Изкуствен интелект в банковото дело и финансите. Stripe, Monzo и Grab | Изкуствен интелект в бизнеса #78

Изкуствен интелект в банковото дело – въведение

Изкуственият интелект вече се използва широко в много области на банковия и финансовия сектор. Това не са само чатботове за обслужване на клиенти или добре защитени приложения. Изкуственият интелект се използва в финансовата индустрия за още по-сериозни цели. Ето основните приложения на ИИ в банковото дело:

• Откриване и предотвратяване на измами – напреднали алгоритми анализират транзакции в реално време и откриват подозрителни модели на активност. Това ефективно защитава клиентите от измами,
• Оптимизация на прогнозите за финансовата ликвидност – базирани на ИИ предсказателни модели анализират огромни количества данни, за да предскажат точно бъдещите парични потоци и да управляват ликвидността по-точно.
• Оптимизиране на процесите, свързани с оценка на кредитоспособността – тук също на помощ идват алгоритми за машинно обучение, които, на базата на анализа на хиляди кредитни заявления, могат точно да оценят финансовата надеждност на клиента,
• Персонализация на оферти и препоръки за клиенти – банките използват напреднали модели за препоръки, за да адаптират финансовите продукти към индивидуалните нужди на клиентите,
• Автоматизация на процесите в бек офиса – рутинни задачи, като проверка на документи или уреждане на транзакции, могат да бъдат напълно автоматизирани с помощта на ИИ.

Но как се справиха компаниите, опериращи на глобалните пазари, с внедряването на тези иновации?

Stripe: надеждност на транзакциите чрез ИИ във финансите

Един от лидерите в прилагането на ИИ във финансите е Stripe. Тя е разработила система, наречена Stripe Radar, която анализира повече от 1,000 характеристики на транзакция за по-малко от 100 милисекунди, за да оцени нейната надеждност. Системата има 99.9% точност, като поддържа нисък процент на фалшиви аларми.

Как беше постигнато това? Първо, Stripe използва напреднали техники за машинно обучение, като дълбоки невронни мрежи. Системата постоянно се подобрява и развива с нови възможности, като трансферно обучение.

Второ, компанията постоянно търси нови сигнали в данните за транзакции, които могат да помогнат за идентифициране на аномалии, които показват потенциална измама. Инженерите на Stripe внимателно преглеждат всеки случай на измама, за да разберат моделите на работа на престъпниците и да обогатят системата с допълнителни правила.

Stripe Radar е отличен пример за това как ИИ в банковото дело може ефективно да защитава клиентите от финансови измами.

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

Monzo: ИИ във финансите

Monzo, необанка, базирана в Обединеното кралство, която оперира изключително в дигиталното пространство, е приложила възможностите на машинното обучение в напълно различна област: оптимизиране на маркетингови кампании.

Банката е изградили модели, които, на базата на исторически данни, могат да оценят готовността на даден клиент да се възползва от допълнителна оферта, като откриване на спестовна сметка, ако получи конкретно съобщение от банката.

След това, за да се максимизира ефективността на кампанията, системата указва кои клиенти трябва да получат кое промоционално съобщение. Това позволява точно насочване на съобщението и постигане на значително по-добри резултати в сравнение с масовата, неперсонализирана комуникация.

В някои случаи внедряването на такава оптимизация е позволило на Monzo да увеличи ефективността на кампаниите с до 200%! Това демонстрира как ИИ в банковото дело може да помогне за по-ефективно достигане до клиентите с персонализирани оферти, които резонират с тях.

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

Grab: ИИ в класификацията на чувствителни данни

Grab е технологичен гигант от Югоизточна Азия, предлагащ услуги като транспорт и доставка. Компанията е решила да използва възможностите на езиковите модели (LLM), за да автоматизира процеса на класификация на чувствителни данни, които съхранява. Това е от съществено значение, тъй като компанията притежава лични и финансови данни на своите клиенти.

С тази цел е подготвен набор от етикети, описващи различни категории данни, като:

• Лични данни,
• Контактна информация,
• Идентификационни номера.

След това са проектирани подходящи заявки за езиковия модел, за да присвоява автоматично тези етикети на базата на имена на таблици и колони в базите данни.

В резултат на това Grab може да класифицира съхраняваната информация по чувствителност много по-бързо и евтино. Това улеснява прилагането на политики за достъп до данни и защита на личните данни. Според оценките на компанията, решението е спестило цели 360 работни дни годишно, които преди това са били изразходвани за ръчна класификация на данни.

Източник: DALL·E 3, подканва: Марта М. Кания (https://www.linkedin.com/in/martamatyldakania/)

Резюме. Бъдещето на ИИ в банковото дело и финансите

Както показват примерите на Stripe, Monzo и Grab, изкуственият интелект вече предоставя реална бизнес стойност на банките и финансовите институции. Той може да помогне за предотвратяване на измами по-ефективно, да насочва клиентите по-точно или да автоматизира досадни задачи.

В следващите години ролята на ИИ в банковото дело ще продължи да нараства стабилно. Можем да очакваме пълна автоматизация на много бек офис процеси, хиперперсонализация на финансовите продукти и по-близка интеграция на моделите за машинно обучение с банковите системи.

Ако харесвате нашето съдържание, присъединете се към нашата активна общност на Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.