Sztuczna inteligencja w usługach finansowych: kształtowanie przyszłości finansów

Usługi finansowe wykorzystują sztuczną inteligencję do wykrywania i powstrzymywania przestępstw finansowych, poprawy jakości obsługi klienta poprzez wirtualnych asystentów i personalizację, usprawnienia zarządzania ryzykiem, wspierania handlu algorytmicznego i optymalizacji transakcji, wzmocnienia cyberbezpieczeństwa oraz zwiększenia wydajności pracowników. Kluczowe korzyści płynące z zastosowania sztucznej inteligencji w finansach obejmują nową wydajność operacyjną, lepsze doświadczenia klientów, lepsze ograniczanie ryzyka, dodatkowe źródła przychodów i możliwości biznesowe, szybsze podejmowanie decyzji oraz nowe przewagi konkurencyjne. Wdrożenie sztucznej inteligencji w finansach wymaga uwzględnienia ryzyka związanego z przestrzeganiem przepisów, potencjalnych błędów i stronniczości, wyzwań związanych z danymi, braku talentów w dziedzinie sztucznej inteligencji oraz obciążeń związanych z dziedzictwem.

Jednak utrzymanie pozycji lidera w rewolucji AI w bankowości i usługach finansowych jest trudnym wyzwaniem. Wdrożenie AI w finansach wymaga starannej oceny ryzyka i wyboru odpowiedniego przypadku użycia biznesowego na początek.

Uczenie maszynowe (ML) i analityczna sztuczna inteligencja (AI) nie są nowymi zjawiskami w finansach. Są one już wykorzystywane do klasyfikacji danych, automatyzacji procesów, wykrywania wzorców i przewidywania zdarzeń. Bankowość, usługi finansowe i ubezpieczenia stanowią 18% globalnego rynku ML, plasując się wśród największych użytkowników technologii, ustępując jedynie branży IT i telekomunikacyjnej (19%).

Formularze AI używane przez instytucje finansowe

• Analiza danych (69%)
• Przetwarzanie danych (57%)
• Przetwarzanie języka naturalnego (47%)
• Duże modele językowe (46%)
• Generatywna sztuczna inteligencja (43%)

Najpopularniejszą strategią wdrażania sztucznej inteligencji i uczenia maszynowego wśród organizacji świadczących usługi finansowe jest tworzenie aplikacji z wykorzystaniem usług sztucznej inteligencji i uczenia maszynowego w chmurze. Według S&P Global 44% ankietowanych firm uznało to podejście za podstawową strategię. Obecne wykorzystanie rozwiązań AI w branży finansowej:

• Operacje (48%)
• Ryzyko i zgodność z przepisami (45%)
• Marketing (34%)
• Sprzedaż (27%)

Gen AI pozostaje na pierwszej linii frontu

Generatywna sztuczna inteligencja jest kluczową technologią kształtującą przyszłość sztucznej inteligencji w finansach. Obecna penetracja generatywnej sztucznej inteligencji i dużych modeli językowych w organizacjach świadczących usługi finansowe sięga odpowiednio prawie 43% i 46%. Generatywna sztuczna inteligencja w bankowości:

• Współpracownicy ds. kodowania w celu przyspieszenia cyfryzacji
• Rozwiązania typu „Chat-your-data” dla demokratyzacji danych przedsiębiorstwa
• Generowanie danych syntetycznych do szkolenia modeli AI/ML
• Generowanie raportów dotyczących ryzyka i zgodności
• Osobiste wirtualne asystenty klientów
• Wysoce spersonalizowane kampanie sprzedażowe i marketingowe
• Automatyczne tworzenie raportów dotyczących roszczeń ubezpieczeniowych
• Wirtualne zgłaszanie szkód w roszczeniach ubezpieczeniowych

Analitycy McKinsey szacują, że generatywna sztuczna inteligencja spowoduje wzrost o 2,8–4,7% w globalnej bankowości i 1,8–2,8% w ubezpieczeniach. Największy wpływ odczują prawdopodobnie marketing, sprzedaż, obsługa klienta i inżynieria oprogramowania.

Zapobieganie przestępstwom finansowym

W samym tylko 2023 r. oszustwa spowodowały straty w wysokości 485,6 mld dolarów. W 2011 r. w globalnym systemie finansowym krążyło ponad 3,1 bln dolarów nielegalnych pieniędzy. Ponieważ 90% organizacji finansowych uznaje zapobieganie przestępstwom finansowym za priorytet, kluczowe znaczenie ma wykorzystanie analizy danych do wykrywania i zapobiegania takim przestępstwom. Dwie trzecie organizacji planuje stosować to podejście, a połowa z nich inwestuje w sztuczną inteligencję, aby zwiększyć możliwości wykrywania oszustw. Zapobieganie oszustwom AI obejmuje:

• Analiza dużych zbiorów danych w celu śledzenia wydatków i wyników finansowych
• Analityka predykcyjna do oceny ryzyka przestępstw finansowych
• Oznaczanie transakcji/kont do dalszej weryfikacji
• Automatyczne przeciwdziałanie praniu pieniędzy (AML) i poznaj swojego klienta (KYC)

Przykład: Barclays wprowadził aplikację AI śledzącą transakcje internetowe sprzedawców detalicznych, wykorzystującą analizę predykcyjną do określenia prawdopodobieństwa oszustwa. PayPal zastosował AI, aby zmniejszyć liczbę niewykrytych oszustw 30-krotnie, jednocześnie trzykrotnie obniżając koszty sprzętu.

Wirtualni asystenci

Chatboty oparte na sztucznej inteligencji, wzbogacone o Gen AI, oferują całodobowe usługi doradztwa finansowego. W przeciwieństwie do poprzednich wersji opartych na regułach, Gen AI umożliwia tworzenie bardziej zaawansowanych chatbotów, które dostosowują odpowiedzi do bezpośrednich i pośrednich żądań klientów, nawiązując interakcje podobne do ludzkich. Możliwości chatbota AI:

• Zalecenia dotyczące wyborów inwestycyjnych
• Zarządzanie kontem bankowym
• Konsultacje w zakresie zarządzania finansami osobistymi
• Samodzielna obsługa klienta
• Automatyczne windykowanie należności

Hiperpersonalizacja na dużą skalę

Prawie 73% klientów usług finansowych chce, aby dostawcy rozumieli ich osobiste potrzeby i oczekiwania. Ponadto 62% zmieni dostawcę, jeśli poczuje się traktowanych bezosobowo. Personalizacja oparta na sztucznej inteligencji umożliwia:

• Mikrosegmentacja klientów według potrzeb i preferencji
• Spersonalizowane rekomendacje marketingowe i produktowe
• Zapobieganie utracie klientów dzięki analizie predykcyjnej
• Porady dotyczące inwestycji osobistych i zarządzania finansami

Zarządzanie ryzykiem

Tradycyjne decyzje dotyczące kredytów i ubezpieczeń opierają się na ograniczonych zestawach danych, takich jak zawód i historia kredytowa. Urządzenia AI mogą gromadzić i oceniać ogromne ilości danych w celu uzyskania dokładniejszych ocen kredytowych i oceny ryzyka, w tym z nietradycyjnych źródeł, takich jak aktywność w mediach społecznościowych. Aplikacje do zarządzania ryzykiem związanym ze sztuczną inteligencją:

• Zarządzanie ryzykiem korporacyjnym z wykorzystaniem nowatorskiej identyfikacji ryzyka
• Sugestie dotyczące strategii łagodzenia skutków
• Narzędzia do oceny ryzyka klienta przy podejmowaniu decyzji inwestycyjnych i kredytowych

Przykład: Banco Santander udostępnia klientom korporacyjnym narzędzie Kairos, które usprawnia proces podejmowania decyzji.

Optymalizacja handlu i handel algorytmiczny

Algorytmy od lat dominują w handlu. W 2019 r. J.P. Morgan wykorzystał głębokie sieci neuronowe, aby umożliwić programom do handlu maszynowego wykrywanie najbardziej dochodowych ścieżek realizacji transakcji. Możliwości handlowe AI:

• Przetwarzanie setek punktów danych rynkowych
• Identyfikacja trendów historycznych i aktualnych
• Analiza danych nieustrukturyzowanych (doniesienia prasowe) za pomocą przetwarzania języka naturalnego
• Wycena aktywów na podstawie informacji historycznych i danych w czasie rzeczywistym
• Optymalna alokacja aktywów w celu maksymalizacji zwrotu z inwestycji
• Ocena ryzyka płynności
• Wykrywanie manipulacji rynkowych
• Automatyzacja transakcji wysokiej częstotliwości

Cyberbezpieczeństwo

Koszty naruszeń bezpieczeństwa danych wynoszą średnio 4,88 mln dolarów, co stanowi wzrost o 10% w porównaniu z rokiem 2023. Organizacje świadczące usługi finansowe priorytetowo traktują wyprzedzanie atakujących, jednocześnie poprawiając bezpieczeństwo stron trzecich, wskaźniki i raportowanie oraz zarządzanie dostępem. Zastosowania sztucznej inteligencji w cyberbezpieczeństwie:

• Zarządzanie tożsamością i dostępem z wykrywaniem podejrzanych zachowań
• Bezpieczeństwo punktów końcowych i identyfikacja złośliwego oprogramowania
• Informacje dotyczące luk w zabezpieczeniach chmury
• Wykrywanie zagrożeń i automatyczna reakcja
• Bezpieczeństwo informacji i zapobieganie kradzieży danych
• Optymalizacja dochodzeń dotyczących incydentów i reagowania na nie

Nowoczesne narzędzia cyberbezpieczeństwa Gen AI również:

• Przetwarzaj informacje na sugestie dotyczące dochodzenia
• Sporządź dokumentację zdarzenia
• Analizuj luki w zabezpieczeniach kodu źródłowego
• Zapewnijcie wskazówki dotyczące cyberbezpieczeństwa w języku naturalnym.

Narzędzia zwiększające produktywność pracowników

Sztuczna inteligencja pomaga wam zwiększyć produktywność we wszystkich obszarach działalności, od ryzyka i zgodności z przepisami po obsługę klienta, marketing i sprzedaż. Aplikacje zwiększające produktywność oparte na sztucznej inteligencji:

• Podsumowanie dokumentów (przepisy, raporty, badania)
• Sugestie dotyczące odpowiedzi w ramach obsługi klienta w czasie rzeczywistym
• Generowanie fragmentów kodu i pomoc w przeglądaniu
• Przetwarzanie i klasyfikacja danych nieustrukturyzowanych

Dodatkowe korzyści związane z wydajnością sztucznej inteligencji:

• Wizualne przetwarzanie danych w celu oceny szkód i weryfikacji tożsamości
• Inteligentne przetwarzanie dokumentów zawierających dane ustrukturyzowane/nieustrukturyzowane
• Rozpoznawanie mowy do celów segregacji zgłoszeń klientów
• Analiza predykcyjna w celu rekomendacji najlepszych działań

Poprawa efektywności operacyjnej

Modele AI automatyzują procesy, które wcześniej były wykonywane ręcznie, w tym weryfikację danych przy otwieraniu rachunków i generowanie raportów dotyczących ryzyka/zgodności, zapewniając nową wydajność operacyjną.

Lepsze doświadczenia klientów

Personalizacja oparta na sztucznej inteligencji, wirtualni asystenci i inteligentna automatyzacja zapewniają płynne doświadczenia, jednocześnie przyspieszając operacje back-office. Zwiększa to wartość klienta w całym okresie współpracy, jednocześnie zmniejszając koszty związane z odejściami i pozyskiwaniem nowych klientów.

Ograniczone ryzyko

Sztuczna inteligencja chroni organizacje przed utratą reputacji i stratami finansowymi dzięki dokładnemu wykrywaniu oszustw i solidnym ramom AML/KYC. Jednak samo wdrożenie sztucznej inteligencji wymaga ograniczenia ryzyka.

Nowe źródła przychodów

Sztuczna inteligencja napędza jakościowo nowe modele operacyjne, produkty i usługi. Przykładem tej innowacji jest ubezpieczenie samochodu oparte na wykorzystaniu, w którym składki są ustalane przez sztuczną inteligencję na podstawie zachowania kierowcy.

Szybsze podejmowanie decyzji

Rozwiązania typu „chat-your-data” i zaawansowane narzędzia analityczne umożliwiają szybsze podejmowanie decyzji we wszystkich obszarach działalności firmy. Modelowanie predykcyjne wspiera w szczególności strategię ograniczania ryzyka i decyzje dotyczące ubezpieczeń.

Przewaga konkurencyjna

Sztuczna inteligencja zapewnia lepszą obsługę klienta, niższe koszty operacyjne dzięki oszczędnościom wynikającym z wydajności oraz innowacyjne produkty i usługi oparte na sztucznej inteligencji, tworząc przewagę konkurencyjną dla pierwszych użytkowników.

Generowanie rozszerzone dokumentów ubezpieczeniowych (RAG)

Firma ubezpieczeniowa uprościła proces ekstrakcji danych z tysięcy dokumentów pochodzących z 2005 roku. Rozwiązanie RAG połączyło wyszukiwanie informacji z generatywną sztuczną inteligencją, umożliwiając analitykom biznesowym dostęp do danych za pośrednictwem interfejsów pytań i odpowiedzi w języku naturalnym. Wyniki: Pracownicy znajdują odpowiednie sekcje dokumentacji w ciągu 38,3 ms, przeszukując ponad milion wektorów, z łatwością odpowiadając na złożone zapytania, takie jak porównania cen profili ubezpieczonych.

Wykrywanie i zapobieganie oszustwom w transakcjach handlowych

MasterCard nawiązał współpracę z Amazon Web Services (AWS) w celu zwiększenia możliwości AI/ML w zakresie zapobiegania oszustwom transakcyjnym, wykraczając poza systemy oparte na regułach, aby przeciwdziałać wyrafinowanym technikom oszustw. Wyniki: Trzykrotny wzrost wskaźnika wykrywalności oszustw i dziesięciokrotne zmniejszenie liczby fałszywych alarmów, co poprawiło jakość obsługi sprzedawców korzystających z usług MasterCard.

Poprawa jakości obsługi klienta i oferty predykcyjne

Bank Scotia wykorzystał Google Cloud do poprawy jakości obsługi klientów w zakresie usług bankowych opartych na sztucznej inteligencji, przenosząc dane klientów do infrastruktury chmurowej w ramach trzech głównych inicjatyw:

• Indywidualne rekomendacje produktów z wykorzystaniem modeli ML
• Automatyzacja obsługi klienta dzięki przetwarzaniu języka naturalnego, rozpoznawaniu głosu i wizji komputerowej
• Ujednolicenie danych w celu uzyskania lepszego wglądu i doradztwa finansowego

Optymalizacja portfolio

HSBC nawiązało współpracę z EquBot w celu poprawy wyników portfela przy użyciu dużych zbiorów danych. Indeks akcji amerykańskich oparty na sztucznej inteligencji (AiPEX) wykorzystuje sztuczną inteligencję EquBot do wyboru akcji o wysokim potencjale wzrostu z indeksu Russell 1000. Wyniki: W ciągu ostatniej dekady AiPEX osiągnął wyniki o 123% lepsze od indeksu S&P 500 dzięki doskonałej identyfikacji akcji o wysokim wzroście przy użyciu języka naturalnego i danych nieustrukturyzowanych.

Produktywność programistów

Firma Westfield Insurance wdrożyła generatywną sztuczną inteligencję za pośrednictwem IBM, aby osiągnąć wyższą produktywność programistów i elastyczność biznesową, pomagając w tworzeniu aplikacji i wdrażaniu programistów w rozwiązaniach COBOL, Assembler i JCL. Wyniki: skrócenie czasu zapoznawania się z aplikacją o 80% i skrócenie czasu opisywania kodu i dokumentacji o 30%, przy jednoczesnym przyspieszeniu modernizacji aplikacji i zmniejszeniu kosztów zarządzania zmianami.

Ryzyko związane z przestrzeganiem przepisów

Organy regulacyjne na całym świecie skupiają się na wykorzystaniu sztucznej inteligencji w finansach. Unijna ustawa o sztucznej inteligencji stanowi początek nowych regulacji prawnych w tej dziedzinie, podczas gdy organy regulacyjne w poszczególnych stanach USA zapobiegają szkodom dla konsumentów spowodowanym przez sztuczną inteligencję. Strategie łagodzące:

• Sprawdź wszystkie aspekty regulacyjne mające wpływ na opracowywanie i wdrażanie modeli sztucznej inteligencji.
• Zapewnij solidne zarządzanie sztuczną inteligencją
• Stosuj zasady odpowiedzialnej i interpretowalnej sztucznej inteligencji.
• Utwórzcie komisje ds. etyki sztucznej inteligencji, które będą przeprowadzać regularne przeglądy.

Potencjalne błędy i stronniczość

Podczas gdy dyskusje na temat sztucznej inteligencji generatywnej dominują kwestie związane z halucynacjami, inne modele AI/ML borykają się z problemami związanymi z błędami i stronniczością. Ponieważ sztuczna inteligencja w bankowości przetwarza wrażliwe dane mające wpływ na życie klientów, zapobieganie tym problemom ma kluczowe znaczenie. Strategie łagodzące:

• Twórz różnorodne, reprezentatywne zestawy danych szkoleniowych
• Regularnie sprawdzaj modele pod kątem stronniczości i błędów, korygując zidentyfikowane problemy
• Stosuj metody szkoleniowe przeciwdziałające uprzedzeniom (ponowne ważenie, szkolenie oparte na konfrontacji).
• Przeszkol użytkowników końcowych w zakresie ograniczeń narzędzi AI.
• Zachowaj nadzór człowieka w pętli

Wyzwania związane z danymi

Sukces modeli AI i ML zależy od jakości danych szkoleniowych. Jednak silosy danych, obawy dotyczące prywatności i niewystarczająca ilość danych stanowią poważne przeszkody. Problemy związane z danymi stanowią największe wyzwanie dla 38% instytucji finansowych. Strategie łagodzące:

• Wdrożyć solidne zabezpieczenia cybernetyczne w celu ochrony poufnych informacji
• Rozważ generowanie danych syntetycznych przy użyciu Gen AI do szkolenia modeli.
• Przed zastosowaniem sztucznej inteligencji należy skonsolidować silosy danych.
• Proaktywnie zajmuj się kwestiami prywatności

Brak talentu

Rekrutacja i utrzymanie specjalistów ds. sztucznej inteligencji było największym wyzwaniem dla sektora usług finansowych w 2022 r., a w 2023 r. spadło na drugie miejsce, przy czym 32% organizacji nadal boryka się z tym problemem. Strategie łagodzące:

• Opracuj atrakcyjne propozycje wartości dla pracodawcy
• Oceń potencjał kandydatów i ich obecne umiejętności techniczne
• Odpowiednio dopasuj wymagania biznesowe do wymagań dotyczących umiejętności
• Szukajcie odległych i międzynarodowych zasobów talentów
• Rozważ pozyskanie talentów w dziedzinie sztucznej inteligencji poprzez zatrudnienie dostawców usług kontraktowych

Obciążenia związane z dziedzictwem

Tradycyjne banki i firmy ubezpieczeniowe korzystają z przestarzałych systemów informatycznych, których średni wiek przekracza 10 lat. Wdrożenie narzędzi AI staje się trudne lub niemożliwe bez uprzedniego rozwiązania kwestii zadłużenia technicznego i modernizacji starej infrastruktury. Strategie łagodzące:

• Przeprowadź kompleksową analizę dojrzałości cyfrowej
• Systematycznie zmniejszaj złożoność infrastruktury IT
• Dokładnie określ zakres, czas i budżet działań związanych z modernizacją starszych systemów.
• Zlikwiduj silosy organizacyjne wraz z silosami oprogramowania i danych

Kluczowe trendy określające przyszłość sztucznej inteligencji w bankowości i usługach finansowych obejmują dążenie do stworzenia zrozumiałej i odpowiedzialnej sztucznej inteligencji, możliwości biometrii fizycznej i behawioralnej oraz rozwój informatyki kwantowej.

Wyjaśnialna, odpowiedzialna sztuczna inteligencja

Zaufanie konsumentów stanowi główny czynnik decydujący o pomyślnym wdrożeniu sztucznej inteligencji. Jednak tylko 21% klientów usług finansowych ufa chatbotom opartym na sztucznej inteligencji. Wraz ze wzrostem znaczenia kwestii etycznych rośnie presja na tworzenie zrozumiałej i odpowiedzialnej sztucznej inteligencji. Według badań przeprowadzonych przez firmę NVIDIA 84% instytucji finansowych wdrożyło środki zapewniające wiarygodność modeli sztucznej inteligencji. Jednak wyjaśnialna sztuczna inteligencja pozostaje technologią niedojrzałą, wymagającą rozwiązań w zakresie zmniejszenia szybkości obliczeniowej i kompromisów dotyczących dokładności w celu zwiększenia interpretowalności.

Biometria

Kradzież tożsamości syntetycznej staje się szybko rozprzestrzeniającym się przestępstwem finansowym w Stanach Zjednoczonych, a generatywna sztuczna inteligencja staje się skuteczną bronią sprawców. Prognozowane straty w wysokości prawie 23 miliardów dolarów do 2030 roku można przezwyciężyć za pomocą fizycznej i behawioralnej biometrii. Systemy te wykorzystują sztuczną inteligencję do ciągłego monitorowania zachowań klientów oraz przeprowadzania dokładnej weryfikacji KYC i AML. Biometria behawioralna tworzy unikalne profile klientów na podstawie szybkości wpisywania hasła i wzorców nawigacji w aplikacjach mobilnych. Rozpoznawanie twarzy zapewnia łatwą i bezpieczną autoryzację oraz uwierzytelnianie. Organizacje takie jak MasterCard i BNP Paribas już wykorzystują dane biometryczne do zapewnienia zaawansowanego bezpieczeństwa posiadaczy kart.

Sztuczna inteligencja i fuzja kwantowa (AQ)

Technologie kwantowe stanowią przyszłość rozwoju technologicznego, w którą inwestują branże na niespotykaną dotąd skalę. Chociaż komputery kwantowe nie staną się rzeczywistością w ciągu najbliższej dekady, obliczenia kwantowe mogą potencjalnie złamać asymetryczne procedury szyfrowania. Firmy finansowe, takie jak HSBC, już teraz ulepszają zarządzanie kryptografią, przygotowując się do ery kryptografii kwantowej. W połączeniu ze sztuczną inteligencją algorytmy inspirowane mechaniką kwantową mogą zapewnić bardziej zaawansowane środowiska rynkowe i analizę ryzyka portfela wykraczającą poza symulacje Monte Carlo. Ulepszona jakość uczenia się AQ może znacznie poprawić możliwości wykrywania oszustw.