Kuidas saada AI ja masinõppe abil oma pangaraha maksimaalselt ära kasutada

AI on juba rakendatud kolmes neljandikus pangandussektorist. Ja kuigi Gartner ennustas, et GenAI saab üheks olulisemaks pangandustrendiks alles mitme aasta pärast, on viimasel ajal ilmnenud selge soov rakendada GenAI kohe praegu. Kaasaegne tehnoloogia ei tähenda kõige ideaalsema vahendi leidmist. See tähendab vahendi valimist ja selle paigutamist õigesse kohta, sobiva ärikontseptsiooni otsimist ning seejärel tehnoloogia kasutamist ja hülgamist. Tehnoloogia areneb nii kiires tempos, et see on juba muutunud ühekordseks aspektiks, ja teie järgmine lahendus ei kesta tõenäoliselt kauem kui kaks aastat.

Eelkõige äriaspektide seisukohast. Näiteks on AI peamine eesmärk panganduses ülesannete automatiseerimine ja prognooside koostamine masinõppe (ML) mudelite abil (sh keeruline sügavõpe). See nõuab suuri arvutusvõimsusi ja andmeid ning märkimisväärseid investeeringuid. Finantsasutused kuuluvad samuti juba AI suurte tarbijate hulka. Nad tuginevad pilvepõhistele ML-teenustele (nt AWS, Microsoft Azure, Google ML) ja (peamiselt) era- või mainframe'i hübriidpilve keskkondadele. Võib tunduda, et peaaegu iga päev toimub uus tehnoloogiline läbimurre ja loomulikult tahavad kõik seda kohe ära kasutada. Siiski on palju võita, kui hinnata, mida tegelikult tuleb teha ja millised lahendused võivad selle saavutamisel aidata. Veenduge, et kasutate võimalikult täielikult ära seda, mis teil juba olemas on, saades sellest maksimaalse kasu, teiste sõnadega, kasutades oma raha võimalikult efektiivselt, enne kui hakkate kulutama.

Juba praegu kasutab kolm neljandikku finantsasutustest tehisintellekti ja viimased edusammud annavad põhjust optimistlikuks, et huvi GenAI võimalikult varase kasutuselevõtu vastu tehnoloogilises kombinatsioonis kasvab. GenAI poolt arendatud madala koodiga/koodita tarkvara võib säästa palju kulusid, näiteks vähendada vana infrastruktuuri ebausaldusväärsuse ja töömahukate protsessidega seotud tegevuskulusid ja riske.

Gartneri andmetel peamised AI suundumused pangandussektoris:

• Arvutinägemine: parandage operatiivset tulemuslikkust KYC, AML, ID-kontrolli, pettuste avastamise ja kindlustuse valdkonnas
• Otsuste tegemise intelligentsus ja graafikutehnoloogiad: moderniseerige esindus- ja tagakontori rakendused
• Uuenduslikud AI-funktsioonid: suurendage riskijuhtimise ja turunduse täpsust ja ulatust alusmudelite abil. Generatiivsed vastandlikud võrgustikud (GAN) on hästi rakendatavad realistlike piltide, videote ja helisalvestiste loomisel, mis enamasti ei ole originaalinformatsioonist eristatavad
• Mudelikesksed tehisintellektid: tutvustage julgustavaid arenguid, nagu komposiittehisintellektid ja GenAI, et toetada uusi algatusi
• Andmekeskne tehisintellekt: keskenduge andmete analüüsile eetika, täpsuse ja selgitavuse seisukohast
• AI-põhised rakendused ja kasutusjuhtumid: arendage vestluslikke kasutajaliideseid, nutikaid ruume, roboteid jne.
• Vastutustundlik ja inimkeskne tehisintellekt: panustage veelgi rohkem eetilisele tehisintellekti arendamisele, riskijuhtimisele ja positiivsele sotsiaalsele mõjule

Otsuste tegemine, operatsioonide juhtimine ja toodete hüperpersonaliseerimine klientide tootluse suurendamiseks tooksid kaasa palju parandusi teie tegevustuludes ja kulude vähendamises. S&P hindab, et pangapersonali kulude 10-protsendiline vähenemine suurendaks omakapitali tootlust ligikaudu 100 baaspunkti võrra ja kulude ja tulude suhet ligikaudu 3 protsendi võrra (vastavalt S&P Global Ratingsi hinnangule, maailma 200 parima reitinguga pangad).

Tehisintellekti strateegiad võivad pakkuda konkurentsieeliseid pankadele, kellel on võime ja paindlikkus seda kõige paremini ära kasutada. See nõuab vaid veidi ettenägelikkust ja AI tarka rakendamist. Riskijuhtimise täiustamisega võib tehisintellekt mõjutada sellega seotud pangariski profiilide tajumist. Kui pangad suudavad krediidiriski adekvaatselt hinnata, kasutades teabes peituvaid mustreid klientide võla tagasimaksmise tõenäosuse arvutamiseks, parandavad pangad oma töömudeleid, vähendavad probleemsete laenude arvu ja maksimeerivad õigsuse. Riskide juhtimist saaks tehisintellekti kasutamisega mitmel viisil parandada. Siiski ei takista see halva rakendamise korral maine- ja operatsiooniriskide tekkimist ega panga negatiivset riskipositsiooni. Tee seda õigesti. Leia tehnoloogia pakkuja, kes mõistab panganduse põhitõdesid.

Euroopa uus AI-seadus on loonud AI-toodete ja -teenuste kõikehõlmava kontrolli riskide ja kasutusjuhtumite põhjal. Seadus hõlmab üldotstarbeliste AI-süsteemide alusmudeli vastutust. Teised riigid, nagu Kanada, Brasiilia, Tšiili ja Filipiinid, ei jää sellistes sammudest maha. Ameerika Ühendriikides on Riiklik Standardite ja Tehnoloogia Instituut (NIST) loonud AI ohutuse konsortsiumi. Selle eesmärk on teha koostööd tööstusega, et töötada välja uued standardid, näiteks tööstusharuspetsiifilised juhised, mis on suunatud riskijuhtimisele. Lisaks valitsuse regulatiivsele tegevusele tunnustatakse üha enam tööstuse kohustust kaitsta ühiskonda, algatades või tugevdades AI juhtimist.

Uus AI-regulatsiooni rakendus põhineb riskikasutajate poolt tõenäoliselt tekitataval riskil ja tegevustel, mida tuleks kontrollida. EL on arvesse võtnud nelja liiki riske:

Sõnad „minimaalne” ja „piiratud risk” tähendavad, et tehisintellekti kasutatakse lihtsates sisemistes funktsioonides, nagu rutiinide automatiseerimine. Need ei hõlma suhtlust reaalsete kasutajate ja klientidega (nt botid või teadmistebaasiga seotud botid). Minimaalne risk ei nõua palju reguleerimist ja enamik kasutatavatest eeskirjadest puudutab klientide teavitamist sellest, et nad suhtlevad botidega. Kõrge ja vastuvõetamatu riskiga peetakse AI-süsteeme, mis annavad teavet otsustajatele. See hõlmab päringute hindamist, kliendiandmetega seotud küsimusi ja klientidega suhtlemist tervikuna. Selliseid AI-süsteeme kontrollitakse rangelt ja nende kasutamisel tuleb arvesse võtta paljusid eeskirju. Keelatud on AI-süsteemide ja toimingute kasutamine, mis vabatahtlikult või tahtmatult sekkuvad kasutajate vabasse tahtesse või käitumisse. Sel viisil mõjutab see eakaid ja alaealisi, ühiskonna toimimist, näiteks sotsiaalset hindamist ja biomeetrilist kontrolli, ning andmete analüüsi, milles eeldatavasti osalevad kliendid, sealhulgas nende päritolu, tegevus jne. 2024. aastal rakendatavad ja 2026. aastaks rakendatavad plaanid kehtivad peamiselt kõrge riskiga süsteemide suhtes.

Finantsteenused

Juurdepääs põhineb finantsteenuste AI-regulatsioonil. Finantsteenused Finantsvaldkonnas analüüsivad AI-süsteemid klientide andmeid, et hinnata nende krediidivõimelisust ja avastada pettusi.

Analüütiliselt oleme selles suurepärases tehnoloogiaajastul eksponentsiaalse arengu perioodis. Seega on kõik, mis ehitati vaid kaks aastat tagasi, juba vananenud. Küsimus on selles, kuidas ettevõte saab vana tehnoloogiat kasutada hallataval ja mittetoksilisel viisil, arvestades väikseima vea tagajärgi? Võtame näiteks ChatGPT. Keegi ei tea, kust pärineb rakenduses olev teave (ega selle erapoolikust, autoriõigustest ega terviklikkusest). Siiski motiveeritakse üha enam töötajaid kasutama rakendust ettevõtte blogide, artiklite, valge raamatute ja isegi koodiridade loomiseks. Pole ime, et finantsasutused kaaluvad eraldatud AI-teenuste loomist (see on jätk ettevõttes käimasolevale arutelule: „Kas läheme pilve või jääme kohapeale?”). See muutub tõsiseks probleemiks, kuna tõhusa tehisintellekti ja arenenud analüüsi jaoks peate olema kindel, et teie andmete terviklikkus on nõuetekohane. Seda arvestades on loogiline töötada ettevõttesiseselt, offline-režiimis. Ettevõte saab teie suure keelemudeli (LLM) või grammatika kontrollimise tarkvara koolitada ainult sisemise dokumentatsiooni põhjal (see ei lahku kunagi peaarvutist). Tegelikult on kõige turvalisem vastus vastupidine praegusele IT-valdkonna mõtteviisile, mille kohaselt kõik viiakse üle pilve.

Töötlejana ja registreerimissüsteemina on Hogan panganduse tuumplatvormist saanud mõnede maailma mõjukaimate pankade liikumapanev jõud. Nüüd oleme täiendanud Hogani erakordset mainframe'i hübriidpilve lahendust, võttes kasutusele parimad IBM Z lahendused ja pakkudes vananenud tuumadega pankadele plaane „platvormile üleminekuks”. Hogan x aitab teil luua isegi täiesti uue digitaalse panga. Platvorm põhineb BIANi (pangandussektori arhitektuurivõrgustik) põhimõtetel, olles komponentideks jagatud ja kokku pandav. See kasutab Z Linuxit ja muid konteineriseeritud ja pilvepõhiseid lahendusi. Platvormi võib pakkuda ka tarbimisepõhiste teenusena (as-a-Service) mudelite alusel.

Leia endale sobivaim

Mainframe'i hübriidpilve arhitektuur võimaldab teil rakenduste rakendamiseks valida sobivaima strateegia. Allpool on toodud näide panganduse ökosüsteemist (IBM Z ja pilve vahel). Rakendused on jagatud kolme eraldi valdkonda:

• Digitaalkanalite klientide kaasamine
• Operatiivne töötlemine (nt tellimuste haldamine, turundus ja müük)
• Põhitransaktsioonid ja andmed (põhipangandus ja krediitkaardid)

Need rakendused peaksid olema üksteisega ühilduvad, et nad saaksid jagada reaalajas teavet ja maksimeerida oma äritegevuse tulemuslikkust. Integreerimine on hulgimüügi koostalitlusvõime saavutamiseks hädavajalik. IBM zSystemsiga hübriidpilvemudel aitab klientidel optimeerida kulusid, jõudlust ja paindlikkust vastavalt nende rakenduste tüübile ja sobivaimale infrastruktuurile. Võtame näiteks digitaalkanalid. Kõrgetasemeline omnichannel-suhtlus põhineb partnerite ja klientide andmete integreerimisel, et luua optimaalne kliendikogemus. See ning muutujate ja töökoormuste muutus pilvepõhistes lahendustes teeb hübriidlahendustest teie jaoks ideaalse valiku.

Keskkond, ühiskond ja juhtimine (ESG)

Mainframe'i hübriidpilve arhitektuuri sageli tähelepanuta jäetud eelis on keskkonnasäästlikkus. Paindlik pilvetöö ja energiatõhusad mainframe'id annavad pankadele võimaluse maksimeerida oma andmekeskuste jalajälge ja andmekeskuste energiatarbimist (andmekeskused tarbivad ligikaudu 1% maailma energiast), mis aitab muuta planeeti rohelisemaks.

Panganduses ei ole mainframe'i hübriidpilve arhitektuur aga pelgalt tehniline valik. See on strateegiline vajadus, kuna loob õige tasakaalu kaitse, usaldusväärsuse ja skaleeritavuse ning digitaalses töös vajaliku paindlikkuse ja uuenduslikkuse vahel. Mainframe'i vastupidavuse ja tehisintellekti, masinõppe ning pilvandmetöötluse paindlikkuse kombinatsiooni abil suudavad pangad jääda konkurentsivõimeliseks, nõuetele vastavaks ja kliendikeskseks. Edu sõltub selle maksimaalsest ärakasutamisest, nii et pangad mitte ainult ei lahenda praeguseid probleeme, vaid on ka valmis ja varustatud tulevikus võimalusi ära kasutama. Tehnoloogia arenedes hakkavad AI ja mainframe'i hübriidpilve strateegiad mängima olulist rolli panganduse digitaalses transformatsioonis, kaardistades teekonna, mis ühendab traditsiooni innovatsiooniga, stabiilsuse paindlikkusega ja tulemuslikkuse efektiivsusega. Pole aega otsustamatuks jääda.

Keegi minu kontoris käis just suurel konverentsil, kus üks esinejaid mainis seda teemat. Ta ütles: „Me ei tea tegelikult, kuhu tehnoloogia suundub, seega istume lihtsalt ja ootame, kuhu see jõuab. Probleem on selles, et nad ei näe kunagi punkti, kus see välja voolab, sest eksponentsiaalse kasvu korral ei peatu tehnoloogia kunagi ja sel hetkel ei ole seda võimalik ratsionaliseerida.” Asi on selles, et pangad peavad astuma ettevaatlikkuse ja avatuse rongile, et rakendada tehisintellekti võimalikult kiiresti, ohutult ja rahaliselt kasulikult.

Koostööpartnerit tuleb teavitada

Seetõttu on kogenud teenusepakkujate abi nii väärtuslik. See on eeskujulik optilise tähemärkide tuvastamise (OCR) rakendamisel. Ühe meie kliendi puhul pakkusime nelja erinevat dokumentide lugemise tööriista, öeldes, et tegelikult ei ole oluline, millise tööriista valite. Kahe aasta pärast on see juba aegunud. Hankedepartemang soovitas meil kaaluda ka mõningaid teisi vahendeid, mis muutis ideaalse vahendi leidmise täielikuks katsumuseks. Kuid kaasaegse tehnoloogia valik ei tähenda tööriista uurimist. See tähendab tööriista õige valimist ja kasutamist, õige ärimudeli leidmist ning tehnoloogia kaotamist ja omandamist. Tehnoloogia on arenenud nii kaugele, et see on muutunud ühekordseks, planeeritud vananemisega, ja järgmine parandus on vaid paar aastat enne, kui see vananeb. Sel viisil, selle asemel, et investeerida 5+ z16 lahendusse, uuendage oma AI tehnoloogiat iga 2 aasta järel. See tähendab, et peaksite hakkama planeerima selle asendamist juba hankelepingu allkirjastamisel.

Äriküsimus: AI-d ei kasutata alati Z-platvormis, kus andmed peavad liikuma võrkude kaudu. See on kulukas ja ebaturvaline ning vähendab teie tehingute hindamise võimet riskide osas. Mõju äritegevusele: IBM Z AI kiibisisene kiirendi võimaldab Hoganil ja sellega seotud zLinuxi töökoormustel käitada reaalajas AI-võimalusi peaarvutis, kus andmed praegu asuvad. See parandab AI jõudlust, turvalisust ja kulusid. Lisaks sellele saab selliseid protsesse nagu automatiseeritud krediidiotsuste tegemine ja laenude muutmine teostada otse Z-platvormil ning AI-teadmisi ja äriotsuseid on võimalik kiiremini ja lihtsamini omandada. Celent prognoosib, et kõigi tehingute 100-protsendilise kontrollimise korral säästaksid üksikud pangad umbes 100 miljonit dollarit.

Mõned võimalikud AI rakendused hõlmavad krediidiskoorimist, pettuste ja rahapesu tõkestamist. Enamik pangandus- ja maksetehinguid toimub siiski peamiste platvormide kaudu, kuid AI tuvastamine võib toimuda väljaspool platvormi (vähem kui 10% tehingutest toimub reaalajas AI järeldusmudeli kaudu, kuna esineb viivitusi, kulusid ja klientide rahulolematust). See on põhjus, miks nii paljud pettustega seotud tehingud jäävad avastamata ja tuvastamata. Umbrella.ai võib säästa teile miljoneid pettuste avastamisel peamainframe'i järeldustega. Selles on Umbrella peamine element. Umbrella rakenduse arhitektuur on tõestatud tehniline platvorm, mis integreeritakse z/OS-keskkonnaga, et olla kiire integreeritud arenduskeskkond (IDE) üle 35 aasta. Umbrella on üle 40 esimese taseme finantsasutuse erinevates maailma osades ja seda kasutatakse ligikaudu 100 rakenduse täitmiseks igas pangas. See tähendab tuhandeid rakendusi peamiste arvutite arenduses.

Umbrella.ai ennetab pettusi

Koostöös IBMiga vähendatakse tehingu hindamise või analüüsimise aega. See annab klientidele võimaluse kontrollida 100% oma tehingutest virtuaalselt ning vähendada aja ja raha raiskamist. Umbrella.ai eesmärgid on järgmised:

• 100-protsendiline katvus sissetulevate tehingute ja kehtivate SLA-de osas
• Kasutage olemasolevaid pettusemudeleid või rakendage uusi mudeleid.
• Vähendage hindamise viivitust, kasutades z/OS-i sisseehitatud pettuste ennetamise funktsiooni ja kaardi autoriseerimissüsteemi.
• Kasutage MLz COBOLi hindamisteenust, et lihtsustada oluliselt hindamise väljakutset ja vähendada hindamisteenuse kasutamisega seotud lisakulusid.

Pettuste avastamise oluline suurenemine on üks masinõppe tugevaid külgi. Vanad reeglipõhised süsteemid ei ole piisavalt paindlikud, et reageerida uutele pettuste suundumustele. Samal ajal suudavad masinõppe algoritmid end tehinguandmete abil pidevalt uuendada ja avastada pettusi kiiremini ja täpsemalt.

Umbrella.ai ja ML kiirendavad pettuste avastamist ja ennetamist

IBM Z-i AI/ML suurendab pettuste ennustamise täpsust, võimaldab saada tegevusele suunatud teavet suures mahus ja teeb võimalikuks pettuste avastamise reaalajas. Sügavõppe mudelite suurem täpsus võimaldab neil oluliselt vähendada valepositiivsete tulemuste kõrget taset. See tähendab, et pankadel on võimalus filtreerida tehinguid pettuste avastamise protsessis, säilitades samal ajal kliendikogemuse ja vältides rahalisi kaotusi.

Umbrella koostöö AI ja IBM z16-ga pakub muljetavaldavaid äriandmeid (andmeteaduse oskused pole vajalikud). Umbes 70 protsenti finantstehingutest teostatakse IBM zSystems-i abil, mis on ka ESG seisukohast hea uudis, kuna mainframe'i kasutamiseks kuluv energiakogus on 40 protsenti väiksem kui serverifarmi kasutamisel.

Peamised võimalused:

• Võimaldage igal IBM z/OS rakendusel kasutada Al-täiustatud SQL-i ja Umbrella.ai-d
• Avastage ja kommertsialiseerige oma andmetes peituv teave
• Määrake sarnasused, erinevused ja seosed
• Saage tõlgendatavus kasti abil
• Kasutage ühte mudelit küsimuste kogumile
• Vähendage Al kasutuselevõtu keerukust
• Süvaõppe mudeleid saab kasutada valede negatiivsete tulemuste parandamiseks

IBM z16 toetab kõige populaarsemaid ML-algoritme, pakkudes klientidele AI-varjupaika, mis aitab neil protsesse parandada ja olemasolevatest investeeringutest suuremat äriväärtust saada.

Kas on võimalik, et saate endale lubada tagasihoidlikkust ja vaadata, kuidas teie konkurendid saavutavad võrratu edu ja jätkusuutliku eelise? Uuri, kuidas AI ja ML-i saab täielikult ära kasutada, et saavutada kõrgeim ROI. Samuti saate teada, kuidas Hogan-põhine mainframe-hübriidpilve võimaldamine aitab teil paremini tuvastada pettusi ja valmistuda tulevasteks ohtudeks ja võimalusteks.