tüm yapay zeka kullanım örneklerini şu şekilde kategorize edebiliriz: iki ana grup:

Grup 1: Yapılandırılmamış verilerin daha verimli işlenmesi

Bu kategori, bir SQL veritabanında düzgün bir şekilde yapılandırılamayan verilerin toplanmasına, analiz edilmesine ve işlenmesine odaklanır. Genellikle hükümet gibi üçüncü taraflardan veya dijital formata dönüştürülmesi gereken dijital olmayan müşteri hizmetlerinden kaynaklanan belgelerden, konuşmalardan veya görüntülerden elde edilen verileri içerir. Yapılandırılmamış verilerin işlenmesi çok kaynak yoğun olabileceğinden, bu kullanım senaryoları öncelikli olarak maliyeti düşürmeyi amaçlamaktadır. Yapay zekanın yükselişi, bu süreçlerin otomatikleştirilmesini giderek daha uygulanabilir hale getiriyor.

Örnekler şunları içerir:

  • KYC ve KYB belge yönetimi: Müşterileri ve şirket yapılarını daha iyi anlamak için kimlik kartı görüntülerinin, resmi yayınların veya şirket tüzüklerinin işlenmesi.

  • Kimlik yönetimi: KYC/KYB'ye benzer ancak kimlik kartı görüntüleri, biyometrik tanımlama (yüz ve parmak izi gibi) ve davranışsal tanımlama gibi yapılandırılmamış verileri kullanarak sürekli kimlik doğrulama ve işlem imzalamaya odaklanmıştır.

  • Marka ve İtibar yönetimi: Pazarlama kampanyalarına tepki vermek ve olumsuz tanıtımları gidermek için müşteri ve medyanın şirket hakkındaki duyarlılığını izlemek. Bu, müşteri duyarlılığını ve eğilimlerini belirlemek için geleneksel medyayı ve sosyal medyayı (geribildirim yorumları, beğeniler, paylaşımlar, görüşler gibi) ve diğer bilgi kaynaklarını (örneğin çağrı merkezi kayıtları) izleyerek yapılır.

  • Talep Yönetimi: Hasarlı sigortalı nesnelerin resimleri ve sigorta uzmanı raporları gibi yapılandırılmamış verilerle taleplerin işlenmesinin otomatikleştirilmesi.

  • Sohbet robotları ve otomatik çağrı merkezleri: Müşteri etkileşimlerini kategorilere ayırmak ve etiketlemek, etkileşimleri verimli bir şekilde göndermek, standart yanıt şablonları önermek ve hatta çeşitli iletişim kanalları (posta, telefon görüşmesi ve sohbet kutusu) genelinde yanıtları tamamen otomatikleştirmek için yapay zekadan faydalanma.

  • Duygu analizi Müşteri geri bildirimlerini ve çalışan-müşteri etkileşimlerini anlamak için e-postalar, sohbet oturumları, ses ve görüntü kayıtları ve yapılandırılmamış iletişim özetleri.

  • Gider ve Fatura Yönetimi: Otomatik işleme için mali belgelerin yapılandırılmış verilere dönüştürülmesi (örneğin, bunların doğru muhasebe kategorisine doğru şekilde kaydedilmesi).

Grup 2: Daha iyi tahmin ve kaynak tahsisi

Finansal hizmetler sektöründe (tıpkı diğer sektörlerde olduğu gibi), insan ve para gibi kaynaklar kıttır ve mümkün olduğu kadar verimli bir şekilde tahsis edilmelidir. Yapay zeka, bu kaynaklara en çok nerede ihtiyaç duyulduğunu ve nerede en yüksek katma değeri sağlayabileceklerini tahmin etmede çok önemli bir rol oynayabilir.

not: Bir müşterinin dikkati aynı zamanda kıt bir kaynak olarak da değerlendirilebilir; bu, müşterinin sınırlı dikkat süresinin en iyi şekilde kullanılmasını sağlamak için herhangi bir iletişim veya teklifin son derece kişiselleştirilmesi gerektiği anlamına gelir.

Bu kullanım durumları iki alt kategoriye ayrılabilir:

Sektörden bağımsız kullanım örnekleri

  • Müşterilerin segmentasyonu Mümkün olan en iyi araçları (en iyi kanal karışımı) ve iletişim tarzını (iletişim optimizasyonu) belirlemek ve kaynakları en yüksek potansiyele sahip müşterilere tahsis etmek için mevcut verilere (örneğin müşteri profili oluşturma, işlem modellerinin analizi, geçmiş ve anlık müşteri davranışları…​) dayalıdır. gelecekteki gelir.

  • Kayıp tespiti Ayrılma riski taşıyan müşterileri tespit etmek ve elde tutmak. Çalışanların müşteriyle temasa geçmesi veya müşterinin vazgeçmesini önlemek için belirli teşvikler (örneğin indirimler veya daha iyi faiz oranları) sunması gibi bu müşterilere ekstra kaynaklar tahsis ederek.

  • En iyi potansiyel müşterileri ve satış fırsatlarını belirleyin: potansiyel müşteri listesinden müşteri olma olasılığı en yüksek olanları belirleyin, aynı zamanda hangi mevcut müşterilerin çapraz satış ve üst satış eylemleri için en iyi şekilde hedeflenebileceğini de belirleyin.

  • Talep ve arzdaki gelişmeleri tahmin edinÖrneğin, ATM makinelerinin veya şubelerinin en iyi nereye yerleştirilmesi gerektiğini belirleyin, müşteri destek ekibinin en iyi kadroya sahip olmasını sağlamak için kaç müşteri destek etkileşiminin beklenebileceğini tahmin edin veya bulut altyapısı maliyetlerini optimize etmek için BT altyapısı üzerindeki yükü tahmin edin.

  • Sonraki en iyi eylem, Sonraki en iyi teklif veya Öneri motoru kişiselleştirilmiş müşteri etkileşimleri için; yani herhangi bir anda hangi eylemin, ürünün veya hizmetin bir kullanıcının ilgisini çekebileceğini tahmin etmek. Bu sürece kolay erişime izin vermek, müşterinin veya diğer herhangi bir kullanıcının (dahili çalışanlar gibi) hedeflerine daha hızlı ulaşmasına yardımcı olabilir, böylece gelirlerin artması ve maliyetlerin azalması sağlanır.

  • Fiyatlandırma motoru Optimum ürün veya hizmet fiyatlandırmasını belirlemek için.

Finansal hizmet sektörüne özel kullanım örnekleri

  • Kredi Puanlama Motoru kredi itibarını değerlendirmek ve verimli kredi verme kararları vermek. Bu motor, bir kredinin kabul edilip edilmeyeceğini belirlemek için temerrüt olasılığını ve temerrüt durumunda tahmini kayıp değerini tahmin etmeyi amaçlamaktadır. Bu aynı zamanda bankanın parasının en verimli şekilde harcanmasını sağlayan bir tahmin problemidir.

  • Dolandırıcılık Tespit Motoru Çevrimiçi dolandırıcılık (siber tehditler) ve ödeme dolandırıcılığı da dahil olmak üzere, dolandırıcılık amaçlı finansal işlemleri tespit etmek ve önlemek. Motor, bir kullanıcının gerçek davranışının beklenen (tahmin edilen) davranışla eşleşip eşleşmediğini tahmin eder. Aksi takdirde, muhtemelen bir dolandırıcılık vakasıdır. Bu motorlar gelir kayıplarını azaltmaya, markanın zarar görmesini önlemeye ve sorunsuz bir çevrimiçi müşteri deneyimi sağlamaya yardımcı olur.

  • Robo-Danışma Piyasa eğilimlerine, mevcut yatırım portföyüne ve müşteri kısıtlamalarına (risk profili, sürdürülebilirlik kısıtlamaları, yatırım ufku gibi) dayalı olarak en uygun yatırım portföylerini oluşturmaya yönelik hizmetler.

    • AML Tespit Motoru Finansal işlemlerde kara para aklama ve suç faaliyetlerini tespit etmek (ve durdurmak).

    • Likidite Riski Yönetimi Motoru Nakit akışlarını optimize etmek için. Bu, müşterilere sunulabilecek bir hizmettir ancak bankanın kendi içinde de gerekli olan bir hizmettir. Bankanın, tüm para çekme işlemlerini karşılamak için bilançosunda yeterli likiditeyi sağlaması ve aynı zamanda ATM makineleri ve şubelerine yönelik fiziksel nakit ihtiyacını da tahmin etmesi gerekiyor.

Bu iş odaklı yapay zeka kullanım örneklerine ek olarak, yapay zekanın dahili kullanımını da göz ardı etmeyin. çalışan üretkenliğini artırın. ChatGPT gibi üretken yapay zeka araçları, satış, pazarlama ve BT gibi çeşitli departmanların üretkenliğini artırmalarına yardımcı olabilir.

"Doğru Uyum: AI/ML'yi Benimsemeden Önce İş Değerinin Değerlendirilmesi" blogumda belirtildiği gibi (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), ilk kategori (yani "Yapılandırılmamış verilerin daha verimli işlenmesi"), çok spesifik yapay zeka becerileri ve karmaşık yapay zeka modelleri gerektirse de, bence en büyük potansiyeli taşıyor. Bu nedenle birçok finansal hizmet şirketinin bu kullanım senaryosu kategorisi için önceden eğitilmiş modelleri kullanması muhtemeldir.

İkinci kategorideki kullanım durumları (yani “Daha iyi tahmin ve kıt kaynakların daha iyi tahsisi”) de umut vericidir ve kategori 1'deki kullanım durumlarına göre daha hızlı sonuçlar verebilir. Ancak geleneksel kural tabanlı algoritmalarla karşılaştırıldığında katma değerleri daha düşüktür. her zaman garanti edilemez, çoğunlukla şeffaflıktan yoksundurlar ve ince ayar yapmak zordur. Sonuç olarak, yapay zekanın bu kullanım durumları genellikle gerçekte olduğundan daha ümit verici görünmektedir.

Çoğu durumda bankaların doğrudan yapay zekaya yatırım yapmasına gerek kalmayacak; çünkü yalnızca yapay zeka modelleri sunmakla kalmayıp aynı zamanda bunların etrafındaki iş akışını ve iş mantığını da kapsayan çok sayıda yazılım çözümü zaten mevcut.
Her kullanım durumu için finansal hizmet şirketleri aslında şunlar arasında seçim yapabilir: üç seçenek:

  • Seçenek 1: Bir model oluşturmak sıfırdan AWS SageMaker veya GCP AI Platform gibi platformları kullanarak. Bu, şirketin iyi bir veri eğitim seti belirlemesi, bir model kurması ve modelin kendisini eğitmesi gerektiği anlamına geliyor. Örneğin KBC, sanal asistanının (Kate adı verilen) büyük bir bölümünü GCP AI teknolojilerini kullanarak tamamen kendi bünyesinde oluşturdu.

  • Seçenek 2: Kullanma önceden eğitilmiş AWS Fraud Detector, AWS Personalize gibi kolayca dağıtılabilen ve uyarlanabilen bulut tabanlı modeller veya belirli kullanım durumları için ChatGPT'nin özel sürümleri (yeni GPT konseptini tanıtmak için OpenAI duyurusuna bakın).

  • Seçenek 3: Edinme tam yazılım çözümleri dahili yapay zeka modellerini, ekranları, iş akışlarını ve süreçlerini içerir. Finansal Hizmetler sektöründe Discai (KBC bankası tarafından dahili olarak oluşturulan yapay zeka modellerini ticarileştiren), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai gibi çok sayıda çözüm mevcuttur.

Hangi seçeneğin seçileceğine ilişkin karar, finansal hizmet şirketinin özel ihtiyaçlarına bağlıdır. Yapay zeka modellerinin yeteneklerini ve sınırlamalarını anlamak, sağlam bir veri stratejisine sahip olmak ve verilerin harici modeller ve araçlar için nasıl kullanılabilir hale getirileceğini bilmek, yapay zekayı benimsemek isteyen bir finansal hizmetler şirketi için çok önemli adımlardır. Bu adımlar genellikle derin iç yapay zeka bilgisine sahip olmaktan daha önemlidir.

Yapay zekanın finansal hizmetler sektöründe benimsenmesi, rekabetçi kalmak ve müşteri taleplerini karşılamak için açıkça bir zorunluluktur. İyi düşünülmüş kullanım senaryolarıyla birleştirilen doğru yaklaşım (yapım ve satın alma karşılaştırması) başarılı bir yapay zeka yolculuğunun önünü açabilir.

Üzerindeki tüm bloglarıma göz atın https://bankloch.blogspot.com/

Zaman Damgası:

Den fazla Fintextra