Штучний інтелект у фінансових послугах: формування майбутнього фінансів

Фінансові послуги використовують штучний інтелект для виявлення та запобігання фінансовим злочинам, поліпшення якості обслуговування клієнтів за допомогою віртуальних помічників та персоналізації, вдосконалення управління ризиками, стимулювання алгоритмічної торгівлі та оптимізації торгівлі, посилення кібербезпеки та підвищення продуктивності праці співробітників. Основні переваги штучного інтелекту у фінансах включають нову операційну ефективність, покращення якості обслуговування клієнтів, краще зниження ризиків, додаткові джерела доходу та бізнес-можливості, швидше прийняття рішень та нові конкурентні переваги. Впровадження ШІ у фінансовій сфері вимагає вирішення таких питань, як ризики, пов'язані з дотриманням нормативних вимог, потенційні помилки та упередження, проблеми з даними, брак фахівців у галузі ШІ та тягар спадщини.

Однак зберегти лідируючі позиції в революції штучного інтелекту в банківській сфері та фінансових послугах є складним завданням. Впровадження штучного інтелекту у фінансовій сфері вимагає ретельної оцінки ризиків та вибору правильного бізнес-кейсу для початку.

Машинне навчання (ML) та аналітичний штучний інтелект (AI) не є новими явищами у фінансах. Вони вже використовуються для класифікації даних, автоматизації процесів, виявлення закономірностей та прогнозування подій. Банківські, фінансові послуги та страхування становлять 18% світового ринку ML, посідаючи друге місце за рівнем використання технологій, поступаючись лише ІТ та телекомунікаціям (19%).

Форми штучного інтелекту, що використовуються фінансовими установами

• Аналітика даних (69%)
• Обробка даних (57%)
• Обробка природної мови (47%)
• Великі мовні моделі (46%)
• Генеративна ШІ (43%)

Найпоширенішою стратегією впровадження ШІ та МН серед фінансових організацій є розробка додатків з використанням хмарних сервісів ШІ та МН. Згідно з даними S&P Global, 44% опитаних компаній визначили цей підхід як основну стратегію. Поточне використання рішень на основі штучного інтелекту у фінансовій галузі:

• Операції (48%)
• Ризик та відповідність вимогам (45%)
• Маркетинг (34%)
• Продажі (27%)

Gen AI залишається на передовій

Генеративна ШІ — це ключова технологія, яка формує майбутнє ШІ у фінансах. Наразі рівень проникнення генеративної ШІ та великих мовних моделей у фінансові організації становить майже 43% та 46% відповідно. Генеративна штучна інтелігенція в банківській сфері:

• Кодування ко-пілотів для прискореної цифровізації
• Рішення Chat-your-data для демократизації корпоративних даних
• Створення синтетичних даних для навчання моделей AI/ML
• Створення звітів про ризики та відповідність вимогам
• Особисті віртуальні помічники клієнтів
• Гіперперсоналізовані кампанії з продажу та маркетингу
• Автоматичне створення звітів про страхові виплати
• Віртуальне повідомлення про збитки у страхових претензіях

Аналітики McKinsey оцінюють, що генеративна ШІ забезпечить зростання на 2,8–4,7 % у глобальному банківському секторі та на 1,8–2,8 % у страховому секторі. Найбільший вплив, ймовірно, буде відчутний у маркетингу, продажах, роботі з клієнтами та розробці програмного забезпечення.

Запобігання фінансовим злочинам

Тільки в 2023 році шахрайські схеми спричинили збитки на суму 485,6 млрд доларів. У 2011 році в глобальній фінансовій системі обігувало понад 3,1 трлн доларів незаконних грошей. Оскільки 90% фінансових організацій вважають запобігання фінансовим злочинам пріоритетним завданням, використання аналізу даних для виявлення та запобігання стає надзвичайно важливим. Дві третини організацій планують використовувати цей підхід, а половина з них інвестує в штучний інтелект для розширення можливостей виявлення шахрайства. Запобігання шахрайству з використанням штучного інтелекту включає:

• Аналіз великих даних для відстеження витрат і ефективності рахунків
• Прогнозна аналітика для оцінки ризиків фінансових злочинів
• Позначення транзакцій/рахунків для подальшого перегляду
• Автоматизована боротьба з відмиванням грошей (AML) та «знай свого клієнта» (KYC)

Приклад: Barclays запровадив додаток на основі штучного інтелекту, який відстежує онлайн-транзакції торговців за допомогою прогнозної аналітики для визначення ймовірності шахрайства. PayPal застосував штучний інтелект, щоб зменшити кількість пропущених випадків шахрайства в 30 разів, одночасно скоротивши витрати на обладнання втричі.

Віртуальні асистенти

Чат-боти на базі штучного інтелекту, вдосконалені за допомогою Gen AI, пропонують цілодобові послуги з персонального фінансового консультування. На відміну від попередніх версій, заснованих на правилах, Gen AI дозволяє створювати більш досконалі чат-боти, які адаптують відповіді до прямих і непрямих запитів клієнтів за допомогою взаємодій, схожих на людські. Можливості чат-бота з штучним інтелектом:

• Рекомендації щодо вибору інвестицій
• Управління банківськими рахунками
• Консультації з питань управління особистими фінансами
• Самообслуговування клієнтів
• Автоматичне стягнення боргів

Гіперперсоналізація в масштабі

Майже 73% клієнтів фінансових послуг хочуть, щоб постачальники розуміли їхні особисті потреби та очікування. Крім того, 62% змінять постачальника, якщо відчують, що до них ставляться безлично. Персоналізація на основі штучного інтелекту дозволяє:

• Мікросегментація клієнтів за потребами та уподобаннями
• Персоналізований маркетинг та рекомендації щодо продуктів
• Запобігання відтоку клієнтів за допомогою прогнозної аналітики
• Особисті інвестиції та поради з управління фінансами

Управління ризиками

Традиційні рішення щодо надання кредитів та страхування ґрунтуються на обмежених наборах даних, таких як професія та кредитна історія. Пристрої штучного інтелекту можуть збирати та оцінювати величезні обсяги даних для більш точного визначення кредитного рейтингу та оцінки ризиків, включаючи нетрадиційні джерела, такі як активність у соціальних мережах. Додатки для управління ризиками штучного інтелекту:

• Корпоративне управління ризиками з використанням новітніх методів ідентифікації ризиків
• Пропозиції щодо стратегії пом'якшення наслідків
• Інструменти оцінки ризиків клієнтів для прийняття рішень щодо інвестицій та кредитування

Приклад: Banco Santander надає корпоративним клієнтам інструмент Kairos для покращення процесу прийняття рішень.

Оптимізація торгівлі та алгоритмічна торгівля

Алгоритми вже багато років домінують у торгівлі. У 2019 році J.P. Morgan використовував глибокі нейронні мережі, щоб програми машинного трейдингу могли виявляти найвигідніші шляхи виконання торгових операцій. Можливості торгівлі за допомогою штучного інтелекту:

• Обробка сотень точок ринкових даних
• Визначення історичних та сучасних тенденцій
• Аналіз неструктурованих даних (новинні повідомлення) за допомогою обробки природної мови
• Ціноутворення активів з використанням історичної інформації та інформації в режимі реального часу
• Оптимальний розподіл активів для максимізації рентабельності інвестицій
• Оцінка ризику ліквідності
• Виявлення маніпуляцій на ринку
• Автоматизація високочастотної торгівлі

Кібербезпека

Втрати від порушення безпеки даних в середньому становлять 4,88 млн доларів, що на 10% більше, ніж у 2023 році. Організації, що надають фінансові послуги, ставлять за пріоритет випереджати зловмисників, одночасно покращуючи безпеку сторонніх ресурсів, показники та звітність, а також управління доступом. Застосування штучного інтелекту в кібербезпеці:

• Управління ідентифікацією та доступом із виявленням підозрілої поведінки
• Безпека кінцевих точок та виявлення шкідливого програмного забезпечення
• Інформація про вразливість хмарної безпеки
• Виявлення загроз та автоматизована реакція
• Інформаційна безпека та запобігання крадіжці даних
• Розслідування інцидентів та оптимізація реагування

Сучасні інструменти кібербезпеки Gen AI також:

• Обробляйте інформацію для отримання пропозицій щодо розслідування
• Складіть документацію про інцидент
• Аналізуйте вразливості безпеки кодової бази
• Надайте рекомендації з кібербезпеки природною мовою

Інструменти для підвищення продуктивності співробітників

Штучний інтелект допомагає співробітникам підвищити продуктивність у різних сферах діяльності, від управління ризиками та дотримання нормативних вимог до обслуговування клієнтів, маркетингу та продажів. Програми для підвищення продуктивності на основі штучного інтелекту:

• Підсумовування документів (нормативні акти, звіти, дослідження)
• Пропозиції щодо відповідей служби підтримки клієнтів у режимі реального часу
• Створення фрагментів коду та допомога в перегляді
• Обробка та класифікація неструктурованих даних

Додаткові переваги ефективності ШІ:

• Візуальна обробка даних для оцінки збитків та перевірки ідентичності
• Інтелектуальна обробка документів для структурованих/неструктурованих даних
• Розпізнавання мови для сортування запитів клієнтів
• Прогнозна аналітика для рекомендацій щодо найкращих подальших дій

Покращення операційної ефективності

Моделі штучного інтелекту автоматизують процеси, які раніше виконувалися вручну, включаючи перевірку даних для відкриття рахунків та формування звітів про ризики/дотримання вимог, забезпечуючи нову оперативну ефективність.

Кращий досвід для клієнтів

Персоналізація на основі штучного інтелекту, віртуальні асистенти та інтелектуальна автоматизація створюють безперешкодний досвід, прискорюючи операції бек-офісу. Це підвищує цінність клієнта протягом усього терміну його обслуговування, одночасно зменшуючи відтік клієнтів та витрати на їх залучення.

Знижені ризики

Штучний інтелект захищає організації від репутаційних та фінансових втрат завдяки точному виявленню шахрайства та надійним системам AML/KYC. Однак впровадження штучного інтелекту саме по собі вимагає зменшення ризиків.

Нові джерела доходу

ШІ сприяє створенню якісно нових операційних моделей, продуктів та послуг. Прикладом такої інновації є автострахування на основі використання, де розмір страхового внеску визначається ШІ на основі поведінки водія.

Швидше прийняття рішень

Рішення для чату з даними та потужна аналітика дозволяють швидше приймати рішення в усіх бізнес-функціях. Прогнозне моделювання спеціально підтримує стратегію зменшення ризиків та рішення щодо страхування.

Конкурентна перевага

Штучний інтелект забезпечує кращий досвід для клієнтів, знижує операційні витрати завдяки підвищенню ефективності та інноваційним продуктам і послугам на основі штучного інтелекту, створюючи конкурентні переваги для тих, хто першими впроваджують ці технології.

Пошук страхових документів з розширеним генеруванням (RAG)

Страхова компанія спростила вилучення даних з тисяч документів, датованих 2005 роком. Рішення RAG інтегрувало пошук інформації з генеративним штучним інтелектом, що дозволило бізнес-аналітикам отримувати доступ до даних через інтерфейси питань і відповідей на природній мові. Результати: співробітники знаходять відповідні розділи документації за 38,3 мс, здійснюючи пошук серед понад мільйона векторів, легко відповідаючи на складні запити, такі як порівняння цін за профілем страхувальника.

Виявлення та запобігання шахрайству в торгових операціях

MasterCard уклала партнерську угоду з Amazon Web Services (AWS) з метою підвищення ефективності штучного інтелекту та машинного навчання для запобігання шахрайству в торговельних операціях, виходячи за межі систем, що базуються на правилах, для протидії складним методам шахрайства. Результати: трикратне збільшення рівня виявлення шахрайства та десятикратне зменшення кількості помилкових спрацьовувань, що покращило досвід користувачів послуг MasterCard.

Поліпшення якості обслуговування клієнтів та прогнозні пропозиції

Scotia Bank використовував Google Cloud для поліпшення якості обслуговування клієнтів банківських послуг на основі штучного інтелекту, перенісши дані клієнтів до хмарної інфраструктури за допомогою трьох основних ініціатив:

• Індивідуальні рекомендації щодо продуктів з використанням моделей машинного навчання
• Автоматизація клієнтського досвіду за допомогою обробки природної мови, розпізнавання голосу та комп'ютерного зору
• Уніфікація даних для покращення аналізу та фінансових рекомендацій

Оптимізація портфоліо

HSBC співпрацював з EquBot для підвищення ефективності портфеля за допомогою великих даних. Індекс акцій США на базі штучного інтелекту (AiPEX) використовує EquBot AI для відбору акцій з високим потенціалом зростання з індексу Russell 1000. Результати: AiPEX перевершив індекс S&P 500 на 123% за останнє десятиліття завдяки чудовій ідентифікації акцій з високим рівнем зростання за допомогою природної мови та неструктурованих даних.

Продуктивність розробників

Компанія Westfield Insurance впровадила генеративну штучну інтелігенцію через IBM для підвищення продуктивності розробників і гнучкості бізнесу, допомагаючи в розробці додатків і адаптації розробників в COBOL, Assembler і JCL. Результати: скорочення часу на ознайомлення з додатком на 80% і скорочення часу на опис коду та документацію на 30%, прискорюючи модернізацію додатків і зменшуючи витрати на управління змінами.

Ризики, пов'язані з дотриманням нормативних вимог

Регулюючі органи по всьому світу зосереджують увагу на використанні ШІ у фінансах. Закон ЄС про штучний інтелект є новим законодавчим актом у сфері ШІ, тоді як регуляторні органи штатів США запобігають шкоді, заподіяній споживачам ШІ. Стратегії пом'якшення наслідків:

• Вивчіть усі нормативні аспекти, що впливають на розробку та впровадження моделей штучного інтелекту
• Забезпечте надійне управління штучним інтелектом
• Дотримуйтесь принципів відповідальної та інтерпретованої штучної інтелектуальної системи
• Створіть ради з етики штучного інтелекту, які проводитимуть регулярні перевірки

Потенційні помилки та упередження

Хоча в дискусіях про генеративну ШІ переважають питання галюцинацій, інші моделі ШІ/МН стикаються з проблемами помилок і упередженості. Оскільки ШІ в банківській сфері обробляє конфіденційні дані, що впливають на життя клієнтів, запобігання цим проблемам має вирішальне значення. Стратегії пом'якшення наслідків:

• Створюйте різноманітні, репрезентативні навчальні набори даних
• Регулярно перевіряйте моделі на наявність упередженості та помилок, виправляючи виявлені проблеми
• Використовуйте методи навчання, що запобігають упередженості (переважування, суперечливе навчання)
• Проведіть навчання кінцевих користувачів щодо обмежень інструментів штучного інтелекту
• Зберігайте контроль з боку людини

Проблеми з даними

Успіх моделей штучного інтелекту та машинного навчання залежить від якості навчальних даних. Однак ізольованість даних, проблеми конфіденційності та недостатній обсяг даних створюють значні перешкоди. Проблеми з даними є найбільшим викликом для 38% фінансових установ. Стратегії пом'якшення наслідків:

• Забезпечте надійний кіберзахист для захисту конфіденційної інформації
• Розгляньте можливість генерації синтетичних даних за допомогою Gen AI для навчання моделі
• Об'єднайте ізольовані масиви даних перед застосуванням штучного інтелекту
• Проактивно вирішуйте питання конфіденційності

Брак таланту

У 2022 році наймання та утримання фахівців з штучного інтелекту було головним викликом у сфері фінансових послуг, а в 2023 році це питання опустилося на друге місце, хоча 32% організацій все ще стикаються з цією проблемою. Стратегії пом'якшення наслідків:

• Розробіть переконливі пропозиції щодо цінності роботодавця
• Оцініть потенціал кандидата та його наявні технічні навички
• Відповідно узгоджуйте бізнес-вимоги з вимогами до навичок
• Шукайте таланти в інших регіонах та країнах
• Розгляньте можливість залучення талановитих фахівців у галузі штучного інтелекту шляхом укладення договорів з постачальниками послуг

Старі обтяження

Традиційні банки та страхові компанії використовують застарілі ІТ-системи, середній вік яких перевищує 10 років. Впровадження інструментів штучного інтелекту стає складним або неможливим без вирішення проблеми технічного боргу та модернізації застарілої інфраструктури. Стратегії пом'якшення наслідків:

• Проведіть комплексний аналіз цифрової зрілості
• Систематично зменшуйте складність ІТ-інфраструктури
• Точно оцінюйте обсяг, терміни та бюджет заходів з модернізації застарілих систем
• Подолайте організаційні бар'єри, а також бар'єри, пов'язані з програмним забезпеченням та даними

Ключові тенденції, що визначають майбутнє ШІ в банківських та фінансових послугах, включають рух у напрямку зрозумілого та відповідального ШІ, можливості фізичної та поведінкової біометрії, а також розвиток квантових обчислень.

Пояснювана, відповідальна ШІ

Довіра споживачів є основним фактором успішного впровадження штучного інтелекту. Однак лише 21% клієнтів фінансових послуг довіряють чат-ботам на базі штучного інтелекту. Зі зростанням важливості етичних питань посилюється тиск на створення зрозумілого та відповідального штучного інтелекту. Згідно з дослідженням NVIDIA, 84% фінансових установ впровадили заходи, що забезпечують надійність моделей штучного інтелекту. Однак пояснювана ШІ залишається недосконалою технологією, яка потребує рішень для зменшення швидкості обчислень та компромісів щодо точності для підвищення інтерпретованості.

Біометрія

Крадіжка синтетичної ідентичності стає швидко поширюваним фінансовим злочином у США, а генеративна штучна інтелігенція стає ефективною зброєю злочинців. Прогнозовані збитки у розмірі майже 23 мільярди доларів до 2030 року можна подолати за допомогою фізичної та поведінкової біометрії. Ці системи використовують штучний інтелект для постійного моніторингу поведінки клієнтів та ретельного перевірки KYC та AML. Поведінкова біометрія створює унікальні профілі клієнтів на основі швидкості введення пароля та моделей навігації в мобільних додатках. Розпізнавання обличчя забезпечує просту та безпечну аутентифікацію та авторизацію. Такі організації, як MasterCard та BNP Paribas, вже використовують біометричні дані для підвищення безпеки власників карток.

Штучний інтелект і квантова фузія (AQ)

Квантові технології представляють майбутнє технологічного розвитку з безпрецедентними інвестиціями в галузь. Хоча квантові комп'ютери не стануть реальністю протягом наступного десятиліття, квантові обчислення потенційно можуть зламати асиметричні процедури шифрування. Фінансові компанії, такі як HSBC, вже вдосконалюють управління криптографією, готуючись до ери квантової криптографії. У поєднанні з штучним інтелектом квантові алгоритми можуть сприяти розвитку більш просунутих ринкових середовищ та аналізу ризиків портфеля, що виходять за межі моделювання методом Монте-Карло. Покращена якість навчання AQ може значно підвищити можливості виявлення шахрайства.