释放人工智能的力量：重塑金融服务

释放人工智能的力量：重塑金融服务

时间戳记：17年2023月10日上午30:XNUMX
释放人工智能的力量：重塑金融服务柏拉图区块链数据智能。垂直搜索。人工智能。

人工智能是一个 热点话题 许多文章指出，今天不采用人工智能的金融服务公司明天可能会被淘汰。 然而，正如许多炒作一样，该行业对人工智能的采用可能不会像通常预测的那样迅速进行。 举个例子，在过去的二十年里，专家们一直预测使用旧的遗留大型机系统的银行将会过时。 然而，即使在 20 年后，许多银行仍然依赖于基于传统大型机技术构建的关键核心银行应用程序，并且这些银行仍然像二十年前一样强大（如果不是更强的话）。

话虽如此，人工智能将继续存在，逐步采用是至关重要的。 正如我的博客“正确选择：采用 AI/ML 之前评估业务价值”中所讨论的（https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html），对于银行来说，明智地选择人工智能之战至关重要，而不是为了人工智能而实施人工智能。

因此，创建金融服务行业人工智能用例的综合列表势在必行。 在我看来，我们可以将金融服务行业中的所有人工智能用例分类为 两个主要群体:

第 1 组：更有效地处理非结构化数据

此类别侧重于收集、分析和处理 SQL 数据库中无法整齐结构化的数据。 它通常包括来自文档、语音或图像的数据，这些数据通常来自政府等第三方或来自需要转换为数字格式的非数字客户服务。 这些用例主要旨在降低成本，因为处理非结构化数据可能非常消耗资源。 人工智能的兴起使得这些流程的自动化变得越来越可行。

例如：

  • KYC 和 KYB 文件处理：处理身份证图像、政府出版物或公司章程，以更好地了解客户和公司结构。

  • 身份管理：与 KYC/KYB 类似，但专注于持续身份验证和交易签名，使用身份证图像、生物特征识别（如面部和指纹）和行为识别等非结构化数据。

  • 品牌与声誉管理：监控客户和媒体对公司的看法，以对营销活动做出反应并解决负面宣传。 这是通过监控传统媒体和社交媒体（如反馈评论、点赞、分享、意见……）和其他信息源（例如呼叫中心记录）来识别客户情绪和趋势来完成的。

  • 理赔管理：使用非结构化数据自动处理索赔，例如受损保险物体的图片和保险专家报告。

  • 聊天机器人和自动呼叫中心：利用人工智能对客户交互进行分类和标记，高效调度交互，提出标准响应模板，甚至跨各种通信渠道（邮件、电话和聊天框）完全自动化响应。

  • 情绪分析 电子邮件、聊天会话、语音和视频记录以及非结构化的沟通摘要，以了解客户反馈和员工与客户的互动。

  • 费用和发票管理：将财务文档转换为结构化数据以进行自动处理（例如，将其正确记入正确的会计类别）。

第 2 组：更好的预测和资源分配

在金融服务行业（就像任何其他行业一样），人员和资金等资源是稀缺的，应该尽可能有效地分配。 人工智能可以在预测哪里最需要这些资源以及哪里可以产生最高附加值方面发挥至关重要的作用。

备注：客户的注意力也可以被视为稀缺资源，这意味着任何沟通或报价都应该高度个性化，以确保客户有限的注意力得到最佳利用。

这些用例可以分为两个子类别：

与行业无关的用例

  • 客户细分 基于可用数据（例如客户概况分析、分析交易模式、过去和当前的客户行为……​），以确定最佳可能的方式（最佳渠道组合）和沟通方式（联系优化），并将资源分配给最具潜力的客户未来的收入。

  • 流失检测 识别并留住有离开风险的客户。 通过向这些客户分配额外的资源，例如员工联系客户或提供某些激励措施（例如折扣或更好的利率），以防止客户流失。

  • 确定最佳前景和销售机会：从潜在客户列表中确定最有可能成为客户的客户，同时确定哪些现有客户最适合进行交叉销售和追加销售活动。

  • 预测需求和供应的变化例如，确定 ATM 机或分支机构的最佳位置、预测预计有多少客户支持互动以确保客户支持团队的最佳人员配置或预测 IT 基础设施上的负载以优化云基础设施成本。

  • 下一个最佳操作、下一个最佳报价或推荐引擎 用于个性化的客户交互，即预测在任何给定时刻哪个动作、产品或服务最有可能引起用户的兴趣。 允许轻松访问此流程可以帮助客户或任何其他用户（如内部员工）更快地实现其目标，从而增加收入并降低成本。

  • 定价引擎 用于确定最佳产品或服务定价。

金融服务行业特定用例

  • 信用评分引擎 评估信用度并做出有效的贷款决策。 该引擎旨在预测违约概率和违约情况下的估计损失值，以确定是否应接受信用。 这也是一个预测问题，它确保银行的钱以尽可能最有效的方式花费。

  • 欺诈检测引擎 识别和防止欺诈性金融交易，包括在线欺诈（网络威胁）和支付欺诈。 引擎预测用户的实际行为是否与预期（预测）行为匹配。 如果不是，则很可能是欺诈案件。 这些引擎有助于减少收入损失，避免品牌受损，并提供顺畅的客户在线体验。

  • 机器人咨询 根据市场趋势、当前投资组合和客户限制（如风险状况、可持续性限制、投资期限……）创建最佳投资组合的服务。

    • AML检测引擎 检测（并阻止）金融交易中的洗钱和犯罪活动。

    • 流动性风险管理引擎 以优化现金流。 这是一项可以向客户提供的服务，但也是银行内部需要的。 银行需要确保其资产负债表上有足够的流动性来支付所有取款，同时还要预测供应 ATM 机和分支机构的实物现金需求。

除了这些面向业务的人工智能用例外，不要忽视人工智能的内部使用 提高员工生产力。 ChatGPT 等生成式 AI 工具可以帮助销售、营销和 IT 等各个部门提高生产力。

正如我的博客“正确选择：采用 AI/ML 之前评估业务价值”中所述（https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html），第一类（即“更有效地处理非结构化数据”）在我看来潜力最大，尽管它需要非常具体的人工智能技能和复杂的人工智能模型。 因此，许多金融服务公司可能会针对此类用例使用预先训练的模型。

第二类用例（即“更好的预测和更好的稀缺资源分配”）也很有前景，并且可以比第一类用例更快地产生结果。但是，与传统的基于规则的算法相比，它们的附加值是它们并不总是有保证，而且往往缺乏透明度并且难以微调。 因此，人工智能这些用例通常看起来比实际更有前景。

在许多情况下，银行不需要直接投资人工智能，因为已经存在许多软件解决方案，不仅提供人工智能模型，还包含围绕它们的工作流程和业务逻辑。
对于每个用例，金融服务公司实际上可以选择 三个选择:

  • 有经验优先: 建立模型 从头开始 使用 AWS SageMaker 或 GCP AI Platform 等平台。 这意味着公司需要找到一个好的数据训练集，建立一个模型并自行训练模型。 例如，KBC 已使用 GCP AI 技术完全在内部构建了其虚拟助手（称为 Kate）的很大一部分。

  • 有经验优先：使用 预训练 易于部署和适应的基于云的模型，例如 AWS Fraud Detector、AWS Personalize 或针对特定用例的 ChatGPT 自定义版本（参见 OpenAI 宣布引入 GPT 新概念）。

  • 有经验优先: 获取 完整的软件解决方案 其中包括内部人工智能模型、屏幕、工作流程和流程。 金融服务行业存在许多解决方案，例如 Discai（将 KBC 银行内部构建的人工智能模型商业化）、ComplyAdvantage、Zest AI、Scienaptic AI、DataRobot、Kensho Technologies、Tegus、Canoe、Abe.ai...​

选择哪个选项取决于金融服务公司的具体需求。 了解人工智能模型的功能和局限性、制定可靠的数据策略以及了解如何为外部模型和工具提供数据是寻求采用人工智能的金融服务公司的关键步骤。 这些步骤通常比拥有深入的内部人工智能知识更重要。

在金融服务行业采用人工智能显然是保持竞争力和满足客户需求的必要条件。 正确的方法（构建还是购买）与经过深思熟虑的用例相结合，可以为成功的人工智能之旅铺平道路。

查看我所有的博客 https://bankloch.blogspot.com/

时间戳记：

更多来自 芬泰达