Dirbtinis intelektas bankininkystėje ir finansuose. Stripe, Monzo ir Grab | Dirbtinis intelektas versle #78

Dirbtinis intelektas bankininkystėje – įvadas

Dirbtinis intelektas jau plačiai naudojamas daugelyje bankininkystės ir finansų sektoriaus sričių. Tai ne tik pokalbių robotai klientų aptarnavimui ar gerai apsaugotos programos. Dirbtinis intelektas naudojamas finansų pramonėje net rimtesniems tikslams. Štai pagrindinės dirbtinio intelekto taikymo sritys bankininkystėje:

• Apgaulės nustatymas ir prevencija – pažangūs algoritmai analizuoja operacijas realiuoju laiku ir nustato įtartinus veiklos modelius. Tai efektyviai saugo klientus nuo sukčiavimo,
• Finansinės likvidumo prognozavimo optimizavimas – dirbtinio intelekto pagrindu sukurti prognozavimo modeliai analizuoja didelius duomenų kiekius, kad tiksliai prognozuotų būsimus pinigų srautus ir tiksliau valdytų likvidumą.
• Kredito vertinimo proceso supaprastinimas – čia taip pat į pagalbą ateina mašininio mokymosi algoritmai, kurie, remdamiesi tūkstančių kredito paraiškų analize, gali tiksliai įvertinti kliento finansinį patikimumą,
• Pasiūlymų ir rekomendacijų personalizavimas klientams – bankai naudoja pažangius rekomendacijų modelius, kad pritaikytų finansinius produktus individualiems klientų poreikiams,
• Atgalinių procesų automatizavimas – rutininiai darbai, tokie kaip dokumentų tikrinimas ar operacijų atsiskaitymas, gali būti visiškai automatizuoti naudojant dirbtinį intelektą.

Tačiau kaip įmonės, veikiančios pasaulinėse rinkose, susidorojo su šių inovacijų įgyvendinimu?

Stripe: operacijų patikimumas per dirbtinį intelektą finansuose

Viena iš lyderių taikant dirbtinį intelektą finansuose yra Stripe. Ji sukūrė sistemą, pavadintą Stripe Radar, kuri analizuoja daugiau nei 1 000 operacijos požymių per mažiau nei 100 milisekundžių, kad įvertintų jos patikimumą. Sistema turi 99,9% tikslumo rodiklį, išlaikydama žemą klaidingų signalų rodiklį.

Kaip tai buvo pasiekta? Pirma, Stripe naudoja pažangias mašininio mokymosi technikas, tokias kaip gilūs neuroniniai tinklai. Sistema nuolat tobulinama ir vystoma su naujomis galimybėmis, tokiomis kaip perdavimo mokymasis.

Antra, įmonė nuolat ieško naujų signalų operacijų duomenyse, kurie gali padėti nustatyti anomalijas, rodančias galimą sukčiavimą. Stripe inžinieriai kruopščiai peržiūri kiekvieną sukčiavimo atvejį, kad suprastų nusikaltėlių veiklos modelius ir praturtintų sistemą papildomomis taisyklėmis.

Stripe Radar yra puikus pavyzdys, kaip dirbtinis intelektas bankininkystėje gali efektyviai apsaugoti klientus nuo finansinių sukčiavimų.

Šaltinis: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: dirbtinis intelektas finansuose

Monzo, Jungtinėje Karalystėje įsikūrusi neobankas, kuris veikia tik skaitmeninėje erdvėje, taiko mašininio mokymosi galimybes visiškai kitoje srityje: marketingo kampanijų optimizavime.

Bankas sukūrė modelius, kurie, remdamiesi istorinių duomenų analize, gali įvertinti, kiek nurodytas klientas yra linkęs pasinaudoti papildomu pasiūlymu, pavyzdžiui, atidaryti taupomąją sąskaitą, jei jis gauna konkretų pranešimą iš banko.

Toliau, siekiant maksimaliai padidinti kampanijos efektyvumą, sistema nurodo, kuriems klientams turėtų būti siunčiami kokie reklaminiai pranešimai. Tai leidžia tiksliai nukreipti pranešimą ir pasiekti žymiai geresnių rezultatų nei masinės, nepersonalizuotos komunikacijos atveju.

Kai kuriais atvejais tokios optimizacijos įgyvendinimas leido Monzo padidinti kampanijų efektyvumą net iki 200%! Tai rodo, kaip dirbtinis intelektas bankininkystėje gali padėti efektyviau pasiekti klientus su pritaikytais pasiūlymais, kurie jiems rezonuoja.

Šaltinis: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: dirbtinis intelektas jautrių duomenų klasifikavime

Grab yra technologijų milžinas iš Pietryčių Azijos, siūlantis paslaugas, tokias kaip transportas ir pristatymas. Įmonė nusprendė pasinaudoti kalbos modelių (LLM) galimybėmis automatizuoti jautrių duomenų, kuriuos ji saugo, klasifikavimo procesą. Tai yra labai svarbu, nes įmonė turi savo klientų asmeninius ir finansinius duomenis.

Šiam tikslui buvo parengtas žymenų rinkinys, apibūdinantis įvairias duomenų kategorijas, tokias kaip:

• Asmeniniai duomenys,
• Kontaktinė informacija,
• Identifikavimo numeriai.

Toliau buvo sukurti tinkami užklausimai kalbos modeliui, kad automatiškai priskirtų šiuos žymenis, remdamasis lentelių ir stulpelių pavadinimais duomenų bazėse.

Kaip rezultatas, Grab gali klasifikuoti saugomą informaciją pagal jautrumą daug greičiau ir pigiau. Tai palengvina duomenų prieigos ir privatumo politikos vykdymą. Pasak įmonės vertinimų, sprendimas sutaupė net 360 darbo dienų per metus, kurios anksčiau buvo skirtos rankinei duomenų klasifikacijai.

Šaltinis: DALL·E 3, užklausa: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Santrauka. Dirbtinio intelekto ateitis bankininkystėje ir finansuose

Kaip rodo Stripe, Monzo ir Grab pavyzdžiai, dirbtinis intelektas jau teikia realią verslo vertę bankams ir finansų institucijoms. Jis gali padėti efektyviau užkirsti kelią sukčiavimui, tiksliau nukreipti klientus arba automatizuoti nuobodžius darbus.

Artimiausiais metais dirbtinio intelekto vaidmuo bankininkystėje ir toliau nuosekliai augs. Galime tikėtis visiško daugelio atgalinių procesų automatizavimo, hiperpersonalizacijos finansinių produktų ir glaudesnio mašininio mokymosi modelių integravimo su bankininkystės sistemomis.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.