Jak najlepiej wykorzystać swoje pieniądze w bankowości dzięki sztucznej inteligencji i uczeniu maszynowemu

Sztuczna inteligencja jest już wdrażana w trzech czwartych sektora bankowego. I chociaż firma Gartner prognozowała, że GenAI stanie się jednym z kluczowych trendów w bankowości dopiero za kilka lat, ostatnio pojawiła się wyraźna potrzeba wdrożenia GenAI już teraz. Współczesna technologia nie polega na znalezieniu idealnego narzędzia. Chodzi o wybór narzędzia i umieszczenie go we właściwym miejscu, poszukiwanie odpowiedniego zastosowania biznesowego, a następnie wykorzystanie i porzucenie technologii. Technologia rozwija się w takim tempie, że stała się już elementem jednorazowego użytku, a twoje następne rozwiązanie prawdopodobnie nie przetrwa dłużej niż dwa lata.

Szczególnie w świetle implikacji biznesowych. Na przykład głównym celem sztucznej inteligencji w bankowości jest automatyzacja zadań i generowanie prognoz przy użyciu modeli uczenia maszynowego (ML) (w tym złożonego uczenia głębokiego). Wymaga to ogromnych mocy obliczeniowych i danych oraz znacznych inwestycji. Instytucje finansowe również należą już do największych konsumentów sztucznej inteligencji. Korzystacie z usług uczenia maszynowego opartych na chmurze (np. AWS, Microsoft Azure, Google ML) oraz (głównie) prywatnych lub hybrydowych środowisk chmury mainframe. Może się wydawać, że niemal codziennie pojawia się nowy przełom technologiczny i naturalnie każdy chce z niego skorzystać od razu. Jednak wiele można zyskać, oceniając, co naprawdę musisz zrobić i jakie rozwiązania mogą ci w tym pomóc. Upewniając się, że w pełni wykorzystujesz to, co już posiadasz, czyli innymi słowy, maksymalnie wykorzystujesz swoje pieniądze, zanim zaczniesz je wydawać.

Już trzy czwarte instytucji finansowych korzysta ze sztucznej inteligencji, a ostatnie postępy budzą optymizm co do rosnącego zainteresowania jak najszybszym wprowadzeniem GenAI do zestawu technologii. Oprogramowanie low-code/no-code opracowane przez GenAI może przynieść znaczne oszczędności, takie jak zmniejszenie kosztów operacyjnych i ryzyka związanego z zawodnością starej infrastruktury i pracochłonnymi procesami.

Kluczowe trendy w zakresie sztucznej inteligencji w sektorze bankowym według firmy Gartner:

• Wizja komputerowa: popraw wydajność operacyjną w zakresie KYC, AML, weryfikacji tożsamości, wykrywania oszustw i ubezpieczeń.
• Inteligencja decyzyjna i technologie graficzne: modernizacja aplikacji front-office i back-office
• Przełomowe funkcje sztucznej inteligencji: zwiększ precyzję i zakres zarządzania ryzykiem oraz marketingu dzięki modelom podstawowym. Generatywne sieci przeciwstawne (GAN) są z powodzeniem stosowane do tworzenia realistycznych obrazów, filmów i nagrań głosowych, które w większości przypadków są nie do odróżnienia od oryginalnych informacji.
• Sztuczna inteligencja zorientowana na modele: wprowadźcie zachęcające rozwiązania, takie jak sztuczna inteligencja kompozytowa i GenAI, aby wspierać nowe inicjatywy.
• Sztuczna inteligencja zorientowana na dane: skup się na analizie danych pod kątem etyki, dokładności i wyjaśnialności
• Aplikacje i przypadki użycia oparte na sztucznej inteligencji: Twórz interfejsy użytkownika oparte na konwersacji, inteligentne przestrzenie, roboty itp.
• Odpowiedzialna i zorientowana na człowieka sztuczna inteligencja: podwój wysiłki w zakresie etycznego rozwoju sztucznej inteligencji, zarządzania ryzykiem i korzystnego wpływu społecznego.

Podejmowanie decyzji, zarządzanie operacyjne i hiperpersonalizacja produktów w celu zwiększenia zwrotów klientów przyniosłyby wiele korzyści w zakresie przychodów operacyjnych i redukcji kosztów. S&P szacuje, że 10-procentowy spadek kosztów zatrudnienia personelu bankowego zwiększyłby zwrot z kapitału o około 100 punktów bazowych, a wskaźnik kosztów do przychodów o około 3 procent (według S&P Global Ratings, 200 najlepszych banków na świecie).

Strategie oparte na sztucznej inteligencji mogą potencjalnie zapewnić przewagę konkurencyjną bankom, które mają możliwości i elastyczność, aby je najlepiej wykorzystać. Wymaga to jedynie pewnej przezorności i mądrego wdrożenia sztucznej inteligencji. Wraz z rozwojem zarządzania ryzykiem sztuczna inteligencja może wpływać na postrzeganie profili ryzyka bankowego z tym związanego. Gdy banki będą w stanie odpowiednio wycenić ryzyko kredytowe, wykorzystując ukryte w informacjach wzorce do obliczenia prawdopodobieństwa spłaty zadłużenia przez klienta, poprawią one swoje modele restrukturyzacji zadłużenia, zminimalizują liczbę kredytów problemowych, a także zmaksymalizują poprawność. Zarządzanie ryzykiem można usprawnić na wiele sposobów dzięki wykorzystaniu sztucznej inteligencji. Nie zapobiegnie to jednak nieprawidłowemu wdrożeniu, które może spowodować ryzyko utraty reputacji i ryzyko operacyjne, a także negatywną pozycję ryzyka dla banku. Postępuj właściwie. Znajdź dostawcę technologii, który rozumie specyfikę bankowości.

Nowa ustawa o sztucznej inteligencji w Europie stworzyła kompleksową kontrolę produktów i usług AI w oparciu o ryzyko i przypadki użycia. Ustawa obejmuje podstawowe obowiązki dotyczące modeli w odniesieniu do systemów AI ogólnego przeznaczenia. Inne kraje, takie jak Kanada, Brazylia, Chile i Filipiny, nie pozostają w tyle w takich działaniach. W Stanach Zjednoczonych Narodowy Instytut Standardów i Technologii (NIST) powołał Konsorcjum ds. Bezpieczeństwa Sztucznej Inteligencji. Jego celem jest współpraca z branżą w celu opracowania nowych standardów, takich jak wytyczne branżowe oparte na zarządzaniu ryzykiem. Oprócz działań regulacyjnych podejmowanych przez rząd, coraz większą uznanie zyskuje przekonanie o obowiązku branży w zakresie ochrony społeczeństwa poprzez inicjowanie lub wzmacnianie zarządzania sztuczną inteligencją.

Nowatorskie zastosowanie regulacji dotyczących sztucznej inteligencji opiera się na ryzyku, jakie mogą wprowadzić użytkownicy ryzyka, oraz działaniach, które należy kontrolować. UE wzięła pod uwagę cztery rodzaje ryzyka:

Terminy „minimalne” i „ograniczone ryzyko” oznaczają, że sztuczna inteligencja jest wykorzystywana w prostych funkcjach wewnętrznych, takich jak automatyzacja rutynowych czynności. Nie wiążą się one z komunikacją z prawdziwymi użytkownikami i klientami (np. boty lub boty związane z bazą wiedzy). Minimalne ryzyko nie wymaga wielu regulacji, a większość stosowanych regulacji dotyczy informowania klientów, że mają do czynienia z botami. Ryzyko uznane za wysokie i niedopuszczalne obejmuje systemy sztucznej inteligencji, które informują decydentów. Obejmuje to ocenę zapytań, kwestie związane z danymi klientów i obsługę klientów w całości. Sztuczna inteligencja będzie podlegać ścisłej kontroli, a korzystanie z tego rodzaju systemów będzie wymagało uwzględnienia wielu przepisów. Zabronione będzie stosowanie systemów sztucznej inteligencji i operacji, które dobrowolnie lub niechętnie ingerują w działania użytkowników, modyfikując ich wolną wolę lub zachowania. W ten sposób wpłynie to na osoby starsze i nieletnie, funkcjonowanie społeczeństwa, takie jak ocena społeczna i badania biometryczne, oraz analizę danych z domniemanym udziałem klientów, w tym ich pochodzenia, działalności itp. Plany, które zostaną wdrożone w 2024 r. i zrealizowane do 2026 r., będą miały zastosowanie głównie do systemów wysokiego ryzyka.

Usługi finansowe

Dostęp będzie oparty na regulacjach dotyczących sztucznej inteligencji w usługach finansowych. Usługi finansowe W finansach systemy sztucznej inteligencji analizują dane klientów w celu oceny ich zdolności kredytowej i wykrywania oszustw.

Pod względem analitycznym znajdujemy się w okresie gwałtownego rozwoju w tej spektakularnej erze technologicznej. W związku z tym wszystko, co zostało stworzone zaledwie 2 lata temu, jest już przestarzałe. Problem polega na tym, w jaki sposób firma może wykorzystać starą technologię w sposób łatwy do zarządzania i nietoksyczny, biorąc pod uwagę skutki nawet najmniejszych błędów? Weźmy na przykład ChatGPT. Nikt nie zna źródła informacji w aplikacji (ani jej stronniczości/praw autorskich/integralności). Niemniej jednak coraz więcej pracowników jest zachęcanych do korzystania z aplikacji w celu tworzenia blogów korporacyjnych, artykułów, białych ksiąg, a nawet linii kodu. Nic dziwnego, że instytucje finansowe rozważają stworzenie odizolowanych usług AI (kontynuacja trwającej debaty w firmie: „Przechodzimy do chmury czy pozostajemy na miejscu?”). Staje się to poważnym problemem, ponieważ aby uzyskać skuteczną sztuczną inteligencję i zaawansowaną analitykę, musisz mieć pewność, że integralność danych jest na odpowiednim poziomie. Biorąc to pod uwagę, logiczne jest pracowanie wewnętrznie, w trybie offline. Firma może szkolić korporacyjny model językowy (LLM) lub oprogramowanie do sprawdzania gramatyki wyłącznie na podstawie dokumentacji wewnętrznej (nigdy nie opuści ona głównego komputera). W rzeczywistości najbezpieczniejszym rozwiązaniem jest podejście przeciwne do obecnego sposobu myślenia w branży IT, które zakłada przeniesienie wszystkiego do chmury.

Jako procesor i system rejestracji, platforma bankowości podstawowej Hogan stała się siłą napędową niektórych z najbardziej wpływowych banków na świecie. Teraz ulepszyliśmy wyjątkowe rozwiązanie Hogan w zakresie hybrydowej chmury mainframe, wykorzystując najlepsze rozwiązania IBM Z i zapewniając bankom ze starzejącymi się rdzeniami plany „migracji do platformy”. Hogan x może nawet pomóc wam stworzyć zupełnie nowy bank cyfrowy. Platforma opiera się na zasadach BIAN (banking industry architecture network) jako komponentowa i modułowa. Wykorzystuje Z Linux oraz inne rozwiązania kontenerowe i oparte na chmurze. Platforma może być również oferowana w modelach opartych na zużyciu, jako usługa.

Znajdź najlepsze dla siebie rozwiązanie

Hybrydowa architektura chmury mainframe pozwala na przyjęcie strategii najlepiej dopasowanej do wdrożenia aplikacji. Poniżej przedstawiono przykład ekosystemu w bankowości (między IBM Z a chmurą). Wnioski są podzielone na trzy odrębne obszary:

• Zaangażowanie klientów w kanałach cyfrowych
• Przetwarzanie operacyjne (np. zarządzanie zamówieniami, marketing i sprzedaż)
• Podstawowe transakcje i dane (podstawowe operacje bankowe i karty kredytowe)

Aplikacje te powinny być ze sobą kompatybilne, aby mogły wymieniać informacje w czasie rzeczywistym i maksymalizować wydajność biznesową. Integracja ma kluczowe znaczenie dla osiągnięcia pełnej interoperacyjności. Model chmury hybrydowej mainframe z IBM zSystems pomaga klientom zoptymalizować koszty, wydajność i elastyczność w oparciu o typ aplikacji i najlepiej dopasowaną infrastrukturę. Jako przykład rozważ kanały cyfrowe. Wysoki poziom interakcji wielokanałowej opiera się na integracji informacji o partnerach i klientach w celu zapewnienia optymalnej obsługi klienta. To, wraz ze zmianą zmiennych i obciążeń w rozwiązaniach opartych na chmurze, sprawia, że rozwiązania hybrydowe są idealnym rozwiązaniem.

Środowisko, społeczeństwo i ład korporacyjny (ESG)

Często pomijaną zaletą architektury hybrydowej chmury mainframe jest zrównoważony rozwój środowiska. Elastyczna praca w chmurze i energooszczędne mainframe'y dadzą wam możliwość maksymalnego wykorzystania powierzchni centrów danych i zużycia energii przez centra danych (centra danych zużywają około 1% globalnej energii), co pomoże uczynić planetę bardziej ekologiczną.

Jednak architektura hybrydowej chmury mainframe w bankowości to nie tylko wybór techniczny. Jest to konieczność strategiczna, ponieważ zapewnia odpowiednią równowagę między ochroną, niezawodnością i skalowalnością a elastycznością i nowatorstwem wymaganym w pracy cyfrowej. Dzięki połączeniu odporności mainframe z AI, ML i elastycznością przetwarzania w chmurze banki będą mogły pozostać konkurencyjne, zgodne z przepisami i zorientowane na klienta. Sukces zależy od maksymalnego wykorzystania tego i tego, tak aby banki nie tylko pokonały obecne problemy, ale także były przygotowane i wyposażone do wykorzystania możliwości w przyszłości. Wraz z rozwojem technologii strategie dotyczące sztucznej inteligencji i hybrydowej chmury mainframe będą odgrywać kluczową rolę w cyfrowej transformacji bankowości, wyznaczając ścieżkę, która łączy tradycję z innowacyjnością, stabilność z elastycznością oraz wydajność z efektywnością. Nie czas na niezdecydowanie.

Ktoś z mojego biura właśnie wrócił z ważnej konferencji, podczas której jeden z prelegentów poruszył tę kwestię. Powiedział: „Naprawdę nie wiemy, w jakim kierunku zmierza technologia, więc po prostu usiądziemy i poczekamy, aby zobaczyć, gdzie się pojawi. Problem polega na tym, że nigdy nie zobaczycie punktu, w którym się pojawi, ponieważ w warunkach wykładniczego wzrostu technologia nigdy się nie zatrzyma i w tym momencie nie da się jej racjonalnie uzasadnić”. Chodzi o to, że banki muszą wsiąść do pociągu przewidywania i otwartych umysłów, aby wdrożyć sztuczną inteligencję tak szybko, bezpiecznie i opłacalnie, jak to tylko możliwe.

Współpraca musi być zgłoszona

Dlatego tak cenna jest pomoc doświadczonych dostawców. Przykładem jest wdrożenie optycznego rozpoznawania znaków (OCR). W przypadku jednego z naszych klientów udostępniliśmy cztery narzędzia do odczytu dokumentów, mówiąc, że nie ma znaczenia, które z nich wybierzecie. Za dwa lata i tak będą już przestarzałe. Dział zaopatrzenia poradził nam również, abyśmy rozważyli kilka innych opcji, co sprawiło, że poszukiwanie idealnego narzędzia stało się prawdziwym wyzwaniem. Jednak wybór nowoczesnej technologii nie polega na zagłębianiu się w narzędzie. Chodzi o wybór i właściwe wykorzystanie narzędzia, znalezienie odpowiedniego zastosowania biznesowego oraz utratę i zyskanie technologii. Technologia ewoluowała do tego stopnia, że stała się jednorazowa, ulegająca planowanemu starzeniu się, a kolejna aktualizacja pojawia się zaledwie kilka lat przed jej wycofaniem. W ten sposób, zamiast inwestować ponad 5 lat w rozwiązanie z16, aktualizuj swoją technologię AI co 2 lata. Oznacza to, że powinieneś zacząć planować jej wymianę już w momencie podpisywania umowy zakupu.

Problem biznesowy: Sztuczna inteligencja nie zawsze jest wykorzystywana w ramach platformy Z, gdzie dane muszą przepływać przez sieci. Jest to kosztowne i niebezpieczne, a także obniża twoją zdolność do oceny transakcji pod kątem ryzyka. Wpływ na działalność: Akcelerator IBM Z AI on-chip umożliwia Hoganowi i powiązanym obciążeniom zLinux uruchamianie funkcji AI w czasie rzeczywistym na komputerze mainframe, na którym obecnie znajdują się dane. Zwiększa to wydajność AI, bezpieczeństwo i obniża koszty. Ponadto procesy takie jak automatyczne podejmowanie decyzji kredytowych i modyfikacja kredytów mogą być wykonywane bezpośrednio na platformie Z, a wnioski AI i decyzje biznesowe mogą być szybciej i łatwiej przyswajalne. Celent prognozuje, że dzięki 100-procentowej kontroli wszystkich transakcji poszczególne banki zaoszczędzą około 100 milionów dolarów.

Niektóre z możliwych zastosowań sztucznej inteligencji obejmują ocenę zdolności kredytowej, oszustwa i przeciwdziałanie praniu pieniędzy. Platformy mainframe obsługują większość transakcji bankowych i płatniczych, ale wykrywanie sztucznej inteligencji może odbywać się poza platformą (mniej niż 10% transakcji jest realizowanych w czasie rzeczywistym za pomocą modelu wnioskowania AI ze względu na opóźnienia, koszty i problemy związane z niezadowoleniem klientów). To właśnie dlatego tak wiele fałszywych transakcji pozostaje niewykrytych i nie jest wykrywanych. Umbrella.ai może pomóc wam zaoszczędzić miliony dzięki wykrywaniu oszustw za pomocą wnioskowania na komputerze mainframe. W tym przypadku Umbrella jest głównym elementem. Architektura aplikacji Umbrella to sprawdzona platforma techniczna, która zostanie zintegrowana ze środowiskiem z/OS, aby stać się szybkim zintegrowanym środowiskiem programistycznym (IDE) przez ponad 35 lat. Umbrella ma ponad 40 instytucji finansowych poziomu 1 w różnych częściach świata i jest używana do wykonywania około 100 aplikacji przez każdy bank. To tysiące aplikacji w rozwoju mainframe.

Umbrella.ai zapobiega oszustwom

We współpracy z IBM czas trwania oceny lub analizy transakcji jest minimalizowany. Dzięki temu klienci mają możliwość wirtualnej kontroli 100% swoich transakcji, co pozwala ograniczyć straty czasu i pieniędzy. Cele Umbrella.ai obejmują:

• 100-procentowe pokrycie przychodzących transakcji i aktualnych umów SLA
• Wykorzystuj istniejące modele oszustw lub wdrażaj nowe modele.
• Zmniejszenie opóźnień w przyznawaniu punktów dzięki wykorzystaniu wbudowanego systemu zapobiegania oszustwom w z/OS i systemie autoryzacji kart
• Wykorzystaj usługę punktacji MLz COBOL, aby znacznie uprościć wywołanie punktacji i zmniejszyć nakłady związane z wywołaniem usługi punktacji.

Znaczący wzrost wykrywalności oszustw jest jedną z mocnych stron ML. Stare systemy oparte na regułach nie są wystarczająco elastyczne, aby sprostać pojawiającym się trendom w zakresie oszustw. Tymczasem algorytmy ML mogą się stale aktualizować dzięki danym transakcyjnym i wykrywać przypadki oszustw szybciej i dokładniej.

Umbrella.ai i ML przyspieszają wykrywanie oszustw i zapobieganie im

Sztuczna inteligencja/uczenie maszynowe w IBM Z zwiększa dokładność przewidywania oszustw, umożliwia uzyskanie praktycznych informacji na ogromną skalę oraz wykrywanie oszustw w czasie rzeczywistym. Wyższa precyzja modeli głębokiego uczenia pozwala im znacznie zmniejszyć wysoki poziom fałszywych alarmów. Oznacza to, że banki mają możliwość filtrowania transakcji w procesie wykrywania oszustw, jednocześnie zachowując jakość obsługi klienta i nie tracąc pieniędzy.

Współpraca firmy Umbrella z AI i IBM z16 zapewnia imponujące informacje biznesowe (bez konieczności posiadania umiejętności z zakresu nauki o danych). Około 70 procent operacji finansowych jest wykonywanych na systemach IBM zSystems, co jest również świetną wiadomością z punktu widzenia ESG, ponieważ ilość energii zużywanej przez mainframe jest o 40 procent niższa niż w przypadku serwerowni.

Najważniejsze funkcje obejmują:

• Wzmocnij dowolną aplikację IBM z/OS dzięki ulepszonemu przez sztuczną inteligencję SQL i Umbrella.ai
• Odkrywaj i wykorzystuj ukryte informacje zawarte w twoich danych
• Określ podobieństwa, różnice i korelacje
• Uzyskaj interpretowalność dzięki ramce
• Używaj jednego modelu dla zestawu pytań
• Zmniejsz złożoność wdrażania sztucznej inteligencji
• Modele głębokiego uczenia mogą być wykorzystywane do poprawy wyników fałszywie ujemnych

IBM z16 obsługuje najpopularniejsze algorytmy ML, zapewniając klientom osłonę AI, która pomaga wam usprawnić procesy i zwiększyć wartość biznesową istniejących inwestycji.

Czy możesz sobie pozwolić na to, by stać z boku i patrzeć, jak twoi rywale zdobywają przewagę i utrzymują ją przez dłuższy czas? Dowiedz się, jak w pełni wykorzystać sztuczną inteligencję i uczenie maszynowe, aby osiągnąć najwyższy zwrot z inwestycji. Dowiedz się również, w jaki sposób hybrydowa chmura mainframe oparta na technologii Hogan może pomóc ci lepiej wykrywać oszustwa i przygotować się na przyszłe zagrożenia i możliwości.