Розкриття можливостей штучного інтелекту: перебудова фінансових послуг

Розкриття можливостей штучного інтелекту: перебудова фінансових послуг

Мітка часу: 17 листопада 2023 р., 10:30
Розкриття можливостей штучного інтелекту: перебудова фінансових послуг PlatoBlockchain Data Intelligence. Вертикальний пошук. Ai.

AI - це a гаряча тема і публікуються численні статті про те, що фінансові компанії, які не впроваджують штучний інтелект сьогодні, ризикують завтра застаріти. Однак, як і у випадку з багатьма ажіотажами, впровадження штучного інтелекту в галузі може відбуватися не так швидко, як зазвичай прогнозують. Наприклад, протягом останніх двох десятиліть експерти прогнозували застарівання банків, які використовують старі застарілі мейнфрейм-системи. Проте навіть через 20 років багато банків все ще покладаються на критично важливі банківські програми, побудовані на застарілих технологіях мейнфреймів, і ці банки залишаються такими ж сильними (якщо не сильнішими), якими вони були два десятиліття тому.

З огляду на це, штучний інтелект тут залишиться, і поступове впровадження є важливим. Як обговорювалося в моєму блозі «Правильне пристосування: оцінка цінності бізнесу перед впровадженням AI/ML» (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), для банків вкрай важливо розумно вибирати битви зі ШІ, а не впроваджувати ШІ заради нього.

Тому створення повного переліку варіантів використання ШІ в галузі фінансових послуг є обов’язковим. На мою думку, ми можемо класифікувати всі випадки використання штучного інтелекту в галузі фінансових послуг дві основні групи:

Група 1: Ефективніше поводження з неструктурованими даними

Ця категорія зосереджена на зборі, аналізі й обробці даних, які неможливо чітко структурувати в базі даних SQL. Зазвичай він містить дані з документів, мовлення чи зображень, які часто надходять від третіх сторін, як-от уряд, або від нецифрових служб клієнтів, які потребують перетворення в цифровий формат. Ці варіанти використання в першу чергу спрямовані на зниження витрат, оскільки обробка неструктурованих даних може бути дуже ресурсомісткою. Розвиток штучного інтелекту робить все більш можливим автоматизувати ці процеси.

Приклади включають в себе:

  • Обробка документів KYC та KYB: обробка зображень посвідчень особи, державних публікацій або статутів компанії для кращого розуміння клієнтів і структур компанії.

  • Управління ідентифікацією: Подібно до KYC/KYB, але зосереджено на безперервній автентифікації та підписанні транзакцій, використовуючи неструктуровані дані, як-от зображення ідентифікаційних карток, біометричну ідентифікацію (наприклад, обличчя та відбитки пальців) і поведінкову ідентифікацію.

  • Управління брендом і репутацією: моніторинг настроїв клієнтів і засобів масової інформації щодо компанії, щоб реагувати на маркетингові кампанії та боротися з негативною рекламою. Це робиться шляхом моніторингу традиційних медіа та соціальних медіа (наприклад, коментарів у зворотному зв’язку, лайків, поширень, думок...) та інших джерел інформації (наприклад, записів кол-центру), щоб визначити настрої та тенденції клієнтів.

  • Управління претензіями: Автоматизація обробки претензій із неструктурованими даними, такими як зображення пошкоджених застрахованих об’єктів і звіти страхових експертів.

  • Чат-боти та автоматизовані кол-центри: використання штучного інтелекту для класифікації та позначення тегами взаємодії з клієнтами, ефективної диспетчеризації взаємодій, пропозиції стандартних шаблонів відповідей і навіть повної автоматизації відповідей у ​​різних каналах зв’язку (пошта, телефонний дзвінок і вікно чату).

  • Аналіз почуттів на електронні листи, сеанси чату, голосові та відеозаписи та неструктуровані підсумки спілкування, щоб зрозуміти відгуки клієнтів і взаємодію між працівниками та клієнтами.

  • Управління витратами та рахунками: Перетворення фінансових документів у структуровані дані для автоматичної обробки (наприклад, правильна реєстрація в потрібній обліковій категорії).

Група 2: Краще передбачення та розподіл ресурсів

У галузі фінансових послуг (як і в будь-якій іншій галузі) таких ресурсів, як люди та гроші, мало, і їх слід розподіляти якомога ефективніше. ШІ може відігравати вирішальну роль у прогнозуванні, де ці ресурси найбільше потрібні та де вони можуть принести найвищу додану вартість.

примітки: увагу клієнта також можна розглядати як дефіцитний ресурс, тобто будь-яке повідомлення чи пропозиція мають бути дуже персоналізованими, щоб забезпечити оптимальне використання обмеженого обсягу уваги клієнта.

Ці варіанти використання можна розділити на дві підкатегорії:

Секторально-агностичні випадки використання

  • Сегментація клієнтів на основі наявних даних (наприклад, профілювання клієнтів, аналіз моделей транзакцій, минулої та поточної поведінки клієнтів…​) для визначення найкращих можливих засобів (найкраще поєднання каналів) і стилю спілкування (оптимізація контактів) і розподілу ресурсів для клієнтів із найвищим потенціалом майбутні доходи.

  • Виявлення відтоку виявлення та утримання клієнтів, яким загрожує відхід. Виділяючи додаткові ресурси для цих клієнтів, наприклад, співробітників, які зв’язуються з клієнтом або пропонують певні стимули (наприклад, знижки або кращі процентні ставки), щоб запобігти відтоку клієнта.

  • Визначте найкращі перспективи та можливості продажу: зі списку потенційних клієнтів визначте тих, хто, найімовірніше, стане клієнтом, а також визначте, на яких існуючих клієнтів найкраще орієнтуватися для перехресних продажів і дій з підвищення продажів.

  • Прогнозуйте зміни попиту та пропозиції, наприклад, визначити, де найкраще розташувати банкомати чи відділення, передбачити, скільки взаємодій із підтримкою клієнтів можна очікувати, щоб забезпечити оптимальне укомплектування команди підтримки клієнтів, або передбачити навантаження на ІТ-інфраструктуру для оптимізації витрат на хмарну інфраструктуру.

  • Наступна найкраща дія, наступна найкраща пропозиція або система рекомендацій для персоналізованої взаємодії з клієнтами, тобто передбачити, яка дія, продукт або послуга, швидше за все, зацікавить користувача в будь-який момент часу. Надання легкого доступу до цього процесу може допомогти клієнту або будь-якому іншому користувачеві (наприклад, внутрішнім співробітникам) швидше досягти своєї мети, що призведе до збільшення доходів і зменшення витрат.

  • Механізм ціноутворення для визначення оптимальної ціни на продукцію чи послугу.

Специфічні випадки використання галузі фінансових послуг

  • Механізм кредитного рейтингу оцінювати кредитоспроможність і приймати ефективні рішення щодо кредитування. Цей механізм має на меті передбачити ймовірність дефолту та передбачувану вартість збитків у разі дефолту, щоб визначити, чи слід приймати кредит чи ні. Це також проблема прогнозування, яка гарантує, що гроші банку витрачаються найбільш ефективним способом.

  • Система виявлення шахрайства для виявлення та запобігання шахрайським фінансовим транзакціям, включаючи шахрайство в Інтернеті (кіберзагрози) і шахрайство з платежами. Механізм передбачає, чи збігається фактична поведінка користувача з очікуваною (прогнозованою) поведінкою. Якщо ні, швидше за все, йдеться про шахрайство. Ці механізми допомагають зменшити втрати доходу, уникнути шкоди бренду та забезпечити безперебійну роботу клієнтів онлайн.

  • Робо-консультація послуги для створення оптимальних інвестиційних портфелів на основі ринкових тенденцій, поточного інвестиційного портфеля та обмежень клієнтів (наприклад, профіль ризику, обмеження стійкості, інвестиційний горизонт…​).

    • Система виявлення AML для виявлення (і припинення) відмивання грошей і злочинної діяльності у фінансових операціях.

    • Система управління ризиком ліквідності для оптимізації грошових потоків. Це послуга, яку можна запропонувати клієнтам, але яка також є внутрішньою потребою банку. Банк повинен забезпечити достатню ліквідність на своєму балансі, щоб покрити всі зняття коштів, а також передбачити фізичну потребу в готівці для забезпечення банкоматів і відділень.

На додаток до цих прикладів використання ШІ для бізнесу, не забувайте про внутрішнє використання ШІ підвищення продуктивності праці співробітників. Генеративні інструменти штучного інтелекту, такі як ChatGPT, можуть допомогти різним відділам, таким як продажі, маркетинг та ІТ, підвищити продуктивність.

Як зазначено в моєму блозі «Правильна підгонка: оцінка цінності бізнесу перед впровадженням AI/ML» (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), на мій погляд, перша категорія (тобто «Ефективніше поводження з неструктурованими даними») містить найбільший потенціал, хоча вона вимагає дуже специфічних навичок ШІ та складних моделей ШІ. Тому багато компаній, що надають фінансові послуги, імовірно, використовуватимуть попередньо навчені моделі для цієї категорії випадків використання.

Варіанти використання у другій категорії (тобто «Краще передбачення та кращий розподіл обмежених ресурсів») також є багатообіцяючими та можуть давати результати швидше, ніж варіанти використання категорії 1. Однак їх додаткова цінність порівняно з традиційними алгоритмами на основі правил є не завжди гарантовані, їм часто бракує прозорості та їх важко налаштувати. Як результат, випадки використання ШІ часто виглядають більш перспективними, ніж є насправді.

У багатьох випадках банкам не потрібно буде інвестувати безпосередньо в штучний інтелект, оскільки вже існують численні програмні рішення, які пропонують не лише моделі штучного інтелекту, але й охоплюють робочий процес і бізнес-логіку навколо них.
Компанії, що надають фінансові послуги, можуть вибирати між кожним випадком використання три варіанти:

  • Варіант 1: Побудова моделі з нуля використання таких платформ, як AWS SageMaker або GCP AI Platform. Це означає, що компанії потрібно визначити хороший навчальний набір даних, налаштувати модель і навчити саму модель. Наприклад, KBC створила значну частину свого віртуального помічника (під назвою Kate) повністю власними силами, використовуючи технології GCP AI.

  • Варіант 2: Використання попередньо підготовлені хмарні моделі, які легко розгортати та адаптувати, такі як AWS Fraud Detector, AWS Personalize або спеціальні версії ChatGPT (див. оголошення OpenAI про введення нової концепції GPT) для конкретних випадків використання.

  • Варіант 3: Еквайринг повні програмні рішення які включають внутрішні моделі ШІ, екрани, робочі процеси та процеси. У галузі фінансових послуг існують численні рішення, такі як Discai (який комерціалізує моделі штучного інтелекту, створені всередині банку KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Рішення про те, який варіант вибрати, залежить від конкретних потреб фінансової компанії. Розуміння можливостей і обмежень моделей штучного інтелекту, наявність надійної стратегії обробки даних і знання того, як зробити дані доступними для зовнішніх моделей і інструментів, є вирішальними кроками для компанії, що надає фінансові послуги, яка хоче застосувати штучний інтелект. Ці кроки зазвичай важливіші, ніж глибокі внутрішні знання ШІ.

Запровадження штучного інтелекту в індустрії фінансових послуг є, очевидно, необхідністю для збереження конкурентоспроможності та задоволення вимог клієнтів. Правильний підхід (створення чи покупка) у поєднанні з добре продуманими варіантами використання може прокласти шлях до успішної подорожі ШІ.

Перегляньте всі мої блоги на https://bankloch.blogspot.com/

Часова мітка:

Більше від Фінтекстра